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！

龙图腾网获悉浙江大学申请的专利基于多尺度自适应更新的多元状态高斯过程自回归的空分装置早期故障检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：CN116662936B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202310640934.0，技术领域涉及：G06F18/27；该发明授权基于多尺度自适应更新的多元状态高斯过程自回归的空分装置早期故障检测方法是由徐祖华;刘严;赵均;宋春跃;邵之江设计研发完成，并于2023-06-01向国家知识产权局提交的专利申请。

本基于多尺度自适应更新的多元状态高斯过程自回归的空分装置早期故障检测方法在说明书摘要公布了：本发明公开了一种基于多尺度自适应更新的多元状态高斯过程自回归的空分装置早期故障检测方法，根据空分工艺中存在的多尺度时变特性，采取了针对快慢两个尺度的批次自适应和样本自适应的更新方法对关键历史矩阵进行了多尺度自适应更新。在故障诊断阶段，结合留一重构策略设计了适用于故障诊断框架下的多元状态高斯过程自回归的故障检测模型用以解决传统基于多元状态估计故障诊断方法的线性局限性，最终获得空分装置故障检测结果，用以辅助指导现场的相关诊断工作。本方法采用多尺度自适应更新方法解决了空分生产过程的时变问题。与现有的方法相比，本发明具有更好的准确性且可以实现故障提前预警，能够实时地为运行人员提供故障诊断和排查指导。

本发明授权基于多尺度自适应更新的多元状态高斯过程自回归的空分装置早期故障检测方法在权利要求书中公布了：1.一种基于多尺度自适应更新的多元状态高斯过程自回归的空分装置早期故障检测方法，其特征在于，包括如下步骤： S1、获取空分装置中不同时刻的历史正常样本数据，并经过数据预处理后形成代表空分装置正常工作状态的历史矩阵D； S2、采用多目标离散阿基米德优化算法对历史矩阵进行批次自适应更新，将历史矩阵的更新问题转为样本选择问题，得到更新后的优化历史矩阵Dopt； 所述S2包括如下步骤： S21：设计度量数据矩阵的优劣的三个指标ηx，λx和ρx，其中ηx计算历史矩阵的方差阵对角线元素之和，代表历史矩阵中样本的多样性；λx计算L2差异，代表样本分布的均匀性；ρx计算皮尔逊系数的均方根，代表样本的冗余程度，三个指标计算方法如下： 其中：C为用于正则化的常数，n代表历史矩阵中样本数量，x为样本数据，p为样本维度，xk,i为第k个样本的第i个变量的取值，k＝1,2,3,…,n；i＝1,2,3,…,p，xl,i为第l个样本的第i个变量的取值，l＝1,2,3,…,n；i＝1,2,3,…,p，和分别表示第i个和第j个变量的平均值； S22：根据度量历史矩阵的三个指标，采用多目标离散阿基米德优化算法按如下公式构建历史矩阵批次自适应更新的优化命题： minf1x,f2x,f3xs.t.x＝Dp其中：Dp代表从历史矩阵筛选出的样本，并有f1x＝‑ηx,f2x＝λx,f3x＝ρx； S23：将历史矩阵中的样本是否被选择作为优化变量，通过对上述最小化优化命题的优化，得到使得三个指标ηx，λx和ρx同时最优的历史矩阵样本分布情况，形成优化后的历史矩阵Dopt； S3、随后采用即时学习的相似性度量方法对S2中得到的优化历史矩阵Dopt进行样本自适应更新，形成最终用于故障诊断的局部历史矩阵Dlocal； 所述S3的具体做法如下： S31：根据当前待检测样本zobs，采用即时学习策略度量当前待检测样本zobs与批次自适应更新后的历史矩阵Dopt中所有样本的相似性，实现样本自适应地更新历史矩阵，构造如下度量方法： 其中，α为权重参数；DM_i和Dcos_i分别代表待检测样本zobs与历史矩阵中第i个历史样本zi之间的马氏距离与余弦距离；Σ是互协方差矩阵；根据上式，Dcos_i如果为负，则对应的历史样本不会被选择； S32：对Si值进行降序排列，选择前K个最大Si值对应的最相关历史样本，构建最终局部历史矩阵Dlocal，其中，K为预设值； S4、在故障检测阶段，通过留一样本重构策略，设计适用于空分装置的多元状态高斯过程自回归的早期故障检测模型，对空分装置进行在线早期故障诊断。

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浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。

以上内容由龙图腾AI智能生成。