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！

龙图腾网获悉中国石油大学(华东)申请的专利基于多维度因果关联指标的化工过程异常类型识别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：CN121561740B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202610076476.6，技术领域涉及：G06F18/2433；该发明授权基于多维度因果关联指标的化工过程异常类型识别方法是由邓晓刚;吴美聪;王平;曹玉苹设计研发完成，并于2026-01-21向国家知识产权局提交的专利申请。

本基于多维度因果关联指标的化工过程异常类型识别方法在说明书摘要公布了：本发明公开了一种基于多维度因果关联指标的化工过程异常类型识别方法，属于化工过程监测与故障诊断技术领域。该方法首先进行离线建模：采集正常工况数据，利用趋势慢特征分析算法构建监控模型并确定统计量控制限。在线应用时，实时数据经模型计算统计量，超限则报警并触发类型识别流程。通过分析质量变量是否偏离，并进一步对引发异常的根源变量，从其在流程中的位置CPI、在因果网络中的属性CAI及其影响传播能力CPD四个维度进行综合分析，构建多维度因果关联指标MCAI。本发明解决了传统异常检测方法无法区分过程故障与新工况的难题，能有效避免误报，为精准维护提供决策依据。

本发明授权基于多维度因果关联指标的化工过程异常类型识别方法在权利要求书中公布了：1.基于多维度因果关联指标的化工过程异常类型识别方法，应用于包含连续搅拌反应釜的化工生产过程，其特征在于，该方法包括离线建模和在线识别两个阶段；其中， 离线建模阶段，包括以下步骤； 步骤1，正常工况数据采集； 采集化工过程中包含个样本个变量的正常训练数据集，其中，对正常训练数据集进行预处理，获取预处理后的训练数据集； 步骤2，异常检测模型构建； 在线异常类型识别阶段，包括以下步骤； 步骤2.1，利用趋势慢特征分析算法计算线性变换矩阵；通过公式2将训练数据集中的每个样本进行趋势慢特征分析，得到趋势慢特征矩阵； 2； 其中，表示线性变换矩阵，表示线性变换矩阵中的第个向量；根据公式3进行广义特征值分解求解得到； 3； 其中，为第个趋势慢特征的特征值，表示提取趋势成分后平均一阶导数的协方差矩阵，矩阵表示的协方差矩阵；是线性变换矩阵中的第列； 步骤2.2，将趋势慢特征矩阵划分为主要趋势慢特征向量与次要趋势慢特征向量； 将第个样本的趋势慢特征向量记为，将趋势慢特征向量划分为主要趋势慢特征向量与次要趋势慢特征向量；其中，为前d个主要趋势慢特征向量，代表系统的核心信息；为剩余的m-d个次要趋势慢特征向量，d为主元个数，d的数值根据累积贡献率法确定； 步骤2.3，分别构建主监控统计量与次监控统计量； 使用以下公式45两个统计量指示系统的变化； 4； 5； 表示基于主要特征构建的主监控统计量，表示基于次要特征构建的次监控统计量，和分别表示主要趋势慢特征向量和次要趋势慢特征向量的转置；步骤2.4，采用核密度估计方法确定所述主监控统计量与所述次监控统计量的控制限 和； 步骤3，在线异常检测； 采集化工过程的在线数据，预处理后输入到异常检测模型，计算所述在线数据对应的监控统计量和，若所述监控统计量超过控制限，则判定出现异常； 步骤4，质量变量偏离标志计算； 当统计量超控制限报警时，采集窗口宽度为的在线关键质量变量数据，计算质量变量偏离度，进而构建多维度因果关联指标的第一维度即质量变量偏离标志； 步骤5，分离异常变量并确定异常变量因果位置； 采集时刻的在线数据，计算在线数据中每个变量的贡献，定位异常变量；根据过程机理关系，确定每个异常变量的因果位置； 步骤6，基于传递熵方法，确定异常变量因果属性、异常变量因果传播标志； 计算各个异常变量之间的标准相位传递熵，得到标准相位传递熵矩阵，从而确定每个异常变量的因果属性；利用标准相位传递熵矩阵计算每个异常变量的因果传播标志； 步骤7，多维度因果关联指标构建； 综合利用质量变量偏离标志、异常变量因果位置、异常变量因果属性以及异常变量因果传播标志，构建多维度因果关联指标。

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中国石油大学(华东)，其通讯地址为：266580 山东省青岛市黄岛区长江西路66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。