公开(公告)号：CN118690170A

公开(公告)日：2024-09-24

申请号：CN202410813602.2

申请日：2024-06-24

申请人： 东北大学

发明人： 董世建 ,  韩利鑫 ,  郭家辰 ,  姜骁箐 ,  张雅涵 ,  刘嘉怡 ,  于嵩苒 ,  王炳棋 ,  雷金明

IPC分类号： G06F18/213 ,  G06F18/10 ,  G06F18/2113 ,  G06F18/27 ,  G06F18/22 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/084 ,  G06N3/045

摘要： 一种基于Informer架构的复杂多变量系统网络预测模型的构建方法，获取复杂工业过程生产数据；对采集的时间序列数据进行ElasticNet特征选择，实现冗余变量的筛除；对特征选择后得到序列数据进行VMD分解和降噪；窗口设置与序列划分；对序列数据进行嵌入操作，即进行初步特征提取；构建编码器，对SE进行编码；构建解码器，对SD进行解码；使用1层线性层，将解码器的输出序列FD映射，得到预测结果；对所构建的模型，利用训练集数据进行训练；对于测试集，以重训练策略，对模型评估，进而防止信息泄露问题。该方法解决了传统网络对于含有输入噪声和冗余变量系统预测误差大和适应性差的缺点，能对复杂多变量过程关键变量进行精确预测。

公开(公告)号：CN118288280A

公开(公告)日：2024-07-05

申请号：CN202410410928.0

申请日：2024-04-08

申请人： 东北大学

发明人： 董世建 ,  董建国 ,  张颜浩 ,  周星星 ,  姜骁箐 ,  刘玉婷 ,  江雅婷

IPC分类号： B25J9/16

摘要： 本发明提供了一种机械臂系统的自适应RBF神经网络补偿误差的预测控制方法，分析获得非线性机械臂系统名义模型和真实模型之间的关系，通过机理建模获得非线性机械臂系统名义模型；在每个采样点处对已获得的机械臂系统名义模型进行泰勒展开并忽略高阶项，获得局部线性化预测模型；构建自适应RBF神经网络补偿控制输入，降低集总误差对控制性能的影响；利用所获得的预测控制器作为机构臂系统的智能控制系统，通过智能控制系统对机械臂系统的运动轨迹进行高精度跟踪控制。该方法可有效解决传统工业机械臂系统在设计控制器时对系统模型精度要求高和多输入多输出的机械臂系统存在强耦合的问题，能有效提高非线性机械臂系统的控制精度。

公开(公告)号：CN118197463A

公开(公告)日：2024-06-14

申请号：CN202410295073.1

申请日：2024-03-15

申请人： 东北大学 ,  沈阳华盛冶金技术与装备有限责任公司

发明人： 姜骁箐 ,  郭家辰 ,  韩利鑫 ,  李星彤 ,  董世建 ,  李鸿儒 ,  龚伟 ,  吴铁

IPC分类号： G16C20/30 ,  G16C20/70 ,  G06F18/10 ,  G06F18/2135 ,  G06F18/214 ,  G06F18/243 ,  G06F18/27 ,  G06N20/20

摘要： 一种基于堆叠集成策略对冶金过程终点质量进行预测的方法，采集冶金的过程数据；根据机理分析和现场专家经验，并利用随机森林或PCA技术进行特征筛选获得关键输入变量；标准化、缺失值、异常值数据清洗和处理；将数据划分为训练集和测试集；使用六折交叉检验方法，利用由并行排列的随机森林回归、极端随机森林回归和极限梯度提升训练多个初级集成模型，并构成第一网络层；使用贝叶斯优化算法优化确定超参数；由逻辑线性回归构建第二网络层，用第一网络层整合的训练集与测试集作为数据集，进行元学习器训练，最终获得终点预测输出；利用测试集数据评估模型性能；进行预测。该方法能提高对于冶金终点质量预测的精确性和模型的适应性。

公开(公告)号：CN118196519A

公开(公告)日：2024-06-14

申请号：CN202410355686.X

申请日：2024-03-27

申请人： 东北大学 ,  沈阳华盛冶金技术与装备有限责任公司

发明人： 姜骁箐 ,  刘俊 ,  郝磊磊 ,  李星彤 ,  董世建 ,  李鸿儒 ,  龚伟 ,  吴铁

IPC分类号： G06V10/764 ,  G06V10/32 ,  G06V10/77 ,  G06V10/80 ,  G06V10/82 ,  G06N3/096 ,  G06N3/084 ,  G06N3/047 ,  G06N3/0464 ,  G06N3/048

摘要： 一种迁移学习和双重注意力机制残差网络的转炉喷溅识别方法，使用安装在炉口对面的工业摄像机进行图像拍摄，以捕获不同程度的转炉喷溅图像；对于采集到的图像，根据专家经验进行类别划分，并进行类别标注，以满足有监督学习的要求；将数据集划分为训练集和测试集；选取在ImageNet数据集上预训练后的ResNet18网络中的前3个残差块作为本网络的初步特征提取器；搭建双重注意力机制进行特征的进一步提取；使用全连接层将特征映射到样本的标记空间；使用softmax根据概率的大小获得分类结果；使用Focal Loss损失函数以解决类别不平衡的问题；利用测试集评估模型性能；识别并输出识别结果。该方法能有效提高喷溅程度的识别精度。