CN111722594A - 工业过程监测方法、装置、设备和可读存储介质 - Google Patents

工业过程监测方法、装置、设备和可读存储介质 Download PDF

Info

Publication number
CN111722594A
CN111722594A CN201910203636.9A CN201910203636A CN111722594A CN 111722594 A CN111722594 A CN 111722594A CN 201910203636 A CN201910203636 A CN 201910203636A CN 111722594 A CN111722594 A CN 111722594A
Authority
CN
China
Prior art keywords
dictionary
data
test data
training data
global
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910203636.9A
Other languages
English (en)
Other versions
CN111722594B (zh
Inventor
黄科科
武一鸣
阳春华
陈晓方
桂卫华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201910203636.9A priority Critical patent/CN111722594B/zh
Publication of CN111722594A publication Critical patent/CN111722594A/zh
Application granted granted Critical
Publication of CN111722594B publication Critical patent/CN111722594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31457—Factory remote control, monitoring through internet
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种工业过程监测方法、装置、设备和可读存储介质。该方法可以包括：根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。该方法能够更加准确的监测工业过程的运行状态，为工业过程的安全生产提供保障。

Description

工业过程监测方法、装置、设备和可读存储介质
技术领域
本发明涉及工业过程监测领域，特别是涉及一种工业过程监测方法、装置、设备和可读存储介质。
背景技术
随着社会的发展，现代工业过程逐渐向自动化和智能化的方向发展，以适应越来越高的生产力需求。与此同时，这些趋势也会导致工业系统规模变大、耦合性变得更高。在一个复杂的工业系统中任何一个微小的错误都会导致一系列严重后果，此外，由于原材料的变化、参数的设置以及市场的需求等因素导致在工业系统中频繁切换工况也是很常见的状况，而不同的工况模式，调节的策略也是不同的，错误的方式有可能会降低系统的性能，甚至导致重大经济损失。因此，对工业过程的工况识别和故障检测是十分必要的。
传统技术中，通过假设不同工况模态的工业过程数据完全不同，采用字典学习方法如LC-KSVD方法、Metaface的方法、有监督的字典学习方法、D-KSVD方法等，对包含不同模态工况数据的字典进行训练，根据训练出的字典利用多模态工业过程监测算法对工业过程的工况进行识别和故障检测。
但是，由于不同模态工况数据中存在相同的数据，使得传统的工况识别和故障检测方法存在训练出的字典原子冗余度高的问题，导致检测算法无法区分出工况的各模态。
发明内容
基于此，有必要针对传统的工况识别和故障检测方法存在训练出的字典原子冗余度高的问题，导致检测算法无法区分出工况的各模态，提供一种工业过程监测方法、装置、设备和可读存储介质。
第一方面，本发明实施例提供一种工业过程监测方法，所述方法包括：
根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典用于表示所述测试数据各模态的公共特征；
根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
在其中一个实施例中，所述根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类，包括：
将所述最小重构误差与所述控制限进行比较；
若所述最小重构误差大于所述控制限，将所述测试数据确定为故障数据；
若所述最小重构误差小于或等于所述控制限，将所述测试数据确定为正常数据。
在其中一个实施例中，所述方法还包括：
根据预设的模态判断条件、所述测试数据的正常数据和所述正常数据的重构数据，确定所述正常数据对应的数据模态类别。
在其中一个实施例中，所述模态判断条件包括
Figure BDA0001998263070000021
式中，l为所述正常数据对应的数据模态类别，xnew表示所述测试数据的正常数据，
Figure BDA0001998263070000022
表示所述正常数据在第i种模态下的重构数据。
在其中一个实施例中，所述方法还包括：
根据训练数据集的全局字典与稀疏编码，建立第一目标函数；
采用交替优化策略对所述第一目标函数进行求解，获取所述全局字典；
根据所述全局字典获取所述控制限。
在其中一个实施例中，所述根据训练数据集的全局字典与稀疏编码，建立第一目标函数包括：
根据所述训练数据集、所述训练数据集的全局字典与稀疏编码，构建第二目标函数；所述训练数据集的全局字典包括所述训练数据集的特色字典和公共字典；
根据所述训练数据集中各模态的训练数据对应的特色字典矩阵与稀疏编码、所述训练数据集的公共字典矩阵与稀疏编码，表示所述各模态的训练数据；
根据所述各模态的训练数据和所述第二目标函数，构建所述第一目标函数。
在其中一个实施例中，所述第二目标函数包括：
Figure BDA0001998263070000023
式中，Xi表示所述训练数据集X中各模态的训练数据，Wi表示Xi使用全局字典D重构的稀疏编码，λ为大于0的参数，w表示稀疏编码Wi的列向量。
在其中一个实施例中，所述各模态的训练数据包括：
Figure BDA0001998263070000024
式中，Di表示所述各模态的训练数据Xi对应的特色字典矩阵，Wi i表示各所述特色字典矩阵Di对应的稀疏编码，DC表示所述训练数据集X的公共字典矩阵，
Figure BDA0001998263070000025
表示所述公共字典矩阵DC对应的稀疏编码。
在其中一个实施例中，所述第一目标函数包括：
Figure BDA0001998263070000031
式中，W-{i,C}表示所述稀疏编码Wi中除对应的第i个特色字典和公共字典剩余的稀疏编码。
在其中一个实施例中，所述根据所述全局字典获取所述控制限包括：
获取所述训练数据集中各训练数据的重构误差；
根据各所述重构误差，利用核密度估计法，获取所述控制限。
在其中一个实施例中，所述获取所述训练数据集中各训练数据的重构误差包括：
获取各所述训练数据在所述训练数据集的全局字典下的稀疏编码；
根据各所述训练数据在所述训练数据集的全局字典下的稀疏编码和所述训练数据的全局字典矩阵，获取各所述训练数据的重构误差。
第二方面，本发明实施例提供一种工业过程监测装置，所述装置包括：
第一获取模块，用于根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典矩阵用于表示所述测试数据各模态的公共特征；
第二获取模块，用于根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
第三获取模块，用于根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
分类模块，用于根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典用于表示所述测试数据各模态的公共特征；
根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
第四方面，本发明实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典用于表示所述测试数据各模态的公共特征；
根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
上述实施例提供的工业过程监测方法、装置、计算机设备和可读存储介质中，计算机设备根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典用于表示所述测试数据各模态的公共特征；根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。在该方法中，预先训练的全局字典包括用于表示测试数据各模态之间的区别特征的特色字典和用于表示测试数据各模态的公共特征的公共字典，由于公共字典可以将测试数据各模态的公共特征提取出来，解决了传统技术中假设测试数据各模态之间完全不同训练出的字典存在原子冗余度高的问题；另外，由于测试数据的稀疏编码是根据全局字典的特色字典和公共字典获取的，而公共字典包括了测试数据各模态的公共特征，避免了重复获取测试数据中公共特征数据的稀疏编码，而且，特色字典包括了测试数据的各个模态之间的区别特征，根据特色字典又可以识别测试数据的各个模态，这样提高了根据全局字典获取的测试数据的稀疏编码的准确度，进一步地提高了根据稀疏编码和全局字典获取测试数据各模态的重构数据的准确度，进而提高了根据测试数据和各重构数据获取的最小重构误差的准确度，因此，根据获取的最小重构误差和全局字典对应的控制限对测试数据进行分类，能够更加准确的监测工业过程的运行状态，为工业过程的安全生产提供保障。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的工业过程监测方法的流程示意图；
图3为另一个实施例提供的工业过程监测方法的流程示意图；
图4为另一个实施例提供的工业过程监测方法的流程示意图；
图5为另一个实施例提供的工业过程监测方法的流程示意图；
图6为另一个实施例提供的工业过程监测方法的流程示意图；
图7为另一个实施例提供的工业过程监测方法的流程示意图；
图8为一个实施例提供的工业过程监测方法的总结构示意图；
图9为一个实施例提供的工业过程监测装置结构示意图；
图10为另一个实施例提供的工业过程监测装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本发明实施例提供的工业过程监测方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是PC，还可以是个人数字助理，还可以是其他的终端设备，例如PAD、手机等等，还可以是云端或者远程服务器，本发明实施例对计算机设备的具体形式并不做限定。
传统的工况识别和故障检测方法存在训练出的字典原子冗余度高的问题，导致检测算法无法区分出工况的各模态。为此，本发明实施例提供一种工业过程监测方法、装置、设备和可读存储介质，旨在解决传统技术的如上技术问题。
需要说明的是，本申请实施例提供的工业过程监测方法，其执行主体可以是工业过程监测装置，该工业过程监测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的工业过程监测方法的流程示意图。本实施例涉及的是计算机设备对工业过程数据进行工况分类的具体实现过程。如图2所示，该方法可以包括：
S201，根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典用于表示所述测试数据各模态的公共特征。
具体的，计算机设备可以根据测试数据xnew和预先训练的全局字典D，获取测试数据的稀疏编码wnew。其中，预先训练的全局字典D包括用于表示测试数据各模态之间的区别特征的特色字典和用于表述测试数据各模态的公共特征的公共字典。可选的，计算机设备可以根据公式
Figure BDA0001998263070000061
s.t.||w||0≤T1，获取测试数据xnew的稀疏编码wnew，式中，w表示稀疏编码Wi的列向量，T1表示稀疏限制参数。
S202，根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据。
具体的，计算机设备可以根据测试数据xnew的稀疏编码wnew，全局字典D的特色字典Di和公共字典DC，获取测试数据xnew各模态的重构数据。可选的，计算机设备可以根据公式
Figure BDA0001998263070000062
获取测试数据xnew在第i种模态下的重构数据
Figure BDA0001998263070000063
式中，
Figure BDA0001998263070000064
表示特色字典Di对应的稀疏编码，
Figure BDA0001998263070000065
表示公共字典DC对应的稀疏编码，也即
Figure BDA0001998263070000066
S203，根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差。
具体的，计算机设备可以根据测试数据xnew和测试数据xnew在第i种模态下的重构数据
Figure BDA0001998263070000067
获取测试数据xnew的最小重构误差SREnew。可选的，计算机设备可以根据最小重构误差计算公式
Figure BDA0001998263070000068
获取测试数据xnew的最小重构误差SREnew。
S204，根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
具体的，计算机设备可以根据最小重构误差SREnew与全局字典D对应的控制限Rtr，对测试数据xnew进行分类。可选的，计算机设备可以根据最小重构误差SREnew与控制限Rtr差值的正负，对测试数据xnew进行分类，若差值为正，则确定测试数据xnew为故障数据，若差值为负，则确定测试数据xnew为正常数据。
在本实施例中，预先训练的全局字典包括用于表示测试数据各模态之间的区别特征的特色字典和用于表示测试数据各模态的公共特征的公共字典，由于公共字典可以将测试数据各模态的公共特征提取出来，解决了传统技术中假设测试数据各模态之间完全不同训练出的字典存在原子冗余度高的问题；另外，由于测试数据的稀疏编码是根据全局字典的特色字典和公共字典获取的，而公共字典包括了测试数据各模态的公共特征，避免了重复获取测试数据中公共特征数据的稀疏编码，而且，特色字典包括了测试数据的各个模态之间的区别特征，根据特色字典又可以识别测试数据的各个模态，这样提高了根据全局字典获取的测试数据的稀疏编码的准确度，进一步地提高了根据稀疏编码和全局字典获取测试数据各模态的重构数据的准确度，进而提高了根据测试数据和各重构数据获取的最小重构误差的准确度，因此，根据获取的最小重构误差和全局字典对应的控制限对测试数据进行分类，能够更加准确的监测工业过程的运行状态，为工业过程的安全生产提供保障。
图3为另一个实施例提供的工业过程监测方法的流程示意图。本实施例涉及的是计算机设备根据最小重构误差与全局字典对应的控制限对工业过程的测试数据进行工况分类的具体实现过程。如图3所示，在上述实施例的基础上，可选的，上述S204可以包括：
S301，将所述最小重构误差与所述控制限进行比较，若所述最小重构误差大于所述控制限，则执行步骤302；若所述最小重构误差小于或等于所述控制限，则执行步骤303。
具体的，计算机设备获取到测试数据的最小重构误差SREnew和全局字典对应的控制限Rtr后，将最小重构误差SREnew与控制限Rtr进行比较。可选的，计算机设备可以通过获取最小重构误差SREnew与控制限Rtr的比值，将最小重构误差SREnew与控制限Rtr进行比较。例如，若最小重构误差SREnew与控制限Rtr的比值大于1，则表示最小重构误差SREnew大于控制限Rtr；若最小重构误差SREnew与控制限Rtr的比值小于或等于1，则表示最小重构误差SREnew小于或等于控制限Rtr。
S302，将所述测试数据确定为故障数据。
具体的，若计算机设备获取到最小重构误差SREnew大于控制限Rtr，则将该测试数据确定为故障数据。例如，计算机设备获取到的控制限Rtr＝0.5，获取到的最小重构误差SREnew＝0.9，最小重构误差SREnew大于控制限Rtr，计算机设备则将该测试数据确定为故障数据。
S303，将所述测试数据确定为正常数据。
具体的，若计算机设备获取到最小重构误差SREnew小于或等于控制限Rtr，则将该测试数据确定为正常数据。例如，计算机设备获取到的控制限Rtr＝0.5，获取到的最小重构误差SREnew＝0.3，最小重构误差SREnew小于控制限Rtr，计算机设备则将该测试数据确定为正常数据。
在本实施例中，将最小重构误差与控制限进行比较的过程十分简单，根据最小重构误差与控制限的比较结果能够快速的对测试数据进行分类，能够更加准确的监测工业过程，准确快速的对工业过程中的测试数据进行监测分类，为工业过程的安全生产提供了保障。
在上述对工业过程中的测试数据进行分类后，还需要对测试数据中的正常数据对应的数据模态类别进行确定。本实施例涉及的是确定测试数据中的正常数据对应的数据模态类别的具体实现过程。在上述实施例的基础上，作为一种可选的实施方式，所述方法还包括：根据预设的模态判断条件、所述测试数据的正常数据和所述正常数据的重构数据，确定所述正常数据对应的数据模态类别。
具体的，计算机设备可以根据预设的模态判断条件、测试数据的正常数据和正常数据的重构数据，确定正常数据对应的数据模态类别。可选的，预设的模态判断条件包括
Figure BDA0001998263070000081
式中，l为所述正常数据对应的数据模态类别，xnew表示测试数据的正常数据，
Figure BDA0001998263070000082
表示正常数据在第i种模态下的重构数据，上述模态判断条件的含义是确定一个正常数据的重构数据
Figure BDA0001998263070000083
使得
Figure BDA0001998263070000084
的值最小，将该重构数据对应的模态i确定为该正常数据的数据模态。
在本实施例中，根据预设的模态判断条件、测试数据的正常数据和正常数据的重构数据，就可以确定正常数据对应的数据模态类别，该确定过程十分简单，能够准确迅速的确定正常数据对应的数据模态类别，提高了对工业过程监测的准确度，为工业过程的安全生产提供了保障。
在上述根据测试数据和预先训练的全局字典，获取测试数据的稀疏编码以及根据最小重构误差和预先训练的全局字典对应的控制限，对测试数据进行分类的场景中，需要获取预先训练的全局字典和全局字典对应的控制限。图4为另一个实施例提供的工业过程监测方法的流程示意图。本实施例涉及的是获取预先训练的全局字典和全局字典对应的控制限的具体实现过程。如图4所示，在上述实施例的基础上，作为一种可选的实施方式，所述方法还包括：
S401，根据训练数据集的全局字典与稀疏编码，建立第一目标函数。
具体的，计算机设备可以根据训练数据集X中各训练数据Xi的全局字典D与稀疏编码Wi，建立第一目标函数。可选的，计算机设备可以根据全局字典D与稀疏编码Wi，将各训练数据Xi表示为Xi＝DWi，通过将上式转化为一个无约束的优化问题，来建立第一目标函数。其中，Xi＝DWi表示的含义为利用包含k个原子di(i＝1,2,...k)的字典矩阵D，稀疏线性表示各训练数据Xi。
S402，采用交替优化策略对所述第一目标函数进行求解，获取所述全局字典。
具体的，计算机设备建立第一目标函数后，可以采用交替优化策略对第一目标函数进行求解，获取全局字典。其中，交替优化策略的思路是利用迭代最小化方法来交替地更新变量，也就是交替的更新全局字典D与稀疏编码Wi，在更新稀疏编码Wi阶段，固定全局字典D，在更新全局字典D阶段，固定系数编码Wi。下边以两种模态的工业过程数据为例对交替优化策略的思路进行说明，例如，构建的第一目标函数为
Figure BDA0001998263070000091
式中，Xi表示训练数据集X中各训练数据，Wi表示Xi使用全局字典D重构的稀疏编码，Di表示各训练数据Xi对应的特色字典矩阵，Wi i表示各特色字典矩阵Di对应的稀疏编码，D3表示各训练数据Xi的公共字典矩阵，W3 i表示公共字典矩阵D3对应的稀疏编码，λ为大于0的参数，w表示稀疏编码Wi的列向量，W-{i,3}表示稀疏编码Wi中除对应的第i个特色字典和公共字典剩余的稀疏编码。为了便于求解，引入单位向量ei＝[0,...,0,1,0,...,0]T∈RK作为选择算子，由此可以通过公式di＝Dei选择出全局字典D的第i个原子di，类似地，可以通过公式
Figure BDA0001998263070000098
选择出Wi的第i行。因此，将上述目标函数改写为如下的形式：
Figure BDA0001998263070000092
式中，
Figure BDA0001998263070000097
Figure BDA0001998263070000093
并且定义K0＝0。E-{i,i+1}是单位矩阵除了Ei和Ei+1的部分。
更新稀疏编码阶段，固定全局字典D，可直接优化以下函数：
Figure BDA0001998263070000094
上述问题是一个典型的LASSO问题，可采用正交匹配追踪(Orthogonal MatchingPursuit,OMP)算法进行求解。
更新全局字典阶段，固定稀疏编码Wi，全局字典D包括特色字典矩阵D1,D2和公共字典矩阵D3，分别更新每个子字典，更新其中一个字典时另外的字典固定，可得到更新特色字典矩阵D1的目标函数如下：
Figure BDA0001998263070000095
采用相同的更新方法，可得到更新特色字典矩阵D2的目标函数如下：
Figure BDA0001998263070000096
接下来，更新公共字典矩阵D3，可以得到
Figure BDA0001998263070000101
上述三个函数的求解可以使用按列更新策略进行求解，由于上述三个函数都是凸函数，可以采用迭代的计算步骤得到最终的求解目标，该计算方法的描述如下：输入多模态过程训练数据X＝[X1,X2]以及特色字典和公共字典的大小；初始化全局字典D(0)＝[D1(0),D2(0),D3(0)]；当
Figure BDA0001998263070000102
或者k≤迭代值时，1)根据上述优化函数
Figure BDA0001998263070000103
固定D(k)和W2(k)，获得W1(k+1)；2)根据优化函数
Figure BDA0001998263070000104
固定D(k)和W1(k+1)，获得W2(k+1)；3)根据公式
Figure BDA0001998263070000105
固定W1(k+1),W2(k+1),D2(k)以及D3(k)，获得D1(k+1)；4)根据公式
Figure BDA0001998263070000106
固定W1(k+1),W2(k+1),D1(k+1)以及D3(k)，获得D2(k+1)；5)根据公式
Figure BDA0001998263070000107
固定W1(k+1),W2(k+1),D1(k+1)以及D2(k+1)，获得D3(k+1)；6)将k+1赋值给k；循环结束，输出全局字典D＝[D1,D2,D3]。
S403，根据所述全局字典获取所述控制限。
具体的，计算机设备获取到全局字典D后，根据获取的全局字典D获取控制限Rtr。可选的，计算机设备可以根据获取的全局字典，获取训练数据集X中训练数据xj的重构误差，根据获取的重构误差，获取控制限Rtr。
在本实施例中，计算机设备根据训练数据集的全局字典与稀疏编码，建立第一目标函数，采用交替优化策略对第一目标函数进行求解，获取全局字典，根据全局字典获取控制限，由于获取的全局字典包括用于表示训练数据各模态之间的区别特征的特色字典和用于表示训练数据各模态的公共特征的公共字典，公共字典可以将测试数据各模态的公共特征提取出来，解决了传统技术中假设测试数据各模态之间完全不同训练出的字典存在原子冗余度高的问题。
图5为另一个实施例提供的工业过程监测方法的流程示意图。本实施例涉及的是建立第一目标函数的具体实现过程。如图5所示，在上述实施例的基础上，可选的，上述S401可以包括：
S501，根据所述训练数据集、所述训练数据集的全局字典与稀疏编码，构建第二目标函数；所述训练数据集的全局字典包括所述训练数据集的特色字典和公共字典。
具体的，计算机设备根据训练数据集X、训练数据集X的全局字典D与各模态的训练数据Xi使用全局字典D重构的稀疏编码Wi，构建第二目标函数。其中，训练数据集的全局字典包括训练数据集的特色字典和公共字典。可选的，第二目标函数包括
Figure BDA0001998263070000111
式中，Xi表示所述训练数据集X中各模态的训练数据，Wi表示Xi使用全局字典D重构的稀疏编码，λ为大于0的参数，w表示稀疏编码Wi的列向量。
S502，根据所述训练数据集中各模态的训练数据对应的特色字典矩阵与稀疏编码、所述训练数据集的公共字典矩阵与稀疏编码，表示所述各模态的训练数据。
具体的，计算机设备根据训练数据集X中各模态的训练数据Xi、各模态训练数据Xi对应的特色字典矩阵Di与稀疏编码Wi i，训练数据集X的公共字典矩阵DC与系数编码
Figure BDA0001998263070000112
得到各模态的数据Xi。可选的，各模态的训练数据包括
Figure BDA0001998263070000113
S503，根据所述各模态的训练数据和所述第二目标函数，构建所述第一目标函数。
具体的，计算机设备获取到各重模态的数据Xi后，根据各种模态的数据Xi和获取到的第二目标函数，构建第一目标函数。可选的，计算机设备可以根据各模态的训练数据Xi的表达式
Figure BDA0001998263070000114
将第二目标函数的表达式改下为如下形式
Figure BDA0001998263070000115
根据该式构建第一目标函数。可选的，第一目标函数包括
Figure BDA0001998263070000116
Figure BDA0001998263070000117
式中，W-{i,C}表示所述稀疏编码Wi中除对应的第i个特色字典和公共字典剩余的稀疏编码。
在本实施例中，计算机设备首先根据训练数据集、训练数据集的全局字典与稀疏编码，构建第二目标函数；根据训练数据集中各模态的训练数据对应的特色字典矩阵与稀疏编码、训练数据集的公共字典矩阵与稀疏编码，表示各模态的训练数据；之后，根据得到的各模态的训练数据和第二目标函数，构建第一目标函数，该构建过程的步骤十分明确，表示各模态的训练数据的过程也十分简单，进而提高了构建第一目标函数的效率；另外，构建的第二目标函数是根据训练数据集、训练数据集的全局字典与稀疏编码获取的，提高了构建的第二目标函数的准确度，进而提高了构建的第一目标函数的准确度。
图6为另一个实施例提供的工业过程监测方法的流程示意图。本实施例涉及的是建立第一目标函数的具体实现过程。如图5所示，在上述实施例的基础上，可选的，上述S403可以包括：
S601，获取所述训练数据集中各训练数据的重构误差。
具体的，计算机设备首先根据全局字典D获取训练数据集X中各模态的训练数据Xi的重构误差Ri。可选的，计算机设备可以获取各模态的训练数据Xi在训练数据集X的全局字典D下的稀疏编码Wi i，根据各模态的训练数据Xi在训练数据集X的全局字典下的稀疏编码Wi i和训练数据的全局字典矩阵，获取各训练数据的重构误差Ri，也就是计算机设备可以根据公式
Figure BDA0001998263070000121
获取各模态的训练数据的重构误差Ri，式中Xi表示训练数据集X中各模态的训练数据，Di表示各模态的训练数据Xi对应的特色字典矩阵，Wi表示各模态的训练数据Xi的特色字典矩阵Di对应的稀疏编码，DC表示训练数据集X的公共字典矩阵，WC表示训练数据集X的公共字典矩阵DC对应的稀疏编码。
S602，根据各所述重构误差，利用核密度估计法，获取所述控制限。
具体的，计算机设备获取到各训练数据的重构误差Ri后，根据各重构误差，利用核密度估计法，获取控制限Rtr。需要说明的是，这里的核密度估计法只需要一个单变量核估计量，该单变量核估计量的定义为
Figure BDA0001998263070000122
式中，m是训练数据的数量，f(R)是概率密度函数，h是带宽，K(x)是核函数，核函数K(x)满足以下条件：K(x)≥0,∫RPK(x)dx＝1，且该核函数K(x)为高斯核函数。
在本实施例中，计算机设备首先获取训练数据集中各训练数据的重构误差，根据各重构误差利用核密度估计法，获取控制限，进而实现工业过程的运行状态的监测。
图7为另一个实施例提供的工业过程监测方法的流程示意图。为了便于本领域技术人员的理解，以下将结合图7对本发明提供的信息监控方法进行详细介绍，如图7所示，该方法可以包括：
S701，根据训练数据集、所述训练数据集的全局字典与稀疏编码，构建第二目标函数；所述训练数据集的全局字典包括所述训练数据集的特色字典和公共字典；
S702，根据所述训练数据集中各模态的训练数据对应的特色字典矩阵与稀疏编码、所述训练数据集的公共字典矩阵与稀疏编码，表示所述各模态的训练数据；
S703，根据所述各种模态的数据和所述第二目标函数，构建第一目标函数；
S704，采用交替优化策略对所述第一目标函数进行求解，获取所述全局字典；
S705，获取各所述训练数据在所述训练数据集的全局字典下的稀疏编码；
S706，根据各所述训练数据在所述训练数据集的全局字典下的稀疏编码和所述训练数据的全局字典矩阵，获取各所述训练数据的重构误差；
S707，根据各所述重构误差，利用核密度估计法，获取所述全局字典对应的控制限；
S708，根据所述最小重构误差与所述控制限，对所述测试数据进行分类；
S709，根据预设的模态判断条件、所述测试数据的正常数据和所述正常数据的重构数据，确定所述正常数据对应的数据模态类别。
需要说明的是，针对上述S701-S709中的描述可以参见上述实施例中相关的描述，且其效果类似，本实施例在此不再赘述。
图8为一个实施例提供的工业过程监测方法的总结构示意图。
如图8所示，本方案提供的工业过程监测方法为，首先根据多模态数据的训练数据集，构建包括用于表示测试数据各模态之间的区别特征的特色字典和用于表示测试数据各模态的公共特征的公共字典的全局字典，对构建的全局字典进行结构字典学习，对公共字典和特色字典进行字典融合，获取多模态数据的全局字典和与该全局字典对应的控制限，之后，根据测试数据和训练的全局字典，获取测试数据的稀疏编码，根据获取的稀疏编码和获取的全局字典，获取测试数据各模态的重构数据，根据测试数据和获取的各模态的重构数据，获取测试数据的最小重构误差，根据最小重构误差与全局字典对应的控制限，对测试数据进行分类；进一步地，对测试数据中的正常数据，根据预设的模态判断条件、测试数据的正常数据和正常数据的重构数据，确定正常数据对应的数据模态类别。
针对本实施例中的描述可以参见上述实施例中相关的描述，且其效果类似，本实施例在此不再赘述。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图9为一个实施例提供的工业过程监测装置结构示意图。如图9所示，该装置可以包括：第一获取模块10、第二获取模块11、第三获取模块12和分类模块13。
具体的，第一获取模块10，用于根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典矩阵用于表示所述测试数据各模态的公共特征；
第二获取模块11，用于根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
第三获取模块12，用于根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
分类模块13，用于根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
本实施例提供的工业过程监测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图10为另一个实施例提供的工业过程监测装置结构示意图。在上述实施例的基础上，可选的，上述分类模块13可以包括：比较单元131、第一确定单元132和第二确定单元133。
具体的，比较单元131，用于将所述最小重构误差与所述控制限进行比较；
第一确定单元132，用于若所述最小重构误差大于所述控制限，将所述测试数据确定为故障数据；
第二确定单元133，用于若所述最小重构误差小于或等于所述控制限，将所述测试数据确定为正常数据。
本实施例提供的工业过程监测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
请继续参见图10，在上述实施例的基础上，可选的，如图10所示，所述装置还包括：确定模块14。
具体的，确定模块14，用于根据预设的模态判断条件、所述测试数据的正常数据和所述正常数据的重构数据，确定所述正常数据对应的数据模态类别。
可选的，所述模态判断条件包括
Figure BDA0001998263070000151
式中，l为所述正常数据对应的数据模态类别，xnew表示所述测试数据的正常数据，
Figure BDA0001998263070000152
表示所述正常数据在第i种模态下的重构数据。
本实施例提供的工业过程监测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
请继续参见图10，在上述实施例的基础上，可选的，如图10所示，所述装置还包括：构建模块15、第四获取模块16和第五获取模块17。
具体的，构建模块15，用于根据训练数据集的全局字典与稀疏编码，建立第一目标函数；
第四获取模块16，用于采用交替优化策略对所述第一目标函数进行求解，获取所述全局字典；
第五获取模块17，用于根据所述全局字典获取所述控制限。
本实施例提供的工业过程监测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
请继续参见图10，在上述实施例的基础上，可选的，上述构建模块15可以包括：第一构建单元151、第一获取单元152和第二构建单元153。
具体的，第一构建单元151，用于根据所述训练数据集、所述训练数据集的全局字典与稀疏编码，构建第二目标函数；所述训练数据集的全局字典包括所述训练数据集的特色字典和公共字典；
第一获取单元152，用于根据所述训练数据集中各模态的训练数据对应的特色字典矩阵与稀疏编码、所述训练数据集的公共字典矩阵与稀疏编码，表示所述各模态的数据；
第二构建单元153，用于根据所述各模态的训练数据和所述第二目标函数，构建所述第一目标函数。
可选的，所述第二目标函数包括：
Figure BDA0001998263070000153
式中，Xi表示所述训练数据集X中各模态的训练数据，Wi表示Xi使用全局字典D重构的稀疏编码，λ为大于0的参数，w表示稀疏编码Wi的列向量。
可选的，所述各模态的训练数据包括：
Figure BDA0001998263070000154
式中，Di表示所述各训练数据Xi对应的特色字典矩阵，Wi i表示各所述特色字典矩阵Di对应的稀疏编码，DC表示所述训练数据集X的公共字典矩阵，
Figure BDA0001998263070000155
表示所述公共字典矩阵DC对应的稀疏编码。
可选的，所述第一目标函数包括：
Figure BDA0001998263070000161
式中，W-{i,C}表示所述稀疏编码Wi中除对应的第i个特色字典和公共字典剩余的稀疏编码。
本实施例提供的工业过程监测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
请继续参见图10，在上述实施例的基础上，可选的，上述第五获取模块17可以包括：第二获取单元171和第三获取单元172。
具体的，第二获取单元171，用于获取所述训练数据集中各训练数据的重构误差；
第三获取单元172，用于根据各所述重构误差，利用核密度估计法，获取所述控制限。
本实施例提供的工业过程监测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
可选的，上述第二获取单元171，具体用于获取各所述训练数据在所述训练数据集的全局字典下的稀疏编码；根据各所述训练数据在所述训练数据集的全局字典下的稀疏编码和所述训练数据的全局字典矩阵，获取各所述训练数据的重构误差。
本实施例提供的工业过程监测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于工业过程监测装置的具体限定可以参见上文中对于工业过程监测方法的限定，在此不再赘述。上述工业过程监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典用于表示所述测试数据各模态的公共特征；
根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典用于表示所述测试数据各模态的公共特征；
根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (14)

1.一种工业过程监测方法，其特征在于，所述方法包括：
根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典用于表示所述测试数据各模态的公共特征；
根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
2.根据权利要求1所述的方法，其特征在于，所述根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类，包括：
将所述最小重构误差与所述控制限进行比较；
若所述最小重构误差大于所述控制限，将所述测试数据确定为故障数据；
若所述最小重构误差小于或等于所述控制限，将所述测试数据确定为正常数据。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据预设的模态判断条件、所述测试数据的正常数据和所述正常数据的重构数据，确定所述正常数据对应的数据模态类别。
4.根据权利要求3所述的方法，其特征在于，所述模态判断条件包括
Figure FDA0001998263060000011
式中，l为所述正常数据对应的数据模态类别，xnew表示所述测试数据的正常数据，
Figure FDA0001998263060000012
表示所述正常数据在第i种模态下的重构数据。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
根据训练数据集的全局字典与稀疏编码，建立第一目标函数；
采用交替优化策略对所述第一目标函数进行求解，获取所述全局字典；
根据所述全局字典获取所述控制限。
6.根据权利要求5所述的方法，其特征在于，所述根据训练数据集的全局字典与稀疏编码，建立第一目标函数包括：
根据所述训练数据集、所述训练数据集的全局字典与稀疏编码，构建第二目标函数；所述训练数据集的全局字典包括所述训练数据集的特色字典和公共字典；
根据所述训练数据集中各模态的训练数据对应的特色字典矩阵与稀疏编码、所述训练数据集的公共字典矩阵与稀疏编码，表示所述各模态的训练数据；
根据所述各模态的训练数据和所述第二目标函数，构建所述第一目标函数。
7.根据权利要求6所述的方法，其特征在于，所述第二目标函数包括：
Figure FDA0001998263060000021
式中，Xi表示所述训练数据集X中各模态的训练数据，Wi表示Xi使用全局字典D重构的稀疏编码，λ为大于0的参数，w表示稀疏编码Wi的列向量。
8.根据权利要求7所述的方法，其特征在于，所述各模态的训练数据包括：
Figure FDA0001998263060000022
式中，Di表示所述各模态的训练数据Xi对应的特色字典矩阵，Wi i表示各所述特色字典矩阵Di对应的稀疏编码，DC表示所述训练数据集X的公共字典矩阵，
Figure FDA0001998263060000023
表示所述公共字典矩阵DC对应的稀疏编码。
9.根据权利要求8所述的方法，其特征在于，所述第一目标函数包括：
Figure FDA0001998263060000024
式中，W-{i,C}表示所述稀疏编码Wi中除对应的第i个特色字典和公共字典剩余的稀疏编码。
10.根据权利要求5所述的方法，其特征在于，所述根据所述全局字典获取所述控制限包括：
获取所述训练数据集中各训练数据的重构误差；
根据各所述重构误差，利用核密度估计法，获取所述控制限。
11.根据权利要求10所述的方法，其特征在于，所述获取所述训练数据集中各训练数据的重构误差包括：
获取各所述训练数据在所述训练数据集的全局字典下的稀疏编码；
根据各所述训练数据在所述训练数据集的全局字典下的稀疏编码和所述训练数据的全局字典矩阵，获取各所述训练数据的重构误差。
12.一种工业过程监测装置，其特征在于，所述装置包括：
第一获取模块，用于根据测试数据和预先训练的全局字典，获取所述测试数据的稀疏编码；所述全局字典包括特色字典和公共字典；所述特色字典用于表示所述测试数据各模态之间的区别特征，所述公共字典矩阵用于表示所述测试数据各模态的公共特征；
第二获取模块，用于根据所述稀疏编码、所述特色字典和所述公共字典，获取所述测试数据各模态的重构数据；
第三获取模块，用于根据所述测试数据和各所述重构数据，获取所述测试数据的最小重构误差；
分类模块，用于根据所述最小重构误差与所述全局字典对应的控制限，对所述测试数据进行分类。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-11中任一项所述方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-11中任一项所述方法的步骤。
CN201910203636.9A 2019-03-18 2019-03-18 工业过程监测方法、装置、设备和可读存储介质 Active CN111722594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910203636.9A CN111722594B (zh) 2019-03-18 2019-03-18 工业过程监测方法、装置、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910203636.9A CN111722594B (zh) 2019-03-18 2019-03-18 工业过程监测方法、装置、设备和可读存储介质

Publications (2)

Publication Number Publication Date
CN111722594A true CN111722594A (zh) 2020-09-29
CN111722594B CN111722594B (zh) 2022-03-11

Family

ID=72562272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910203636.9A Active CN111722594B (zh) 2019-03-18 2019-03-18 工业过程监测方法、装置、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN111722594B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115576293A (zh) * 2022-12-08 2023-01-06 台昌树脂(佛山)有限公司 基于数据监控的压敏胶在线生产分析方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100063611A1 (en) * 2008-09-11 2010-03-11 Honeywell International Inc. Systems and methods for real time classification and performance monitoring of batch processes
CN102505048A (zh) * 2011-11-01 2012-06-20 广西大学 甘蔗煮糖过程开放式智能监控综合实验平台
CN103886337A (zh) * 2014-04-10 2014-06-25 西安电子科技大学 基于多稀疏描述的最近邻子空间sar目标识别方法
CN104035431A (zh) * 2014-05-22 2014-09-10 清华大学 用于非线性过程监控的核函数参数的获取方法和系统
CN104182642A (zh) * 2014-08-28 2014-12-03 清华大学 一种基于稀疏表示的故障检测方法
CN105844223A (zh) * 2016-03-18 2016-08-10 常州大学 一种类别特色字典和共享字典学习的人脸表示算法
CN106709654A (zh) * 2016-12-28 2017-05-24 中南大学 一种加氢裂化流程全局运行状况评估与质量追溯方法
CN106933204A (zh) * 2015-10-09 2017-07-07 费希尔-罗斯蒙特系统公司 分布式工业性能监控和分析
CN108415260A (zh) * 2018-02-10 2018-08-17 深圳众厉电力科技有限公司 一种智能家居服务机器人
US20180284745A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment
CN108985177A (zh) * 2018-06-21 2018-12-11 南京师范大学 一种结合稀疏约束的快速低秩字典学习的人脸图像分类方法
CN109478057A (zh) * 2016-05-09 2019-03-15 强力物联网投资组合2016有限公司 用于工业物联网的方法和系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100063611A1 (en) * 2008-09-11 2010-03-11 Honeywell International Inc. Systems and methods for real time classification and performance monitoring of batch processes
CN102505048A (zh) * 2011-11-01 2012-06-20 广西大学 甘蔗煮糖过程开放式智能监控综合实验平台
CN103886337A (zh) * 2014-04-10 2014-06-25 西安电子科技大学 基于多稀疏描述的最近邻子空间sar目标识别方法
CN104035431A (zh) * 2014-05-22 2014-09-10 清华大学 用于非线性过程监控的核函数参数的获取方法和系统
CN104182642A (zh) * 2014-08-28 2014-12-03 清华大学 一种基于稀疏表示的故障检测方法
CN106933204A (zh) * 2015-10-09 2017-07-07 费希尔-罗斯蒙特系统公司 分布式工业性能监控和分析
CN105844223A (zh) * 2016-03-18 2016-08-10 常州大学 一种类别特色字典和共享字典学习的人脸表示算法
US20180284745A1 (en) * 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment
CN109478057A (zh) * 2016-05-09 2019-03-15 强力物联网投资组合2016有限公司 用于工业物联网的方法和系统
CN106709654A (zh) * 2016-12-28 2017-05-24 中南大学 一种加氢裂化流程全局运行状况评估与质量追溯方法
CN108415260A (zh) * 2018-02-10 2018-08-17 深圳众厉电力科技有限公司 一种智能家居服务机器人
CN108985177A (zh) * 2018-06-21 2018-12-11 南京师范大学 一种结合稀疏约束的快速低秩字典学习的人脸图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈曦等: "基于高斯受限玻尔兹曼机的非线性过程故障检测", 《上海应用技术学院学报（自然科学版）》 *
陈莹，何丹丹: "基于超像素时间上下文特征的异常行为检测", 《系统仿真学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115576293A (zh) * 2022-12-08 2023-01-06 台昌树脂(佛山)有限公司 基于数据监控的压敏胶在线生产分析方法及系统
CN115576293B (zh) * 2022-12-08 2023-03-14 台昌树脂(佛山)有限公司 基于数据监控的压敏胶在线生产分析方法及系统

Also Published As

Publication number Publication date
CN111722594B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN109165664B (zh) 一种基于生成对抗网络的属性缺失数据集补全与预测方法
US20200327363A1 (en) Image retrieval method and apparatus
CN110163344B (zh) 神经网络训练方法、装置、设备和存储介质
CN113593611B (zh) 语音分类网络训练方法、装置、计算设备及存储介质
CN112016318B (zh) 基于解释模型的分诊信息推荐方法、装置、设备及介质
CN110378230B (zh) 失踪人脸识别方法、装置、计算机设备和存储介质
KR20210129031A (ko) 모델 압축 방법, 이미지 처리 방법 및 장치
CN110929047A (zh) 关注邻居实体的知识图谱推理方法和装置
CN111880998A (zh) 服务系统异常检测方法、装置、计算机设备和存储介质
US20210312261A1 (en) Neural network search method and related apparatus
CN110880014B (zh) 数据处理方法、装置、计算机设备及存储介质
CN113328908B (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN112215298A (zh) 模型训练方法、装置、设备及可读存储介质
CN113343020B (zh) 基于人工智能的图像处理方法、装置及电子设备
KR20190141581A (ko) 데이터 예측을 위한 인공신경망을 학습하는 방법 및 장치
CN111722594B (zh) 工业过程监测方法、装置、设备和可读存储介质
CN115438804A (zh) 预测模型训练方法、装置、设备以及图像预测方法
JP2019003274A (ja) 検知システム、検知方法及び検知プログラム
CN114332556A (zh) 训练样本筛选方法、装置、计算机设备和存储介质
CN113222014A (zh) 图像分类模型训练方法、装置、计算机设备和存储介质
CN115458040B (zh) 蛋白质的生成方法、装置、电子设备及存储介质
CN114638823B (zh) 基于注意力机制序列模型的全切片图像分类方法及装置
CN113610709B (zh) 模型量化方法、装置、电子设备和计算机可读存储介质
CN113449863A (zh) 一种基于查表的神经网络量化方法
CN111723827B (zh) 基于核字典学习的工业过程监测方法、装置和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant