买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天津大学申请的专利一种基于迁移学习的新模态过程监测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114880621B 。

龙图腾网通过国家知识产权局官网在2025-08-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210445470.3，技术领域涉及：G06F17/16；该发明授权一种基于迁移学习的新模态过程监测方法是由张淑美;雷琦设计研发完成，并于2022-04-26向国家知识产权局提交的专利申请。

本一种基于迁移学习的新模态过程监测方法在说明书摘要公布了：本发明涉及一种基于迁移学习的新模态过程监测方法，包括下列步骤：获取q种不同已知模态正常工况状态下的数据，获取新模态正常工况下的数据；计算不同已知模态正常工况下的数据与新模态正常工况下的数据之间的距离，选择距离新模态最近的已知模态作为参考模态；对参考模态数据和新模态数据进行标准化处理；利用迁移成分分析算法建立新模态的过程监测模型；获取工业过程中新模态的在线运行数据，并记为在线监测数据；对在线监测数据进行在线故障检测。

本发明授权一种基于迁移学习的新模态过程监测方法在权利要求书中公布了：1.一种基于迁移学习的新模态过程监测方法，包括下列步骤： 步骤1：获取q种不同已知模态正常工况状态下的数据，获取新模态正常工况下的数据，计算不同已知模态正常工况状态下的过程数据的均值和标准差，计算新模态正常工况下的数据的均值和标准差； 步骤2：计算不同已知模态正常工况下的数据与新模态正常工况下的数据之间的距离，选择距离新模态最近的已知模态作为参考模态，并记为Xs； 步骤3：对参考模态数据和新模态数据进行标准化处理，获得无量纲化的参考模态数据Xs和新模态数据Xt； 步骤4：利用迁移成分分析算法建立新模态的过程监测模型以及相应的T2统计量和SPE统计量的控制限，方法如下： 1构建参考模态与新模态正常工况下的数据之间的MMD矩阵，计算参考模态与新模态数据之间的MMD距离： DistXs,Xt＝trATXMXAT 其中，X＝[Xs,Xt]表示作为源域的参考模态数据Xs和作为目标域的新模态数据Xt构成的数据样本，A为待求取的变换矩阵，M是MMD矩阵，tr·为矩阵的迹； 2构建参考模态与新模态正常工况下的数据之间的中心矩阵C，并且给出计算参考模态与新模态数据的特征方差的表达式： 参考模态与新模态之间的中心矩阵表示为： 其中，In为n阶单位矩阵，1n为n阶的全1矩阵； 参考模态与新模态数据之间的特征方差表示如下： 其中，C是中心矩阵，I为单位矩阵； 3构建迁移成分分析TCA算法的目标函数； 其中，μ≥0是权衡系数，trATA表示L2正则项； 4建立新模态的过程监测模型； 通过引入拉格朗日乘子法来求解目标函数，找出使得迁移成分分析TCA算法的目标函数最小的转换矩阵A，进而建立新模态的过程监测模型； 5计算得分向量矩阵； 根据新模态的过程监测模型中的转换矩阵A，通过转换矩阵A，计算正常工况下的得分向量矩阵T； 6计算新模态正常工况下的T2统计量和SPE统计量； 构建TCA算法下的T2和SPE统计量； T2统计量表示为： T2＝ti TΛ-1ti＝xi TAΛ-1ATxi 所述转换矩阵A∈Rm×k为特征分解所得到的前k个最小特征值所对应的特征向量，Λ为取其前k个最小的特征值所组成的对角矩阵Λ＝{λ1,λ2,…,λk}∈Rk×k； SPE统计量表示为： SPE＝||I-AATxi||2＝xi TI-AATxi 其中，xi为Xt中第i个样本，ti＝ATxi表示成分向量矩阵T中的第i个成分向量； 7通过核密度估计法，对T2统计量和SPE统计量进行处理，设置99％的置信区间，从而得到T2和SPE的控制限； 步骤5：获取工业过程中新模态的在线运行数据，并记为在线监测数据，并根据步骤1中计算得到的新模态正常工况下的均值向量和标准差，对在线监测数据进行标准化处理； 步骤6：对在线监测数据进行在线故障检测：通过步骤4中的新模态的过程监测模型，计算在线监测数据的T2统计量和SPE统计量，若出现在线监测数据的T2统计量或者SPE统计量超出T2和SPE的控制限的情况，则认为当前系统出现故障，否则认为当前系统正处于正常运行的状态。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津大学，其通讯地址为：300072 天津市南开区卫津路92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。