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！

龙图腾网获悉宁波大学科学技术学院申请的专利一种基于即时近邻重构误差的一段炉运行异常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：CN114897435B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202210650170.9，技术领域涉及：G06F18/2433；该发明授权一种基于即时近邻重构误差的一段炉运行异常检测方法是由王瑾;陈杨;陈勇旗设计研发完成，并于2022-04-30向国家知识产权局提交的专利申请。

本一种基于即时近邻重构误差的一段炉运行异常检测方法在说明书摘要公布了：本发明公开了一种基于即时近邻重构误差的一段炉运行异常检测方法，旨在即时的为一段炉在线采样数据自适应的分析提取出潜藏在局部近邻关系中的异常变化特征，从而针对性的完成一段炉运行异常检测任务。具体来讲，本发明方法通过设计一种即时近邻重构误差生成技术，针对性的为各个在线采样数据即时的分析出其在近邻重构关系中的误差。在此基础上，利用近邻重构误差的变化情况来实现对一段炉运行异常的检测。本发明方法的技术优势在于：能够从最大化新样本数据的近邻重构误差和最小化正常样本数据的近邻重构误差的角度生成出最有利于实施异常检测的误差。因此，本发明方法是能够自适应的为最新采样时刻的样本数据生成相应的误差及其误差异常指标。

本发明授权一种基于即时近邻重构误差的一段炉运行异常检测方法在权利要求书中公布了：1.一种基于即时近邻重构误差的一段炉运行异常检测方法，其特征在于，具体包括以下所示步骤： 步骤1：从DCS的历史数据库中，获取一段炉运行在正常状态下的N组样本数据x1,x2,…,xN，组建训练数据矩阵X＝[x1,x2,…,xN]后，再对X中各行的行向量分别实施标准化处理，得到参考数据矩阵其中，每组样本数据具体是由13个测量数据组建成的13×1维的实数向量，R13×N表示13×N维的实数矩阵，R表示实数集，标准化的方式具体是行向量减去该行向量中所有元素平均值后，再除以该行向量中所有元素的标准差； 步骤2：当下标号i分别等于1,2,…,n时，通过公式组建增广向量z1,z2,…,zn后，设置近邻个数等于k并计算得到近邻重构向量w1,w2,…,wn，具体的实施过程如步骤2.1至步骤2.5所示；其中，n＝N-d，上标号T表示矩阵或向量的转置，d表示增广个数，表示参考数据矩阵中第i列的列向量，表示中第i+d列的列向量，表示中第i+d-1列的列向量； 步骤2.1：初始化i＝1后，再根据公式Dij＝zi-zjTzi-zj计算得到zi对应的平方距离向量Di∈R1×n；其中，Dij表示Di中的第j列元素，j∈{1，2，…,n}； 步骤2.2：将Di中除第i个元素之外的最小的k个元素所在的列记录为列标号集合Φzi，并根据列标号集合Φzi对应的将参考增广矩阵Z＝[z1,z2,…,zn]中相同列的列向量组建成zi对应的近邻矩阵Zi∈R13d+1×k，R13d+1×k表示13d+1×k维的实数矩阵； 步骤2.3：初始化zi对应的近邻重构向量wi等于一个1×n维的零向量，再根据公式计算出近邻回归系数向量 步骤2.4：根据列标号集合Φzi中记录的k个列标号，设置近邻重构向量wi∈R1×n中相同列的k个元素依次对应等于中的k个元素； 步骤2.5：根据公式wi＝wisumwi更新wi后，再判断i是否小于n；若是，则设置i＝i+1后，计算得到zi对应的平方距离向量Di∈R1×n，再返回步骤2.2；若否，则得到n个近邻重构向量w1,w2,…,wn；其中，sumwi表示计算wi中所有元素之和； 步骤3：利用即时近邻重构误差生成技术依次分别为z1,z2,…,zn生成得到相应的误差异常指标具体如步骤3.1至步骤3.3所示； 步骤3.1：当i分别等于1,2,…,n时，重复执行步骤3.2至步骤3.3，从而得到n个误差异常指标 步骤3.2：根据公式和分别计算矩阵Li和矩阵Gi后，再求解广义特征值问题Gi＝λiLipi中最大特征值λi对应的特征向量pi； 步骤3.3：根据公式更新特征向量pi后，再根据计算出zi对应的误差异常指标 步骤4：对实施核密度估计，从而得到在置信度α＝99.5％时的置信限并将中数值最大的ξ个误差异常指标的平均值记录为后，再确定控制上限其中，ξ表示不大于n×99％的最大整数，max{QKDE,QAVG}表示取QKDE和QAVG中的最大值； 步骤5：利用DCS获取一段炉在最新采样时刻的一组样本数据xt∈R13×1后，对其各行元素实施与步骤2中相同的标准化处理，从而得到最新采样时刻对应的数据向量其中，t表示最新采样时刻； 步骤6：将及其前一个采样时刻对应的数据向量前两个采样时刻对应的数据向量至前d个采样时刻对应的数据向量合并组成增广向量后，再确定出zt对应的近邻重构向量wt，具体的实施过程如步骤6.1至步骤6.4所示； 步骤6.1：根据公式Dtj＝zt-zjTzt-zj计算得到zt对应的平方距离向量Dt∈R1×n；其中，Dtj表示Dt中的第j列元素，j∈{1，2，…,n}； 步骤6.2：将Dt中最小的k个元素所在的列记录为列标号集合Φzt后，再根据列标号集合Φzt对应的将参考增广矩阵Z＝[z1,z2,…,zn]中相同列的列向量组建成zt对应的近邻矩阵Zt∈R13d+1×k； 步骤6.3：初始化zt对应的近邻重构向量wt等于一个1×n维的零向量，再根据公式计算出近邻回归系数向量 步骤6.4：根据列标号集合Φzt中记录的k个列标号，设置近邻重构向量wt∈R1×n中相同列的k个元素依次对应等于中的k个元素后，再根据wt＝wtsumwt更新wt； 步骤7：利用即时近邻重构误差生成技术为zt生成得到相应的误差异常指标具体的实施过程如步骤7.1至步骤7.2所示； 步骤7.1：根据公式分别计算矩阵Lt和矩阵Gt后，再求解广义特征值问题Gt＝λtLtpt中最大特征值λt对应的特征向量pt； 步骤7.2：根据公式更新特征向量pt后，再根据计算出zt对应的误差异常指标 步骤8：判断是否大于若否，则一段炉正常运行，返回步骤5继续利用最新采样时刻的样本数据实施异常检测；若是，则执行步骤9从而决策是否触发异常警报； 步骤9：返回步骤5继续利用最新采样时刻的样本数据实施异常检测，若连续A个采样时刻的误差异常指标都大于则触发异常警报；反之，则一段炉正常运行；其中，A等于触发异常警报要求的最短时间除以采样间隔时间的商。

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宁波大学科学技术学院，其通讯地址为：315302 浙江省宁波市慈溪市白沙路街道文蔚路521号宁波大学科学技术学院；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。