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！

摘要：本发明公开了一种基于终身字典学习的多模态工业过程监测方法和装置，方法为：收集工业过程第1个模态的数据集，使用第1个模态的数据集学习获得初始字典；收集工业过程第n个模态的数据集，使用第n个模态的数据集和已从之前n‑1个模态数据集学习得到的字典，学习获得对当前所有n个模态的字典，记为终身字典；使用终身字典计算第n个模态每个数据的重构误差，并拟合概率密度函数，再根据预设的置信度计算重构误差的控制限；当在线接收到工业过程任意模态的数据时，使用终身字典计算该数据的重构误差，将得到的重构误差与控制限对比以确定工业过程当前是否故障。本发明可以实现对有新模态不断出现的工业过程的监测。

主权项：1.一种基于终身字典学习的多模态工业过程监测方法，其特征在于，包括：初始字典学习：收集工业过程第1个模态的数据集，使用第1个模态的数据集学习获得初始字典D1；终身字典学习：收集工业过程第n个模态的数据集，使用第n个模态的数据集和已从之前n-1个模态数据集学习得到的字典Dn-1，学习获得对当前所有n个模态的字典Dn，记为当前所有n个模态的终身字典；n＞1；学习获得对当前所有n个模态的字典Dn的优化函数为： 式中，D和X分别泛指字典和对应的稀疏编码矩阵；Yn表示工业过程第n个模态的数据集，Xn为Yn经字典Dn稀疏表示得到的稀疏编码矩阵；是求矩阵的F范数，||·||1是求矩阵的l1范数；λt为超参数；λx表示稀疏约束项的正则化系数；tr·是求矩阵的迹；T表示矩阵的转置运算；当n＞2时，Wn-1＝Wn-2+λn-1Fn-1，W0＝λpriorI；当n＝2时，Wn-1为学习字典Dn时的权重矩阵，Fn-1和F1均为对角矩阵；表示稀疏编码矩阵Xn-1的第j行；λ1和λprior均为超参数；使用交替与迭代的优化方式，在每一次迭代时对目标函数中的变量D和X进行交替优化求解：在优化字典Dn时，固定当前优化得到稀疏编码矩阵Xn，将目标函数转换为第一子优化问题为： 对第一子优化问题求Dn的偏导数并令偏导数为0，得到Dn的更新公式： 在优化稀疏编码矩阵Xn时，固定当前优化得到的字典Dn，将目标函数转换为第二子优化问题为： 采用OMP算法求解上述第二子优化问题；控制限计算：使用终身字典Dn计算第n个模态每个数据的重构误差，并根据所有数据的重构误差拟合概率密度函数，再根据预设的置信度计算重构误差的控制限；控制限计算具体包括：1使用终身字典Dn计算第n个模态数据的重构误差： 式中，yi为工业过程第n个模态数据集Yn中的第i个数据样本；xi为yi经终身字典Dn稀疏表示得到的稀疏编码向量；Ri为yi的重构误差；2根据所有数据的重构误差拟合概率密度函数： 式中，M表示所有模态数据Y＝{Y1,Y2,…,Yn}中的数据样本的个数，Y1,Y2,…,Yn分别为所有n个模态对应的数据集，fR为以重构误差为自变量R的概率密度函数，h是带宽；Kx为核函数，核函数要求非负且积分为1；3在得到重构误差的概率密度函数后，根据预设的置信度α，计算出重构误差的控制限；在线数据监测：当在线接收到工业过程任意模态的数据时，使用终身字典计算该数据的重构误差，将得到的重构误差与控制限对比以确定工业过程当前是否故障。

全文数据：

权利要求：

百度查询： 中南大学 一种基于终身字典学习的多模态工业过程监测方法和装置