-
公开(公告)号：CN118521213A
公开(公告)日：2024-08-20
申请号：CN202410677478.1
申请日：2024-05-29
Applicant: 国投新疆罗布泊钾盐有限责任公司 , 中南大学
IPC: G06Q10/0639 , G06Q50/04 , G06F18/10 , G06F18/213 , G06F18/214
Abstract: 本公开实施例中提供了一种时序长短期依赖的工业关键质量指标预测方法，属于数据处理技术领域，具体包括：确定关键质量指标，并筛选出建模辅助变量；训练辅助变量隐空间嵌入模型；构建渐进式自校正的深度条件扩散模型框架；构建时序长短期依赖噪声预测模型；以噪声预测误差为损失函数进行训练；逐步去除从高斯分布采样所得数据中的噪声，得到无噪目标信息并将其关键质量指标部分的中位数作为指标预测值；将无噪目标信息中辅助变量部分还原至样本空间，将所得数据中位数作为辅助变量预测值；利用带噪数据训练辅助变量预测模型；渐进式获得辅助变量实际值，利用其与带噪数据间映射关系引导反向去噪。通过本公开的方案，提高了预测精度和适应性。
-
公开(公告)号：CN114911950B
公开(公告)日：2024-08-06
申请号：CN202210498442.8
申请日：2022-05-09
Applicant: 中南大学
IPC: G06F16/36 , G06F16/28 , G06F40/295 , G06F40/30 , G06N5/022 , G06N5/04 , G06Q10/0639 , G06Q50/04
Abstract: 本公开实施例中提供了一种注塑产品质量监控过程知识图谱构建及推理方法，属于计算技术领域，具体包括：在分析注塑领域知识并对其进行预处理操作的基础上构建模式层，其中，所述预处理操作包括对知识三元组的实体与关系进行分类设定、引入定量化的实体属性、针对所述知识三元组引入知识可信度属性、构建虚拟节点；在所述模式层的指导下获取结构化数据和非结构化数据，形成数据层，并结合所述模式层和所述数据层形成知识图谱；针对知识图谱，通过基于规则的可行路径检索、各可行路径可信度计算、基于可信度排序的最佳路径选择进行知识推理。通过本公开的方案，实现了定性知识与定量知识融合，提高了知识图谱的可拓展性、推理效率和可靠性。
-
公开(公告)号：CN114996927A
公开(公告)日：2022-09-02
申请号：CN202210586238.1
申请日：2022-05-27
Applicant: 中南大学
IPC: G06F30/20 , G06F119/02
Abstract: 本发明涉及过程数据分析领域，具体为一种基于局部约束的串级CSTH性能评估与诊断方法，所述性能评估与诊断方法包括以下步骤：S1、数据准备与预处理，S2、构建流形局部约束的性能评估模型，S3、迭代求解迹比问题获得性能评估指标，S4、导致性能变化的关键回路/变量诊断。通过上述步骤，使得本发明不要求过程模型和控制器模型，仅依赖于过程数据，所提性能评估方法既考虑了过程的稳态特性，也考虑了过程的动态特性，所提性能评估方法可考虑过程数据的局部信息结构，可以诊断导致性能变化的关键回路和变量，对重新设计过程控制器或调整过程参数有参考价值。
-
公开(公告)号：CN111931349B
公开(公告)日：2022-03-18
申请号：CN202010681224.9
申请日：2020-07-15
Applicant: 中南大学
Abstract: 本发明公开了一种基于动态主元分析的CSTH的乘性故障诊断方法，包括：S1、数据准备与预处理；S2、构建动态主元模型；S3、构建乘性故障模型，求得重构误差：根据所述动态主元模型，构建乘性故障模型，利用标准化以及时序扩展后的故障数据，基于重构误差最小的优化目标获取分别沿着m个假定故障变量方向进行重构时的重构幅值的最优解，进而求得m个假定故障变量方向的最优的重构矩阵的重构误差；S4、故障变量诊断：对比所述重构误差，最小的所述重构误差对应的假定故障变量诊断为故障变量。实现针对乘性故障的故障诊断。
-
公开(公告)号：CN113269067A
公开(公告)日：2021-08-17
申请号：CN202110532120.6
申请日：2021-05-17
Applicant: 中南大学
Abstract: 本发明涉及一种基于深度学习的周期性工业视频片段关键帧两阶段提取方法。该方法包括：获取工业视频图像，提取感兴趣区域，预处理，得到预处理后图像序列；构建基于深度学习的语义分割网络模型，提取所述预处理后图像的目标区域；第一阶段，构建卷积神经网络对所述预处理后图像进行分类，并对其时间序列进行分割，得候选关键帧序列集合；第二阶段，构建所述目标区域相似度矩阵，对所述候选关键帧序列进行聚类、筛选和融合，得关键帧。本发明针对工业视频特征复杂，当前方法缺乏全局性和局部性的问题，引入深度学习技术，以“先全局后局部”的两阶段思想，更快、更准确地提取了工业视频关键帧，对优化生产，实现提质增产具有指导意义。
-
Patent Agency Ranking
公开(公告)号：CN111931349A
公开(公告)日：2020-11-13
申请号：CN202010681224.9
申请日：2020-07-15
Applicant: 中南大学
Abstract: 本发明公开了一种基于动态主元分析的CSTH的乘性故障诊断方法，包括：S1、数据准备与预处理；S2、构建动态主元模型；S3、构建乘性故障模型，求得重构误差：根据所述动态主元模型，构建乘性故障模型，利用标准化以及时序扩展后的故障数据，基于重构误差最小的优化目标获取分别沿着m个假定故障变量方向进行重构时的重构幅值的最优解，进而求得m个假定故障变量方向的最优的重构矩阵的重构误差；S4、故障变量诊断：对比所述重构误差，最小的所述重构误差对应的假定故障变量诊断为故障变量。实现针对乘性故障的故障诊断。
-
公开(公告)号：CN110096810B
公开(公告)日：2020-03-17
申请号：CN201910366487.8
申请日：2019-05-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于逐层数据扩充深度学习的工业过程软测量方法，属于软测量技术领域，本发明所公开的技术方案通过采取数据扩充自编码器扩充过程变量的样本量，并利用多个数据扩充自编码器堆栈成深度网络模型，从工业过程数据中逐层获得由低层次到高层次的大量样本，为深度学习模型提供足够多的样本量，实现对产品质量的准确预测，能广泛运用于复杂工业过程如加氢裂化过程、钢铁烧结过程的产品质量预测，具有预测精度高、泛化性好等优点。
-
公开(公告)号：CN107966976B
公开(公告)日：2019-07-02
申请号：CN201711277689.2
申请日：2017-12-06
Applicant: 中南大学
Abstract: 本发明涉及一种数据驱动的烘丝水分控制回路性能评价与调整系统，包括历史数据采集模块、有效数据获取模块、环境温湿度聚类模块、聚类效果评价模块、综合评价值计算模块、性能评价模块以及控制器参数调整模块。本发明基于评价的结果还可指导后续控制参数的调整以保证控制回路的控制性能，通过对环境条件分类和数据驱动方法，对烘丝过程水分控制回路进行多属性综合评价，避免对对象进行数学建模的过程，充分利用过程采集的历史数据，结合多种评价指标进行控制回路的性能评价，并以此指导控制器参数的自调整，更容易推广。
-
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
153
records
(took 0.037 seconds)
