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：本发明公开了一种面向多变工况的字典监测模型构建、智能监测方法及系统，首先，构建一种面向多变工况的字典监测模型，利用所述面向多变工况的字典监测模型获取工业系统运行过程中通过传感器采集到的在线数据的重构误差，并利用重构误差与设定的控制限进行比较从而判断工业系统运行故障的发生，实现智能监测。通过构建两种工况下的基于全局信息的终身字典学习优化函数，得到用于监测两种工况的字典；基于最大后验估计对两种工况下的字典的全局信息权重矩阵进行线性叠加构建多工况的更新表达式，进而对字典进行持续更新，同步更新监测控制限，进而得到面向多变工况的字典监测模型。持续学习能力强，更新无需存储历史工况数据，克服了灾难性遗忘。

主权项：1.一种面向多变工况的字典监测模型构建方法，其特征在于，包括：首先，构建两种工况下的基于全局信息的终身字典学习优化函数，并通过求解优化函数得到用于监测两种工况的字典；然后，基于最大后验估计对两种工况下的字典的全局信息权重矩阵进行线性叠加，得到适应工况持续增加的字典更新表达式；最后，利用字典更新表达式对字典进行持续更新，同步更新监测控制限，进而得到面向多变工况的字典监测模型；所述两种工况下的基于全局信息的终身字典学习优化函数如下： 中，D2为能够同时表示两种工况的期望字典，D2＝[[d1,d2,…,dK]RmK，d1,d2,…,dK表示字典原子的第1，2，...，K个原子，m表示数据维度，K表示字典的原子总个数；D1是利用已有的字典学习优化方法求解出来的能够监测工况1的初始字典模型，X2为稀疏编码矩阵，X2＝[x1,x2,…,xM]RKM，x1,x2,…,xM表示第1，2，...，M个原子对应的编码；为求矩阵Frobenius范数的平方，即矩阵所有元素的平方和；λx||X||1为L1范数保证编码矩阵的稀疏性；λx为优化过程中可以被消元的拉格朗日乘数，tr为求矩阵的迹，λ1是用来控制工况1遗忘程度的正则化参数；为基于全局信息的权重矩阵，分别表示第1，2，...，K个原子的全局信息权重；Y2表示工况2的数据集，Y2＝[y1,y2,...,yM]∈Rm×M，y1,y2,...,yM表示第1，2，...，M个数据，M表示工况2的数据集中的数据总数，D和X分别表示待求的期望字典和对应的稀疏矩阵；所述全局信息权重是指字典更新过程中的各原子的全局信息权重，表达式如下： 其中，为第η次迭代更新字典中第i个原子的损失函数变化量，经过N次迭代后，最终变为表示未更新前的初始字典第i个原子，表示训练工况1后能够表示工况1数据的字典第i个原子；ζ为避免病态问题引入的超参数。

全文数据：

权利要求：

百度查询： 中南大学 面向多变工况的字典监测模型构建、智能监测方法及系统