買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉天津大學申請的專利一種基于遷移學習的新模態過程監測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114880621B 。

龍圖騰網通過國家知識產權局官網在2025-08-22發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210445470.3，技術領域涉及：G06F17/16；該發明授權一種基于遷移學習的新模態過程監測方法是由張淑美;雷琦設計研發完成，并于2022-04-26向國家知識產權局提交的專利申請。

本一種基于遷移學習的新模態過程監測方法在說明書摘要公布了：本發明涉及一種基于遷移學習的新模態過程監測方法，包括下列步驟：獲取q種不同已知模態正常工況狀態下的數據，獲取新模態正常工況下的數據；計算不同已知模態正常工況下的數據與新模態正常工況下的數據之間的距離，選擇距離新模態最近的已知模態作為參考模態；對參考模態數據和新模態數據進行標準化處理；利用遷移成分分析算法建立新模態的過程監測模型；獲取工業過程中新模態的在線運行數據，并記為在線監測數據；對在線監測數據進行在線故障檢測。

本發明授權一種基于遷移學習的新模態過程監測方法在權利要求書中公布了：1.一種基于遷移學習的新模態過程監測方法，包括下列步驟： 步驟1：獲取q種不同已知模態正常工況狀態下的數據，獲取新模態正常工況下的數據，計算不同已知模態正常工況狀態下的過程數據的均值和標準差，計算新模態正常工況下的數據的均值和標準差； 步驟2：計算不同已知模態正常工況下的數據與新模態正常工況下的數據之間的距離，選擇距離新模態最近的已知模態作為參考模態，并記為Xs； 步驟3：對參考模態數據和新模態數據進行標準化處理，獲得無量綱化的參考模態數據Xs和新模態數據Xt； 步驟4：利用遷移成分分析算法建立新模態的過程監測模型以及相應的T2統計量和SPE統計量的控制限，方法如下： 1構建參考模態與新模態正常工況下的數據之間的MMD矩陣，計算參考模態與新模態數據之間的MMD距離： DistXs,Xt＝trATXMXAT 其中，X＝[Xs,Xt]表示作為源域的參考模態數據Xs和作為目標域的新模態數據Xt構成的數據樣本，A為待求取的變換矩陣，M是MMD矩陣，tr·為矩陣的跡； 2構建參考模態與新模態正常工況下的數據之間的中心矩陣C，并且給出計算參考模態與新模態數據的特征方差的表達式： 參考模態與新模態之間的中心矩陣表示為： 其中，In為n階單位矩陣，1n為n階的全1矩陣； 參考模態與新模態數據之間的特征方差表示如下： 其中，C是中心矩陣，I為單位矩陣； 3構建遷移成分分析TCA算法的目標函數； 其中，μ≥0是權衡系數，trATA表示L2正則項； 4建立新模態的過程監測模型； 通過引入拉格朗日乘子法來求解目標函數，找出使得遷移成分分析TCA算法的目標函數最小的轉換矩陣A，進而建立新模態的過程監測模型； 5計算得分向量矩陣； 根據新模態的過程監測模型中的轉換矩陣A，通過轉換矩陣A，計算正常工況下的得分向量矩陣T； 6計算新模態正常工況下的T2統計量和SPE統計量； 構建TCA算法下的T2和SPE統計量； T2統計量表示為： T2＝ti TΛ-1ti＝xi TAΛ-1ATxi 所述轉換矩陣A∈Rm×k為特征分解所得到的前k個最小特征值所對應的特征向量，Λ為取其前k個最小的特征值所組成的對角矩陣Λ＝{λ1,λ2,…,λk}∈Rk×k； SPE統計量表示為： SPE＝||I-AATxi||2＝xi TI-AATxi 其中，xi為Xt中第i個樣本，ti＝ATxi表示成分向量矩陣T中的第i個成分向量； 7通過核密度估計法，對T2統計量和SPE統計量進行處理，設置99％的置信區間，從而得到T2和SPE的控制限； 步驟5：獲取工業過程中新模態的在線運行數據，并記為在線監測數據，并根據步驟1中計算得到的新模態正常工況下的均值向量和標準差，對在線監測數據進行標準化處理； 步驟6：對在線監測數據進行在線故障檢測：通過步驟4中的新模態的過程監測模型，計算在線監測數據的T2統計量和SPE統計量，若出現在線監測數據的T2統計量或者SPE統計量超出T2和SPE的控制限的情況，則認為當前系統出現故障，否則認為當前系統正處于正常運行的狀態。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人天津大學，其通訊地址為：300072 天津市南開區衛津路92號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。