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！

龙图腾网获悉山东科技大学申请的专利数据知识联合驱动的动态工业过程早期故障分离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：CN121561741B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202610076480.2，技术领域涉及：G06F18/2433；该发明授权数据知识联合驱动的动态工业过程早期故障分离方法是由纪洪泉;邵滢璇设计研发完成，并于2026-01-21向国家知识产权局提交的专利申请。

本数据知识联合驱动的动态工业过程早期故障分离方法在说明书摘要公布了：本发明公开数据知识联合驱动的动态工业过程早期故障分离方法，属于工业自动化与人工智能交叉技术领域，用于工业过程故障分离，包括采集正常工况下的测量数据并进行标准化，计算典型变量残差，采用滑动窗口得到统计量，并确定检测指标的控制限；采集异常工况下的测量数据并进行标准化和平滑处理，利用奇异值分解获取故障方向；采集实时工况下的测量数据作为测试数据并标准化；计算测试数据的典型变量残差进行故障检测；基于优化准则计算故障样本在不同故障方向下的重构贡献值确定实际故障方向，实现故障分离。本发明通过充分利用故障方向信息，更加准确地描述故障，提升早期故障分离方法的性能，同时实现了对传感器故障和过程故障的准确分离。

本发明授权数据知识联合驱动的动态工业过程早期故障分离方法在权利要求书中公布了：1.数据知识联合驱动的动态工业过程早期故障分离方法，其特征在于，包括： S1、采集工业过程正常工况下的传感器测量数据为训练数据集，对训练数据集进行标准化处理，得到标准化处理后的测量样本； S2、给定时滞数，结合测量样本构建汉克尔矩阵，基于汉克尔矩阵计算测量样本的典型变量残差，设置滑动窗口宽度计算典型变量残差的统计量，构成统计量数据矩阵，基于统计量数据矩阵计算马氏距离检测指标的控制限； S3、采集工业过程异常工况下的传感器测量数据作为故障数据集并进行标准化处理，得到故障数据样本，利用平滑处理后的故障数据样本构成数据矩阵，采用奇异值分解方法得到数据矩阵奇异向量构成的矩阵，并计算故障数据集典型变量残差的统计量的马氏距离检测指标，确定故障方向的维数； S4、收集工业过程实时工况下的传感器测量数据作为测试数据集并进行标准化处理； S5、基于时滞数、典型变量投影矩阵和对角矩阵计算测试数据集的典型变量残差和测试数据集典型变量残差的统计量向量，基于零均值化后的统计量数据矩阵计算测试数据集的马氏距离检测指标，基于测试数据集的马氏距离检测指标判断故障发生； S6、将由步骤S3得到的所有故障方向构成故障方向集，若步骤S5检测到故障发生，计算测试数据集典型变量残差的重构贡献值，基于重构贡献值计算实际故障方向； S2包括，S2.1、给定过去时滞数和未来时滞数，设为训练数据集的采样时刻，，根据时刻样本构造对应的过去投影向量和未来投影向量： ； ； 将和按列排列，构成过去汉克尔矩阵和未来汉克尔矩阵： ； ； ； 式中，为汉克尔矩阵中包含的向量个数； S2包括，S2.2、计算的协方差矩阵，计算的协方差矩阵，计算和的协方差矩阵，基于、和计算白化后的互协方差矩阵： ； 对矩阵进行奇异值分解： ； 式中，和为由的奇异向量组成的矩阵，为左奇异向量矩阵，为右奇异向量矩阵，为由的奇异值组成的对角矩阵； 计算未来典型变量投影矩阵和过去典型变量投影矩阵： ； ； 计算对应的典型变量残差： ； 式中，为维的列向量，，为典型变量残差的个数，为的前r行，为的前r行，为由前r行r列构成的对角矩阵； S2包括，S2.3、设滑动窗口宽度为，计算每个滑动窗口中的均值向量，构成均值统计量，，为中第个变量的均值；将按行排列，构成统计量数据矩阵，有行列，；计算的均值，，根据零均值化后的计算对应的协方差矩阵，根据核密度估计方法计算的马氏距离检测指标的控制限； S3包括，S3.1、采集工业过程异常工况下的传感器测量数据作为故障数据集，包括设测量变量发生故障，传感器测量的数据为故障数据集，对应的故障方向为，测量变量为工业过程中通过传感器监测，表征工业过程运行状态的工艺参数；利用的均值和标准差对故障数据集进行标准化处理，标准化处理后的故障数据集时刻的故障数据样本为，为故障数据集样本的时间索引； S3包括，S3.2、采用滑动窗口技术对标准化后故障数据集进行平滑处理，平滑处理包括计算滑动窗口中故障数据的均值，用滑动窗口中故障数据的均值代替滑动窗口中的故障数据；将平滑处理后时刻的故障数据样本记作，将每个滑动窗口的按列排列，构成经过标准化和平滑处理后的故障数据矩阵，对进行奇异值分解： ； 式中，和为由的奇异向量构成的矩阵，为由的奇异值构成的对角矩阵，将中包含的非零奇异值按照由大到小的顺序排列，选择； S3包括，S3.3、从的第一列开始，选择的第一列为故障方向，然后沿着故障方向对进行重构： ； 式中，为沿着故障方向重构后的时刻故障样本，为矩阵的第一列，为待估计的故障幅值向量； 计算典型变量残差的统计量的马氏距离检测指标，并与进行比较，若，；若，选择的下一列为故障方向，直到，矩阵的前列都被选为故障方向，，为的前列，为故障方向的维数； S5包括，S5.1、根据步骤S2，基于和计算的过去投影向量和的未来投影向量，基于、和计算的典型变量残差，基于计算的统计量向量，将减去，得到零均值化后的统计量向量； S5包括，S5.2、基于，计算的马氏距离检测指标： ； 若，说明检测到故障发生； S6包括，S6.1、利用步骤S3获得的所有的故障方向，构成测量变量发生故障时的故障方向集，为测量变量发生故障时的故障方向的索引，，为故障方向的数量，与变量数量相等，为第个测量变量发生故障时的故障方向，若在步骤S5中检测到故障发生，计算沿着的重构贡献值： ； ； 式中，为第个测量变量发生故障时典型变量残差的统计量空间的故障方向，为和按列排列得到的矩阵，，为由个按行堆叠成的方向矩阵，； S6包括，S6.2、基于确定实际故障方向： ； ； 式中，为找出使取得最大值的的值，为使取得最大值的的值，为索引为的故障方向。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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。