-
公开(公告)号：CN120067793A
公开(公告)日：2025-05-30
申请号：CN202510117665.9
申请日：2025-01-24
Applicant: 中国矿业大学
IPC: G06F18/241 , G06F18/15 , G06F18/23 , B03B9/00 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 一种基于聚类引导图Transformer模型的复杂工业过程运行状态评价方法，将离线时序数据转换为图结构表示；将图结构数据输入图卷积神经网络并利用聚类算法重构GCN信息传递方式，建立空间信息学习模块；使用GCN优化后的节点特征输入并训练Transformer网络模型，建立整体运行状态评价离线模型；使用在线数据进行运行状态评价；通过实时采样得到在线过程数据X，并对采集数据进行处理；利用滑动窗口对数据进行数据划分，得到长度为N的时间序列；将时间序列数据转换为图结构表示并输入到运行状态评价模型，得到在线数据状态等级的后验概率；利用归一指数函数对后验概率进行归一化，最大后验概率即为当前运行状态等级。该方法能够迅速且精准地评估工业过程的运行状态。
-
公开(公告)号：CN120011746A
公开(公告)日：2025-05-16
申请号：CN202510042070.1
申请日：2025-01-10
Applicant: 中国矿业大学
IPC: G06F18/20 , G06N5/025 , G06F18/10 , G06F18/213 , G06F18/24 , G06N3/0442
Abstract: 一种基于跨时空稳定因果动态贝叶斯网络的自愈控制方法，采用插值方式融合LSTM算法从工业过程数据提取的时间特征和基于全流程物理单元分布知识提取的空间特征；基于时间特征和空间特征，结合稳定学习与DBN，构建知识和数据双驱动的跨时空因果动态贝叶斯网络模型；利用跨时空因果动态贝叶斯网络模型结合时空特征进行虚假因果关系的判别；采用样本重加权技术，调整样本权重；使用选定的特征和样本权重训练跨时空因果动态贝叶斯网络模型，得到跨时空稳定因果DBN模型；将在线异常数据变量作为证据输入到跨时空稳定因果DBN模型中，确定发生异常的时间片和引起异常工况的变量，并推理出控制方案；实施控制方案。该方法能快速有效消除过程突发异常工况。
-
公开(公告)号：CN112966429B
公开(公告)日：2024-10-18
申请号：CN202010803150.1
申请日：2020-08-11
Applicant: 中国矿业大学
IPC: G06F30/27 , G06N20/10 , G06F18/27 , G06N3/045 , G06N3/0475 , G06N3/094 , G06F111/10
Abstract: 本发明公开了一种基于WGANs数据增强的非线性工业过程建模方法，属于工业生产过程构建性能预测模型技术领域。本发明核心是利用生成对抗网络对非线性工业过程建模小样本数据进行数据增强，将生成样本与原有样本混合构建工业过程模型，降低建模成本。具体是先利用拉丁超立方(LHD)方法采集非线性工业过程建模的小样本数据集；然后利用该部分小样本数据训练Wasserstein生成对抗网络(WGANs)；待WGANs训练达到要求后，利用其生成器产生虚拟样本，选取合适的样本与初始小样本数据混合，完成数据增强；最后基于混合数据和支持向量回归方法为目标工业过程建立合适的数据驱动模型。本发明有效解决了非线性工业过程建模数据不充足问题，充分利用了工业过程的小样本数据，通过数据增强加快了建模速度，提高了建模精度和效率，降低了建模成本。
-
公开(公告)号：CN118350614A
公开(公告)日：2024-07-16
申请号：CN202410067934.0
申请日：2024-01-17
Applicant: 中国矿业大学
IPC: G06Q10/0633 , G06Q10/0637 , G06F30/27 , G06N5/04 , G06N7/01 , G06Q50/04
Abstract: 一种基于分布时序动态贝叶斯网络库的浮选过程安全控制方法，子流程划分；分别提取原煤处理、重介质选煤和浮选子流程的质量指标相关的变量，并进行变量的分配；采集子流程数据集，并进行相关性分析；建立局部贝叶斯网络库；建立全局动态贝叶斯网络结构；将在线异常数据作为证据输入到全局贝叶斯网络中推理出发生异常的模块；确定发生异常的模块之后，在动态贝叶斯网络库中，利用动态时间规整算法找出与异常数据最契合的局部动态贝叶斯网络；将异常数据输入到局部动态贝叶斯网络中进行控制决策推理；实施控制决策策略，如果异常消除则进入到正常模式。该方法能在煤泥浮选工业过程出现异常后迅速做出有效的控制决策，可保证工业过程安全稳定的运行。
-
公开(公告)号：CN112506050B
公开(公告)日：2021-12-03
申请号：CN202011218977.2
申请日：2020-11-04
IPC: G05B13/04
Abstract: 一种基于潜变量过程迁移模型的间歇过程集成优化方法，获取新生产过程B和旧生产过程A的数据信息，且展开二维数据矩阵以获得Xa、Ya、Xb、Yb；对A和B生产过程的数据矩阵进行归一化处理，并建立过程迁移模型；构造优化问题并求解B生产过程最优解xb(k)*；在单个批次运行期间内对操作变量x设定n个决策点，将其分成n+1段；当到达第i个决策点时，判断是否缺失数据，在决策点形成输入矢量，对未知数据进行补充，预估未来的操作变量轨迹；判断决策点i处是否存在扰动，存在扰动计算新的控制剖面；对操作变量进行补偿更新，对补偿后的优化解进行滤波；获取最终产品质量，并使用新的控制剖面操作第k+1个批次。该方法能有利于提高产品的生产质量。
-
Patent Agency Ranking
公开(公告)号：CN112363462B
公开(公告)日：2021-11-16
申请号：CN202011050080.3
申请日：2020-09-29
Applicant: 中国矿业大学
IPC: G05B19/418
Abstract: 一种静‑动态协同感知的复杂工业过程运行状态评价方法，先利用KPI‑Driven SFA算法，进行静‑动态特性协同感知信息挖掘，建立运行状态的离线评价模型；引入滑动窗口技术，计算在线数据的得分向量及其一阶差分与各个状态等级的得分向量及其一阶差分之间变异信息的相似度，根据相似度计算静态和动态评价指标；制定有效评价规则，依据静态评价指标大小实现过程运行状态的在线识别；依据动态评价指标大小实现过程运行状态变化趋势在线识别，完成对各个状态和过渡过程的综合评价；针对非优，通过一种基于稀疏学习的数据驱动故障诊断方法，降低无关变量的影响，根据组贡献GWC追溯非优变量准确位置。该方法能够有效保证工业产品的质量。
-
公开(公告)号：CN112966429A
公开(公告)日：2021-06-15
申请号：CN202010803150.1
申请日：2020-08-11
Applicant: 中国矿业大学
IPC: G06F30/27 , G06N20/10 , G06K9/62 , G06F111/10
Abstract: 本发明公开了一种基于WGANs数据增强的非线性工业过程建模方法，属于工业生产过程构建性能预测模型技术领域。本发明核心是利用生成对抗网络对非线性工业过程建模小样本数据进行数据增强，将生成样本与原有样本混合构建工业过程模型，降低建模成本。具体是先利用拉丁超立方(LHD)方法采集非线性工业过程建模的小样本数据集；然后利用该部分小样本数据训练Wasserstein生成对抗网络(WGANs)；待WGANs训练达到要求后，利用其生成器产生虚拟样本，选取合适的样本与初始小样本数据混合，完成数据增强；最后基于混合数据和支持向量回归方法为目标工业过程建立合适的数据驱动模型。本发明有效解决了非线性工业过程建模数据不充足问题，充分利用了工业过程的小样本数据，通过数据增强加快了建模速度，提高了建模精度和效率，降低了建模成本。
-
公开(公告)号：CN112363462A
公开(公告)日：2021-02-12
申请号：CN202011050080.3
申请日：2020-09-29
Applicant: 中国矿业大学
IPC: G05B19/418
Abstract: 一种静‑动态协同感知的复杂工业过程运行状态评价方法，先利用KPI‑Driven SFA算法，进行静‑动态特性协同感知信息挖掘，建立运行状态的离线评价模型；引入滑动窗口技术，计算在线数据的得分向量及其一阶差分与各个状态等级的得分向量及其一阶差分之间变异信息的相似度，根据相似度计算静态和动态评价指标；制定有效评价规则，依据静态评价指标大小实现过程运行状态的在线识别；依据动态评价指标大小实现过程运行状态变化趋势在线识别，完成对各个状态和过渡过程的综合评价；针对非优，通过一种基于稀疏学习的数据驱动故障诊断方法，降低无关变量的影响，根据组贡献GWC追溯非优变量准确位置。该方法能够有效保证工业产品的质量。
-
公开(公告)号：CN111709523A
公开(公告)日：2020-09-25
申请号：CN202010566164.6
申请日：2020-06-19
Applicant: 中国矿业大学
Abstract: 一种基于内部集成的宽度学习方法，通过获取训练数据，包括训练输入数据和训练输出数据，并对其进行预处理；再对训练输入数据进行特征提取，形成n组特征节点并构造特征节点矩阵Zn，将特征节点进行非线性增强共得到m组增强节点；将特征节点矩阵分别与不同组增强节点组合得到各个模型的隐藏层输出矩阵，共得到k组宽度学习系统模型；通过一次训练实现多个模型的集成学习，使其在基本不增加额外训练时间的情况下，将宽度学习与集成学习融合到了一起，改善了宽度学习中由于随机操作带来的搜索过程不完善和数据具有随机性、波动性的问题，提高了宽度学习系统的泛化性和稳定性，与普通集成方法相比，降低了实现集成学习的成本，提高了训练效率。
-
公开(公告)号：CN111679643A
公开(公告)日：2020-09-18
申请号：CN202010599839.7
申请日：2020-06-28
Applicant: 中国矿业大学
IPC: G05B19/418
Abstract: 一种二阶修正自适应间歇过程优化方法，将生产过程a、b的三维输入数据矩阵按照批次方向展开为二维输入数据矩阵Xa,Xb；对Xa,Xb按列进行标准化处理，对生产过程a和b的二维输出数据矩阵Ya,Yb进行标准化处理；利用Xa,Xb和Ya,Yb建立潜变量过程迁移模型；令i＝i+1，重复步骤三至步骤四直到提取出A个主元；提取出全部主成分；收集的生产数据信息；采用二阶修正自适应优化方法进行批次间优化；判断当前批次的输入数据与求得的下一批次的最优输入数据之差的范数是否小于预设阈值；过程输出；根据当前批次的最优输入数据和实际输出数据对所述潜变量过程迁移模型进行更新；对旧过程数据进行剔除；对第k+1个批次的优化操作。该方法能高效且显著的提升产品的最终质量和优化过程的效率。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.031 seconds)
