(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111407528.7 (22)申请日 2021.11.24 (71)申请人 杭州哲达科技股份有限公司 地址 310000 浙江省杭州市西湖区教工路 88号立元大厦601室 (72)发明人 李创　吴平　楼嗣威　李传瑾　 潘德茂　王捷　阮佳迪　 (74)专利代理 机构 杭州裕阳联合专利代理有限 公司 33289 代理人 田金霞 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06T 17/00(2006.01) G06F 17/18(2006.01)G06F 17/16(2006.01) (54)发明名称 工业设备监测方法、 装置和计算机可读存储 介质 (57)摘要 一种工业设备监测方法、 设备和计算机可读 存储介质， 包括以下步骤： 采集正常工况的设备 运行数据， 得到初始输入矩阵和初始输出矩阵； 使用神经网络将所述输入矩 阵和所述输出矩 阵 投影到高维空间， 得到高维输入矩阵和高维输出 矩阵； 建立基于CCA模型的目标函数， 训练所述高 维输入矩阵和所述高维输出矩阵， 计算出典型变 量子空间和残差变量子空间； 根据所述典型变量 子空间和所述残差变量子空间构建T2统计量和Q 统计量； 采用核密度估计方法分别计算T2统计量 阈值和Q统计量阈值； 采集实时工况状态数据， 计 算统计量为实时T2统计量和实时Q统计量， 根据 所述T2统计量阈值和所述Q统计量阈值监测实时 工况状态数据。 本发明采用DNN神经网络增强了 CCA方法的建模精度， 根据DNN的输 出进行建立的 新的统计指标， 可以很有效的针对非线性特性。 权利要求书2页 说明书6页 附图1页 CN 114065645 A 2022.02.18 CN 114065645 A 1.一种工业设备监测方法， 其特 征在于， 包括以下步骤： 采集正常工况的设备运行 数据， 得到初始输入矩阵和初始输出矩阵； 使用神经网络将所述输入矩阵和所述输出矩阵投影到 高维空间， 得到 高维输入矩阵和 高维输出矩阵； 建立基于CCA模型的目标函数， 训练所述高维输入矩阵和所述高维输出矩阵， 计算出典 型变量子空间和残差变量子空间； 根据所述典型变量子空间和所述残差变量子空间构建T2统计量和Q统计量； 采用核密度估计方法分别计算T2统计量阈值和Q统计量阈值； 采集实时工况状态数据， 计算统计量为实时T2统计量和实时Q统计量， 根据所述T2统计 量阈值和所述 Q统计量阈值 监测实时工况状态数据。 2.根据权利要求1所述的工业设备监测方法， 其特征在于， 所述计算出典型变量子空间 和残差变量子空间的方法包括： 根据所述高维输入矩阵计算过去样本协方差， 根据 所述高维输出矩阵计算将来样本协 方差； 根据所述高维输入矩阵和所述高维输出矩阵计算样本交叉协方差； 通过所述过去样本协方差、 所述将来样本协方差和所述样本交叉协方差构建矩阵优化 典型变量子空间的加权矩阵J和残差变量子空间的加权矩阵L， 计算出典型变量子空间和残 差变量子空间。 3.根据权利要求1所述的工业设备监测方法， 其特 征在于， 所述初始输入矩阵为： U＝[u1， u2…un]T∈Rn×m， 其中n为采样次数， m为输入数据的变量 个数； 所述初始输出矩阵为： Y＝[y1， y2…yn]T∈Rn×l， 其中n为采样次数， l为输出数据的变量 个数。 4.根据权利要求1或3所述的工业设备监测方法， 其特 征在于， 所述高维输入矩阵为： 所述高维输出矩阵为： 第一映射层非线性输出hi， 表示为： 其中， h＝[h1 h2  … hd]， 其中d为 假设的隐层特 征数， 为权重矩阵， bi是偏执向量， s(.)表示非线性映射 函数。 5.根据权利要求1所述的工业设备监测方法， 其特征在于， 根据所述T2统计量阈值和所 述Q统计量阈值 监测实时工况状态数据的方法包括： 若实时T2统计量小于等于其判断阈值， 或者实时Q统计量小于等于 所述Q统计量阈值， 则 判断为设备无故障， 无 需维护； 若 实时T2统计量大于其判断阈值， 并且 实时Q统计量大于Q统 计量阈值， 则判断为设备 出现故障， 需要维护。 6.根据权利要求1所述的工业设备监测方法， 其特 征在于， 所述C CA模型的目标函数为： 其中， 表示过去的协方差； 表示将来的协方差；权　利　要　求　书 1/2 页 2 CN 114065645 A 2表示样本交叉协方差 。 7.根据权利要求6所述的工业设备监测方法， 其特征在于， 通过所述过去样本协方差、 所述将来样本协方差和所述样本交叉协方差构建矩阵优化典型变量子空间的加权矩阵J和 残差变量子空间的加权矩阵L的方法包括： Ψ奇异值分解求得： 其中， Γ为包含左奇异向量的数据矩 阵， Δ为包 含右奇异向量的数据矩阵， Λ 为奇异值矩阵； 典型变量子空间的加权矩阵J计算公式为： 残差变量子空间的加权矩阵L计算公式为： 其中， I为单位矩阵， Δc用Δ(： ， 1： c)表示， 其中Δ(： ， 1： c)表示矩阵Δ中所有行和前c列 组成的数据矩阵。 8.根据权利要求1所述的工业设备监测方法， 其特征在于， 所述高炉设备监测方法还包 括： 构建具有透 视的高炉设备的三维模型； 将高炉设备监测数据链接 至所述三维模型； 设置颜色监测功能， 通过所述高炉设备不同部位的颜色数据直观判断所述高炉设备的 运行状态。 9.一种工业设备监测装置， 其特 征在于， 包括： 数据采集单元， 用于采集正常工况的设备运行数据， 得到初始输入矩阵和初始输出矩 阵； 以及采集实时工况状态数据， 用于实时监测工况状态数据； 数据增强单元， 用于使用神经网络将所述输入矩阵和所述输出矩阵投影到高维空间， 得到高维输入矩阵和高维输出矩阵； 数据训练单元， 用于建立基于CCA模型的目标函数， 训练所述高维输入矩阵和所述高维 输出矩阵， 计算出典型变量子空间和残差变量子空间； 统计量计算单元， 用于根据所述典型变量子空间和所述残差变量子空间构建T2统计量 和Q统计量； 阈值计算单 元， 采用核密度估计方法分别计算T2统计量阈值和Q统计量阈值； 实时监测单元， 调用实时工 况状态数据， 计算统计量为实时T2统计量和实时Q统计量， 根 据所述T2统计量阈值和所述 Q统计量阈值 监测实时工况状态数据。 10.一种计算机可读存储介质， 其特征在于， 存储有计算机程序， 所述计算机程序被处 理器调用实现权利要求1 ‑8任一所述的工业设备监测方法。权　利　要　求　书 2/2 页 3 CN 114065645 A 3