-
公开(公告)号：CN110456756B
公开(公告)日：2020-12-08
申请号：CN201910880712.X
申请日：2019-09-18
Applicant: 中南大学
IPC: G05B19/418
Abstract: 本发明属于工业过程实时优化控制领域，公开了一种适用于连续生产过程全局运行状况在线评估的方法，将连续生产过程按照从上至下分别为计划调度层、实时优化层和过程控制层的顺序，通过分析过程控制层运行性能对实时优化层运行性能的反馈影响、分析实时优化层运行性能对计划调度层运行性能的反馈影响、区分不同入口工况下的运行状况评价标准，实现了综合三层的跨层协同的运行状况在线评估，综合各层次运行状况之间的信息传递与反馈，能更准确地评估全局运行状况，并进行运行状况“非优”原因追溯。
-
公开(公告)号：CN110490496A
公开(公告)日：2019-11-22
申请号：CN201910880769.X
申请日：2019-09-18
Applicant: 中南大学
Abstract: 本发明公开了一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法，属于软测量技术领域，包括以下步骤：通过专家知识，选取影响产品质量的辅助变量并收集数据样本；综合考虑变量相关性与变量对工况变化的敏感性计算辅助变量敏感性指标，初步筛选影响主导变量的敏感变量；构建加权余弦马田系统，精确筛选影响产品质量的关键敏感变量。本发明可以准确地反应变量的相关性和工况信息，同时较好地降低变量的冗余性，不仅可以提高产品质量预测精度，而且可以有效地降低预测模型复杂性，对软传感器模型的维护同样具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN110456756A
公开(公告)日：2019-11-15
申请号：CN201910880712.X
申请日：2019-09-18
Applicant: 中南大学
IPC: G05B19/418
Abstract: 本发明属于工业过程实时优化控制领域，公开了一种适用于连续生产过程全局运行状况在线评估的方法，将连续生产过程按照从上至下分别为计划调度层、实时优化层和过程控制层的顺序，通过分析过程控制层运行性能对实时优化层运行性能的反馈影响、分析实时优化层运行性能对计划调度层运行性能的反馈影响、区分不同入口工况下的运行状况评价标准，实现了综合三层的跨层协同的运行状况在线评估，综合各层次运行状况之间的信息传递与反馈，能更准确地评估全局运行状况，并进行运行状况“非优”原因追溯。
-
公开(公告)号：CN108490782A
公开(公告)日：2018-09-04
申请号：CN201810305512.7
申请日：2018-04-08
Applicant: 中南大学
IPC: G05B13/04
Abstract: 本发明涉及工业过程控制技术领域，公开了一种基于选择性双层集成学习适用于复杂工业过程产品质量指标缺失数据补全的方法及系统。首先提取采样数据的不同维变量生成多个采样集作为子模型的训练集；然后对每个子模型分别采用向量机、BP神经网络、偏最小二乘法三种方法进行建模；最后提出了一种补全效果评估指标，对各子模型的补全效果进行评估，选取补全效果最好的几个子模型进行选择性集成。本发明充分利用了训练样本的全部变量，具有较好的数据补全效果，有助于企业根据分析得到的生产过程实际运行状况进行有针对性的生产操作优化。
-
公开(公告)号：CN110490496B
公开(公告)日：2022-03-11
申请号：CN201910880769.X
申请日：2019-09-18
Applicant: 中南大学
Abstract: 本发明公开了一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法，属于软测量技术领域，包括以下步骤：通过专家知识，选取影响产品质量的辅助变量并收集数据样本；综合考虑变量相关性与变量对工况变化的敏感性计算辅助变量敏感性指标，初步筛选影响主导变量的敏感变量；构建加权余弦马田系统，精确筛选影响产品质量的关键敏感变量。本发明可以准确地反应变量的相关性和工况信息，同时较好地降低变量的冗余性，不仅可以提高产品质量预测精度，而且可以有效地降低预测模型复杂性，对软传感器模型的维护同样具有重要意义。
-
公开(公告)号：CN108490782B
公开(公告)日：2019-04-09
申请号：CN201810305512.7
申请日：2018-04-08
Applicant: 中南大学
IPC: G05B13/04
Abstract: 本发明涉及工业过程控制技术领域，公开了一种基于选择性双层集成学习适用于复杂工业过程产品质量指标缺失数据补全的方法及系统。首先提取采样数据的不同维变量生成多个采样集作为子模型的训练集；然后对每个子模型分别采用向量机、BP神经网络、偏最小二乘法三种方法进行建模；最后提出了一种补全效果评估指标，对各子模型的补全效果进行评估，选取补全效果最好的几个子模型进行选择性集成。本发明充分利用了训练样本的全部变量，具有较好的数据补全效果，有助于企业根据分析得到的生产过程实际运行状况进行有针对性的生产操作优化。
-
公开(公告)号：CN108776831A
公开(公告)日：2018-11-09
申请号：CN201810459432.7
申请日：2018-05-15
Applicant: 中南大学
Abstract: 本发明公开了一种基于动态卷积神经网络的复杂工业过程数据建模方法，包括以下步骤：选取与工业过程目标变量相关性强的过程变量，采样得到各过程变量的时间序列；用等深分箱箱形图对这些时间序列进行异常点检测与剔除，再用线性插值法填补；提取目标变量采样时刻前一个过程时滞范围内各过程变量的时间序列，组成包含过程动态特性的二维矩阵，形成图片式样本；构建动态卷积神经网络分析工业过程数据的动态特性、自动识别各敏感变量的时间和空间关系并建立目标变量的预测模型。本发明利用实际生产过程现场积累的大量历史数据，精准地建立了用可测过程变量预测难测目标变量的数据模型，对生产过程在线评估与动态调整、乃至节能减排具有重要意义。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
