-
公开(公告)号：CN108763346A
公开(公告)日：2018-11-06
申请号：CN201810459087.7
申请日：2018-05-15
Applicant: 中南大学
IPC: G06F17/30
Abstract: 本发明公开了一种滑窗箱型图中值滤波的异常点处理方法，包括以下步骤：针对工业过程中实时采集的过程变量的时间序列，采用滑窗箱型图方法进行异常点的检测；统计每个初判异常点在所有滑窗箱中被检测的次数，若大于设定的异常点检测频数阈值，则认定为正式的异常点，否则，认定为误断予以保留；然后仅对判定为异常点的数据点采用邻域中值滤波方法进行处理，形成正常的连续时序数据。本发明采用滑窗箱型图方法进行异常点的检测，避免了整箱处理引起漏判或分箱处理引起误判的问题，仅对检测出的异常点进行邻域中值滤波，使数据的细节结构免遭破坏，时间序列尽量平滑，大大减弱了异常点漏判或误判对时间序列的影响，有效提高了数据质量。
-
公开(公告)号：CN106647274B
公开(公告)日：2018-05-18
申请号：CN201611240042.8
申请日：2016-12-28
Applicant: 中南大学
IPC: G05B13/04
Abstract: 本发明提供了一种连续生产过程中运行工况稳态判别方法，包括：S1基于生产过程中运行参数，利用主成分分析法得到主成分和对应的特征值；S2基于所述主成分中第一主成分中连续的稳态片段，确定多项式滤波窗口；S3基于每一个所述窗口，利用多项式滤波稳态判别法对所述主成分中每个主成分进行稳态检测；S4基于所述对应的特征值，对所述每个主成分的稳态检测结果赋予权值，确定所述窗口稳态检测结果；根据所述窗口的稳态检测结果，获得生产过程中运行工况稳态判别结果。在生产过程调整较为频繁、监测变量多且波动较大时，本发明的方法通过提取数据的综合信息，可以有效地避免单个或几个变量误差对稳态判别的影响，增强了在工业过程中的适应性。
-
公开(公告)号：CN107273633B
公开(公告)日：2018-03-27
申请号：CN201710517466.2
申请日：2017-06-29
Applicant: 中南大学
CPC classification number: Y02P90/30
Abstract: 本发明公开了多工序间变量时滞估计方法，包括以下步骤：选取各工序间变量，采样获得变量的时间序列并组成原始数据矩阵；利用多项式最小二乘拟合进行滑动窗口回归，并求导得到这些变量时间序列的导数数据矩阵；预定义采样时滞序列，根据导数数据矩阵，计算两两工序间变量经采样时滞平移后的趋势相似度；用L2范数最小表征多工序间变量的趋势一致性，建立多工序间变量时滞估计问题的优化模型；采用改进的自适应粒子群算法，求解多工序间变量时滞估计问题，寻优得到最优采样时滞序列。其利用实际生产流程现场积累的大量历史数据，可合理估计出生产流程多工序间变量的时滞，有效地提高了流程建模精度和优化控制效果，对生产流程节能减排具有重要意义。
-
公开(公告)号：CN106845796B
公开(公告)日：2018-04-13
申请号：CN201611234215.5
申请日：2016-12-28
Applicant: 中南大学
Abstract: 本发明提供一种加氢裂化流程产品质量在线预测方法。所述方法包括：S1基于产品质量离线化验时间前一个流程时滞时间窗口内的产品的敏感参数，利用多项式最小二乘法拟合得到所述产品敏感参数的稳态指数；S2基于所述产品敏感参数的稳态指数和所述产品敏感参数对所述流程的影响程度，利用Dempster规则构建系统稳态指数；根据系统稳态指数，获得产品质量离线化验时间前一个流程时滞时间窗口内系统处于稳态的稳态数据；S3基于所述稳态数据中各敏感参数在流程时滞时间窗口内的数据均值，利用随机森林产品质量在线预测模型实现所述产品的质量在线预测。本发明的方法充分利用加氢裂化全流程过程变量使得预测得到的质量能够反映全局运行状况。
-
公开(公告)号：CN107273633A
公开(公告)日：2017-10-20
申请号：CN201710517466.2
申请日：2017-06-29
Applicant: 中南大学
CPC classification number: Y02P90/30 , G06F17/5009 , G06F2217/06 , G06F2217/84 , G06K9/6215 , G06N3/006 , G06Q10/04 , G06Q50/04
Abstract: 本发明公开了多工序间变量时滞估计方法，包括以下步骤：选取各工序间变量，采样获得变量的时间序列并组成原始数据矩阵；利用多项式最小二乘拟合进行滑动窗口回归，并求导得到这些变量时间序列的导数数据矩阵；预定义采样时滞序列，根据导数数据矩阵，计算两两工序间变量经采样时滞平移后的趋势相似度；用L2范数最小表征多工序间变量的趋势一致性，建立多工序间变量时滞估计问题的优化模型；采用改进的自适应粒子群算法，求解多工序间变量时滞估计问题，寻优得到最优采样时滞序列。其利用实际生产流程现场积累的大量历史数据，可合理估计出生产流程多工序间变量的时滞，有效地提高了流程建模精度和优化控制效果，对生产流程节能减排具有重要意义。
-
Patent Agency Ranking
公开(公告)号：CN106845796A
公开(公告)日：2017-06-13
申请号：CN201611234215.5
申请日：2016-12-28
Applicant: 中南大学
IPC: G06Q10/06
CPC classification number: G06Q10/06395
Abstract: 本发明提供一种加氢裂化流程产品质量在线预测方法。所述方法包括：S1基于产品质量离线化验时间前一个流程时滞时间窗口内的产品的敏感参数，利用多项式最小二乘法拟合得到所述每个敏感参数的稳态指数；S2基于所述每个敏感参数的稳态指数和所述每个敏感参数对所述流程的影响程度，利用Dempster规则构建系统稳态指数；根据系统稳态指数，获得产品质量离线化验时间前一个流程时滞时间窗口内系统处于稳态的稳态数据；S3基于所述稳态数据中各敏感参数在流程时滞时间窗口内的数据均值，利用随机森林产品质量在线预测模型实现所述产品的质量在线预测。本发明的方法充分利用加氢裂化全流程过程变量使得预测得到的质量能够反映全局运行状况。
-
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。
-
公开(公告)号：CN104866862B
公开(公告)日：2017-12-22
申请号：CN201510204464.9
申请日：2015-04-27
Applicant: 中南大学
Abstract: 本发明公开了一种带钢表面面积型缺陷识别分类的方法，包括以下步骤：从训练样本库中提取带钢表面图片，去除无用背景，将图片所属类别保存至对应标签矩阵中；对上述图片进行双线性差值算法缩放；采用Gamma校正法，对缩放后图片的图像进行颜色空间归一化；对校正后图片进行方向梯度直方图特征提取；选择灰度共生矩阵对校正后图片进行纹理特征提取；将方向梯度直方图特征与纹理特征合并，构造一个含两大类特征的特征集作为训练数据库；将特征数据用改进的随机森林分类算法进行训练；将待识别带钢缺陷图片依次经过双线性插值算法缩放、Gamma校正、方向梯度直方图特征和纹理特征提取，再将特征数据输入到改进的随机森林分类器中完成识别。
-
公开(公告)号：CN106647274A
公开(公告)日：2017-05-10
申请号：CN201611240042.8
申请日：2016-12-28
Applicant: 中南大学
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 本发明提供了一种连续生产过程中运行工况稳态判别方法，包括：S1基于生产过程中运行参数，利用主成分分析法得到主成分和对应的特征值；S2基于所述主成分中第一主成分中连续的稳态片段，确定多项式滤波窗口；S3基于每一个所述窗口，利用多项式滤波稳态判别法对所述主成分中每个主成分进行稳态检测；S4基于所述对应的特征值，对所述每个主成分的稳态检测结果赋予权值，确定所述窗口稳态检测结果；根据所述窗口的稳态检测结果，获得生产过程中运行工况稳态判别结果。在生产过程调整较为频繁、监测变量多且波动较大时，本发明的方法通过提取数据的综合信息，可以有效地避免单个或几个变量误差对稳态判别的影响，增强了在工业过程中的适应性。
-
公开(公告)号：CN108763346B
公开(公告)日：2022-02-01
申请号：CN201810459087.7
申请日：2018-05-15
Applicant: 中南大学
IPC: G06F16/2458
Abstract: 本发明公开了一种滑窗箱型图中值滤波的异常点处理方法，包括以下步骤：针对工业过程中实时采集的过程变量的时间序列，采用滑窗箱型图方法进行异常点的检测；统计每个初判异常点在所有滑窗箱中被检测的次数，若大于设定的异常点检测频数阈值，则认定为正式的异常点，否则，认定为误断予以保留；然后仅对判定为异常点的数据点采用邻域中值滤波方法进行处理，形成正常的连续时序数据。本发明采用滑窗箱型图方法进行异常点的检测，避免了整箱处理引起漏判或分箱处理引起误判的问题，仅对检测出的异常点进行邻域中值滤波，使数据的细节结构免遭破坏，时间序列尽量平滑，大大减弱了异常点漏判或误判对时间序列的影响，有效提高了数据质量。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.05 seconds)
