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！

龙图腾网获悉南京工业大学申请的专利一种基于滚动特征时域的DRN-SVM预测控制性能退化根源诊断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：CN116108344B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202310005827.0，技术领域涉及：G06F18/213；该发明授权一种基于滚动特征时域的DRN-SVM预测控制性能退化根源诊断方法是由李丽娟;谢张诚;王欢;杨世品;焦文华设计研发完成，并于2023-01-04向国家知识产权局提交的专利申请。

本一种基于滚动特征时域的DRN-SVM预测控制性能退化根源诊断方法在说明书摘要公布了：本发明提出了一种基于滚动特征时域的DRN‑SVM预测控制性能退化根源诊断方法，属于机器学习及目标分类领域，包括如下步骤：步骤1：通过Wood‑Berry精馏塔仿真模型获得预测控制器性能退化模式状态下的历史数据作为训练集；步骤2：基于滚动特征时域滚动推进，通过深度残差网实现动态特征提取；步骤3：构建DRN‑SVM分类模型；步骤4：训练DRN‑SVM分类模型，预测控制性能退化诊断模型；步骤5：确定导致预测控制器性能退化的因素。本发明实现了捕捉复杂工业过程数据动态时序特征的同时又能够充分挖掘工业过程数据的数据特征，进而提高了预测控制器性能退化根源诊断的精度。

本发明授权一种基于滚动特征时域的DRN-SVM预测控制性能退化根源诊断方法在权利要求书中公布了：1.一种基于滚动特征时域的DRN-SVM预测控制性能退化根源诊断方法，其特征在于，包括如下步骤： 步骤1：通过Wood-Berry精馏塔仿真模型获得预测控制器性能退化模式状态下的历史数据作为训练集； 步骤2：基于滚动特征时域以一定步长不断的向前滚动推进，通过深度残差网络进而实现整个训练集的动态特征提取； 步骤3：基于深度残差网络提取的预测控制系统性能退化模式状态下的动态特征作为SVM的输入，进而构建DRN-SVM分类模型； 步骤4：基于训练集训练DRN-SVM分类模型，预测控制性能退化诊断模型； 步骤5：将基于Wood-Berry模型获取的预测控制器性能退化测试集送入DRN-SVM控制性能退化诊断模型中，确定导致预测控制器性能退化的因素； 步骤4通过训练深度残差网络的参数集合W,γ,β，W是深度残差网络的权值集合，γ,β是BN策略引入深度残差网络的权重及偏置学习参数集合，使得网络所提取的过程数据的特征尽可能分布在远离最优超平面的两侧； DRN-SVM分类模型的目标优化函数是： 其中，表示DRN-SVM的目标优化函数取最小值，ωij表示预测控制器第i类和第j类性能退化数据待求最优分类超平面的法向量，C表示惩罚参数，用来调节深度残差网络提取的特征在分类超平面两侧的分布，使得特征尽可能远离分类超平面，a表示深度残差网络提取的数据特征向量中的下标索引，N是深度残差网络提取到的预测控制器性能模式状态下的过程数据的数据特征数，Xi和Xj表示预测控制器第i类和第j类性能退化数据集；BN1,agφXi；W；γ,β表示深度残差网络提取的预测控制器第i类性能退化数据的数据特征，BN1,agφXj；W；γ,β表示深度残差网络提取的预测控制器第j类性能退化数据的数据特征；Wl表示深度残差网络中的卷积层权值；Wk表示调整深度残差网络的输入维度的权值；λ1,λ2对应网络的两个正则化项，λ1表示网络卷积权值Wl的惩罚系数,λ2表示网络输入维度调整权值Wk的惩罚系数；‖‖表示向量的模值，‖‖2表示模值的平方，表示Frobenius范数的平方。

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南京工业大学，其通讯地址为：211816 江苏省南京市江北新区浦珠南路30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。