-
公开(公告)号：CN104298187B
公开(公告)日：2017-03-29
申请号：CN201410258082.X
申请日：2014-06-12
Applicant: 东北大学
IPC: G05B19/418 , G06F19/00 , H04L29/06
Abstract: 金湿法冶金全流程三层结构过程监测及故障诊断方法，通过对金湿法冶金全流程分层、分块建立监测模型，实现从不同的视角——从底层到上层，从局部到整体对金湿法冶金各个层面的运行状态进行监测，并对异常工况进行故障诊断，为实际生产过程提供有价值的指导建议。算法包括建立全流程三层结构监测离线模型、估计子工序和全流程的统计量控制限、在线计算新数据的统计指标、实施监测及故障诊断等步骤。本发明提供了一种确保了生产过程安全运行的有效方法，对于提高生产安全性、提高生产效率、降低事故发生率、提高企业竞争力具有重要意义。
-
公开(公告)号：CN104062953B
公开(公告)日：2017-03-01
申请号：CN201410258092.3
申请日：2014-06-12
Applicant: 东北大学
IPC: G05B19/418 , G06F19/00 , G06Q10/04 , G06Q50/04
Abstract: 金湿法冶金过程运行状态在线评价方法，包括浸出、洗涤、置换等工艺构成，其特征在于通过计算在线数据与各个性能等级过程特征的相似度，实时评价湿法冶金生产过程的运行状态，并且在过程运行状态不优时，自动识别其原因，为实际生产过程提供有价值的指导建议。算法包括离线建模数据的模态识别、评价模型的建立、过程操作模态的在线识别、过程运行状态的在线评价、运行状态非优原因追溯等步骤。本发明能够提供实时的评价结果，避免人工评价的滞后问题，自动追溯非优原因，为操作工提供合理可靠的操作指导建议，以便及时对过程运行状态进行适当调整，确保企业经济效益和生产效率。
-
公开(公告)号：CN104199285A
公开(公告)日：2014-12-10
申请号：CN201410258246.9
申请日：2014-06-12
Applicant: 东北大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于串行混合模型的金氰化浸出过程浸出率实时预测方法，即实现浸出率的在线预测方法。预测方法的特点是：（1）本发明建立了完整的金氰化浸出过程动态机理模型—金、氰离子物料守恒方程，并以此机理模型作为串行混合预测模型的核心，这样能够保证模型趋势的准确性；（2）本发明基于Tikhonov正则化方法估计金氰化浸出过程动力学反应速度，该方法可以有效抑制测量数据噪声对估计结果的影响。并采用BP神经网络数据模型以串行形式估计机理模型中的未知参数，提高了模型的精度及推广能力。本发明的预测方法有以下优点：采用了机理模型与数据模型相结合的串行混合建模方法，充分利用了已有的过程先验知识，提高了动态机理模型的预测精度以及泛化能力，具有结构简单、可靠性高、可解释性强、泛化能力好等优点。
-
公开(公告)号：CN118171562A
公开(公告)日：2024-06-11
申请号：CN202410227280.3
申请日：2024-02-29
Applicant: 东北大学
IPC: G06F30/27 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06F111/10
Abstract: 本发明提供一种泡沫浮选工况的预测方法及预测模型，属于泡沫浮选技术领域。其中预测方法包括，获取泡沫图像并提取分析泡沫图像信息；将泡沫图像输入至图像特征提取模块，以对泡沫图像进行分析生成图像特征；将传感器收集到的监测变量输入至时间窗口模块，生成时间‑监测变量的矩阵；将矩阵与图像特征拼接融合，以获取融合特征；将融合特征输入至编码器时间特征注意力模块生成第一数据特征；将第一数据特征输入至编码器生成第二数据特征，以被解码器时间特征注意力模块识别；将第二数据特征输入至解码器时间特征注意力模块生成第三数据特征；将第三数据特征输入至解码器生成编号，实现对浮选过程异常状况的预测。
-
公开(公告)号：CN111815065B
公开(公告)日：2023-08-29
申请号：CN202010705130.0
申请日：2020-07-21
Applicant: 东北大学
IPC: H02J3/00 , G06Q50/06 , G06N3/0442 , G06F18/214 , G06Q10/04
Abstract: 本发明提供一种基于长短时记忆神经网络的短期电力负荷预测方法，包括1)采集电力负荷历史数据和气象历史数据，构建历史数据集；2)采用集成经验模态分解法，对电力负荷历史序列进行分解；3)计算每个分量的样本熵值并进行分组；4)构建每个分组的最优预测模型；5)确定预测模型的输入；6)累加各个最优预测模型的预测值得到最终的电力负荷预测值。本发明结合集成经验模态分解和长短时记忆神经网络模型对短期电力负荷进行预测，可以实现准确、实时、可靠的预测效果，具有很好的适用性和有效性，可以被广泛地应用在短期电力负荷预测中。
-
Patent Agency Ranking
-
公开(公告)号：CN108762238B
公开(公告)日：2020-07-28
申请号：CN201810622817.0
申请日：2018-06-15
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明属于湿法冶金浸出过程的故障诊断技术领域，尤其涉及一种基于DCD的湿法冶金浸出过程故障诊断方法。基于DCD的浸出过程故障诊断方法，主要面向湿法冶金的浸出工艺过程，通过提取专家知识和过程数据中的信息作为先验信息建立动态因果图知识库，在观测到异常情况后进入推理诊断机制，以异常情况为证据计算出各可能故障原因的后验概率，比较后验概率得到诊断结果。此算法主要包括浸出过程DCD事件确定、DCD结构学习、DCD参数学习和DCD在线过程故障诊断等步骤。本发明利用DCD故障诊断技术处理在浸出过程中信息的不确定性，一定程度减小了诊断技术对大量数据的依赖性，可以带来更准确的诊断结果，确保企业经济效益和生产效益。
-
公开(公告)号：CN110532699A
公开(公告)日：2019-12-03
申请号：CN201910817143.4
申请日：2019-08-30
Applicant: 东北大学
IPC: G06F17/50
Abstract: 本发明属于湿法冶金浓密洗涤过程故障诊断技术领域，尤其涉及一种基于模糊DCD的湿法冶金浓密洗涤过程故障诊断方法。该方法包括如下步骤：确定浓密洗涤过程DCD事件及事件变量，DCD事件包括节点事件和中间事件；根据DCD事件及事件变量，确定事件变量之间的因果关系及连接概率，并建立因果图模型；通过实际过程中采集到的实时运行数据对浓密洗涤过程是否有异常发生进行实时监测，若监测到有变量处于异常状态，则利用模糊思想，将因果图结构模型中的中间事件划分出异常区间，利用隶属度函数描述所述异常区间，得到故障诊断结果。该方法可以将将定性信息与定量信息相结合，根据监测到的异常现象，进行在线故障诊断，给出故障原因。
-
公开(公告)号：CN106959662B
公开(公告)日：2019-03-08
申请号：CN201710324622.3
申请日：2017-05-10
Applicant: 东北大学
IPC: G05B19/05
Abstract: 本发明提供一种电熔镁炉异常工况识别及控制方法。所述方法包括：获取电熔镁炉工况中的预设周期内的在线数据；采用相似度匹配策略查看案例库中是否与在线数据匹配的案例信息；若存在，依据匹配的案例信息给出当前在线数据的辨识结果，将辨识结果作为当前电熔镁炉工况的异常识别结果；其中，案例库为预先根据电熔镁炉工况的历史数据建立的各种异常工况的案例信息；若案例库中不存在匹配的案例信息，则采用贝叶斯网络推理模型对所述在线数据进行分析，获得辨识结果，将辨识结果作为当前电熔镁炉工况的异常识别结果。上述方法对于提高矿产资源的综合利用率，降低能耗，减少环境污染，促进安全生产，都有重大的意义。
-
公开(公告)号：CN107065834A
公开(公告)日：2017-08-18
申请号：CN201710379067.4
申请日：2017-05-25
Applicant: 东北大学
IPC: G05B23/02
CPC classification number: G05B23/0243 , G05B2219/24065
Abstract: 本发明提供一种湿法冶金过程中浓密机的故障诊断方法，包括：获取湿法冶金浓密机用于识别一种故障的在线定性信息和在线定量数据；针对在线定性信息，采用基于可信度的规则推理的方法获取每一事件的可信度，获取第一条证据；针对在线定量数据，采用基于数据相似度的案例推理方法获取待诊断案例的相似度，获取第二条证据；待诊断案例为进行案例推理时使用的由在线定量数据组成的不同类数据；根据D‑S证据理论融合规则，将两条证据进行融合，获得湿法冶金过程中浓密机的故障诊断信息，该方法可以使操作人员根据故障诊断结果信息及时调整，进而有效降低事故发生率，提高生产安全性。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.023 seconds)
