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！

龙图腾网恭喜中国矿业大学申请的专利一种基于多分解核熵学习的非高斯工业过程故障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：CN119004020B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202411036867.2，技术领域涉及：G06F18/20；该发明授权一种基于多分解核熵学习的非高斯工业过程故障诊断方法是由孙程远;王雪松;程玉虎设计研发完成，并于2024-07-31向国家知识产权局提交的专利申请。

本一种基于多分解核熵学习的非高斯工业过程故障诊断方法在说明书摘要公布了：本发明公开了一种基于多分解核熵学习的非高斯工业过程故障诊断方法，包括：利用信息熵将非高斯工业数据中的过程数据投影到高维空间中，得到高维空间的过程数据矩阵G；从过程数据矩阵G分离出冗余信息矩阵GR；利用奇异值分解技术对冗余信息矩阵GR的负载矩阵进行分解，获得投影矩阵；利用所述投影矩阵从冗余信息矩阵GR中分解出对故障不敏感部分GN，从过程数据矩阵G中去除对故障不敏感部分GN，得到过程数据矩阵GY1，构建数据模型；构建故障检测策略；合并检测指标，构建新的故障诊断指标。本发明方法通过两次分解，最大程度对过程数据进行划分，可以极大程度减少故障误报率，该方法对于非高斯工业过程中的故障，能够还原数据的原始信息，可以更准确地确定故障变量。

本发明授权一种基于多分解核熵学习的非高斯工业过程故障诊断方法在权利要求书中公布了：1.一种基于多分解核熵学习的非高斯工业过程故障诊断方法，其特征在于，包括如下步骤：步骤1，采集非高斯工业系统的运行数据，所述运行数据包括过程数据和产品质量数据；步骤2，利用信息熵将非高斯工业数据中的过程数据投影到高维空间中，得到高维空间的过程数据矩阵步骤3：构建初始数据模型，用于描述过程数据矩阵和质量数据矩阵Y间的关系；所述构建初始数据模型，如下： 其中，Y表示产品质量矩阵，B为关系矩阵，由主元回归方法求解得出；利用正交滤波技术从过程数据矩阵分离出冗余信息矩阵过程如下：首先对产品质量矩阵Y执行主成分分析算法得到：T＝YQ其中T为主元矩阵，Q为Y的负载矩阵；再通过截断法对关系矩阵B进行处理确定主元个数A；根据主元个数A循环计算出中间矩阵Mi： 其中，表示第i次循环中的过程数据矩阵，Ti表示第i次循环中的主元矩阵；对中间矩阵Mi进行特征值分解得到： 其中，vi表示第i次循环中的特征向量矩阵；n表示样本个数；保留非零值λi对应的特征向量并进行排序；具体地，从质量矩阵Y提取出与过程数据矩阵相关的主元矩阵TY： 利用其主元矩阵部分TY更新过程数据的高维矩阵： 其中，表示经过第i+1次循环得到的新矩阵；i的初始值为1，循环执行上述操作，直至i＝A，得到过程数据矩阵所述过程数据矩阵是去除冗余信息后的矩阵；冗余信息矩阵写为： 步骤4：利用奇异值分解技术对冗余信息矩阵的负载矩阵进行分解，获得投影矩阵，具体如下：构建目标函数如下：maxcovPR,Qs.t.PR*V＝IA其中，R为转化矩阵，Q为Y的负载矩阵，PR为的负载矩阵；利用奇异值分解技术对负载矩阵PR进行分解：PR＝ΓTΔPDT其中，ΓT＝[ΓYΓN]，表示投影矩阵；步骤5：利用所述投影矩阵从冗余信息矩阵中分解出对故障不敏感部分从过程数据矩阵中去除对故障不敏感部分得到对故障敏感的过程数据矩阵重新构建数据模型，具体步骤如下：对故障不敏感部分表示如下： 过程数据矩阵重新表示如下： 其中，重新构建数据模型，表示如下： 其中，By为新的关系矩阵，由主元回归算法求解得出；步骤6：构建故障检测策略，如下：当采用的CS离散统计量的过程数据矩阵部分发生报警时，代表出现影响非高斯工业系统的故障发生；否则，无故障发生；当采用的T2统计量的矩阵发生报警时，代表系统发生的波动属于正常波动；步骤7：合并检测指标，构建新的故障诊断指标；所述合并检测指标，是指合并CS离散统计量和T2统计量；对于正常过程数据样本合并统计量ΨN表示为： 对于产生故障时的过程数据样本合并统计量ΨF表示为： 构建新的诊断指标Tr，表示如下： 其中，是正常过程数据样本合并统计量ΨN的列平均值，是故障过程数据样本合并统计量ΨF的列平均值，是正常过程数据样本合并统计量ΨN的标准差。

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矿业大学，其通讯地址为：221116 江苏省徐州市铜山区大学路1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”。