【技术实现步骤摘要】
本专利技术属于工业过程监控领域，具体涉及一种基于零遗忘持续字典学习的多工况过程监测方法和系统。
技术介绍
1、随着现代工业规模的不断扩大，生产过程变得愈发复杂，各子系统之间存在高度耦合。在高度复杂的系统中，任何一个环节的故障都可能影响到整个系统的运行，进而产生严重的生产事故。过程监测技术能够实时获取工业过程当前状态，确保工业过程安全稳定地运行。然而，随着工业系统的复杂化发展，其精准的物理模型和知识模型难以获取，许多基于模型和知识的方法难以适用。基于数据驱动的方法不依赖于第一性原理和过程知识，而是基于海量过程数据进行建模以实现工业过程的精准监测。随着近年来工业互联网和智能传感器的高速发展，过程数据的收集变得愈发方便，基于数据驱动的方法逐渐成为过程监测的主流。
2、虽然数据驱动的监测方法取得了一定的成功，但其往往要求数据服从单一的分布特征，而随着生产原料、生产负荷等的变化，实际工业过程往往运行在多种不同的工况下。不同工况的数据分布存在较大差异，使得传统的数据驱动方法难以适应复杂的多工况过程监测。近年来，为了解决多工况过程监测问题...
【技术保护点】
1.一种基于零遗忘持续字典学习的多工况过程监测方法，其特征在于，包括：
2.根据权利要求1所述的基于零遗忘持续字典学习的多工况过程监测方法，其特征在于，所述将得到的初始字典分解为初始工况的低秩矩阵和权重选择器，采用SVD方法对初始字典进行分解，并选择前个最大的奇异值构建对角矩阵并记为初始工况的权重选择器，对应的左右奇异向量和分别作为初始工况的低秩矩阵。
3.根据权利要求1所述的基于零遗忘持续字典学习的多工况过程监测方法，其特征在于，利用工况的低秩矩阵和权重选择器计算各训练样本的重构误差，进而计算该工况的控制限，具体为：
4.根据权利...
【技术特征摘要】
1.一种基于零遗忘持续字典学习的多工况过程监测方法，其特征在于，包括：
2.根据权利要求1所述的基于零遗忘持续字典学习的多工况过程监测方法，其特征在于，所述将得到的初始字典分解为初始工况的低秩矩阵和权重选择器，采用svd方法对初始字典进行分解，并选择前个最大的奇异值构建对角矩阵并记为初始工况的权重选择器，对应的左右奇异向量和分别作为初始工况的低秩矩阵。
3.根据权利要求1所述的基于零遗忘持续字典学习的多工况过程监测方法，其特征在于，利用工况的低秩矩阵和权重选择器计算各训练样本的重构误差，进而计算该工况的控制限，具体为：
4.根据权利要求1所述的基于零遗忘持续字典学习的多工况过程监测方法，其特征在于，所述利用新工况的数据集，对已学习旧工况所得到的低秩矩阵进行增量更新，具体为：
5.根据权利要求...
【专利技术属性】
技术研发人员：黄科科，奉伟毅，阳春华，周灿，吴德浩，孙备，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。