-
公开(公告)号：CN118151627B
公开(公告)日：2024-11-29
申请号：CN202410220859.7
申请日：2024-02-28
Applicant: 兰州理工大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于自适应随机配置网络的间歇过程故障预测方法，利用慢特征分析提取间歇过程动态特征，建立模型更新指标，实现模型失配判断。利用邻域保持嵌入提取过程数据特征，构建过程监控时间序列，利用优化后的随机配置网络完成过程监控时间序列的趋势预测；当监测模型不匹配且需要更新时，使用在线数据的正常时域样本创建更新的数据集，并使用神经网络增量策略更新模型以适应动态时变特性，提高了故障预测的性能。实时监测复杂间歇过程的故障状态，准确预测故障趋势。
-
公开(公告)号：CN116632834A
公开(公告)日：2023-08-22
申请号：CN202310682030.4
申请日：2023-06-09
Applicant: 兰州理工大学
Inventor： 赵小强 , 顾鹏 , 强睿儒 , 张亚洲 , 脱奔奔 , 张秀敏 , 徐蓉蓉 , 王彤 , 刘凯 , 王泽 , 姚青磊 , 乔慧 , 李希尧 , 柴靖轩 , 程伟 , 柳勇勇 , 宋昭漾 , 梁浩鹏 , 牟淼 , 张妍
IPC: H02J3/00 , G06N3/0464 , G06N3/08 , G06N3/006
Abstract: 本发明公开了一种基于SSA‑BiGRU‑Attention的短期电力负荷预测方法，属于电力系统短期负荷预测技术领域，包括如下步骤：S1：采集电力负荷的相关数据，对其样本数据进行数据清洗和归一化处理；S2：构建BiGRU‑Attention短期电力负荷预测模型，将处理后的数据输入到BiGRU网络，充分提取负荷数据的时空特性；本发明解决了现有选取超参数预测精度不高、耗费时间长的问题，本发明采用BiGRU神经网络建立双向时间序列特征，结合Attention对BiGRU网络隐藏层的不同状态分配不同的权重，结果表明引入Attention对输入信息进行权重分配后，对比同权重输入信息预测准确度有提升。
-
-
公开(公告)号：CN113341926A
公开(公告)日：2021-09-03
申请号：CN202110651182.9
申请日：2021-06-10
Applicant: 兰州理工大学
IPC: G05B23/02
Abstract: 本发明提供了一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法，主要包括如下步骤：(1)采集间歇过程正常运行情况下多个批次的关键变量数据信息，构成三维数据集X(I×J×K)；(2)沿着批次I的方向将三维数据集X(I×J×K)展开为二维数据集X(I×KJ)，将展开数据进行标准化，然后重新排列成X(KI×J)；(3)通过高斯混合模型对于处理后的三维数据集X(KI×J)进行阶段划分；(4)对于划分的多个阶段，求取各阶段稀疏重构系数矩阵，并建立SWNPE模型，计算基于SWNPE模型的SPE和T2统计量并确定各阶段对应的统计控制限；(5)采集在线的间歇过程数据，进行数据展开、多阶段划分、特征提取，如得到的SPE和T2统计量超出其控制限，则说明过程发生故障，并进行故障报警。
-
公开(公告)号：CN118394039A
公开(公告)日：2024-07-26
申请号：CN202410478770.0
申请日：2024-04-20
Applicant: 兰州理工大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于RGTW‑MODWNPE模型的不等长间歇过程故障检测方法，通过松弛贪婪时间规整方法进行批次数据的同步和规整，基于规整后的批次数据，求取同时考虑重构误差和邻域距离的权值。然后，利用正交基函数来保持数据的度量结构，既不扭曲度量结构，又对数据维数不敏感。最后，利用RGTW‑MODWNPE建立故障监测模型，在故障发生时进行故障检测，不仅能够规整和同步不等长批次，还可以充分提取过程的局部流形特征用于过程监控。
-
Patent Agency Ranking
-
公开(公告)号：CN116916410B
公开(公告)日：2025-02-28
申请号：CN202310971760.6
申请日：2023-08-03
Applicant: 兰州理工大学
IPC: H04W40/22 , H04W40/12 , H04W40/16 , G06N3/0455 , G06F18/232 , G06F18/22
Abstract: 本发明公开了一种基于变分自编码器的无线通信网络中继选择方法，包括以下步骤：采集数据集、建立变分自编码器模型、通过将采样数据集输入VAE模型，得到编码后的数据集和解码后的数据集以及重要性采样选择最优中继节点；本发明能够更准确地评估中继节点的性能，并选择最优的中继节点进行信号转发，从而提高网络的性能和可靠性。
-
公开(公告)号：CN113341926B
公开(公告)日：2023-11-17
申请号：CN202110651182.9
申请日：2021-06-10
Applicant: 兰州理工大学
IPC: G05B23/02
Abstract: 本发明提供了一种基于稀疏加权邻域保持嵌入的多阶段间歇过程故障检测方法，主要包括如下步骤：(1)采集间歇过程正常运行情况下多个批次的关键变量数据信息，构成三维数据集X(I×J×K)；(2)沿着批次I的方向将三维数据集X(I×J×K)展开为二维数据集X(I×KJ)，将展开数据进行标准化，然后重新排列成X(KI×J)；(3)通过高斯混合模型对于处理后的三维数据集X(KI×J)进行阶段划分；(4)对于划分的多个阶段，求取各阶段稀疏重构系数矩阵，并建立SWNPE模型，计算基于SWNPE模型的SPE和T2统计量并确定各阶段对应的统计控制限；(5)采集在线的间歇过程数据，进行数据展开、多阶段划分、特征提取，如得到的SPE和T2统计量超出其控制限，则说明过程发生故障，并进行故障报警。
-
公开(公告)号：CN116502168B
公开(公告)日：2024-02-02
申请号：CN202310559773.2
申请日：2023-05-18
Applicant: 兰州理工大学
IPC: G06F18/2433 , H04L41/14 , H04L43/04 , G06F18/15 , G06F18/213 , G06F18/214 , G06N3/045 , G06N3/08 , G07C3/00
Abstract: 本发明公开了基于孪生深度邻域保持嵌入网络的间歇过程故障检测方法，包括离线建模部分和在线监测部分；其中，在离线建模部分基于历史数据集构建SDeNPE网络；基于SDeNPE网络，采用核密度估计法获得两个历史数据集的置信度阈值；在在线监测部分，实时采集正常工况下间歇过程的在线操作数据，将多个在线操作数据均分为两个在线数据集，并分别对每个在线数据集进行标准化处理；将标准化处理后的每个在线数据集输入至SDeNPE网络中，获得每个在线数据集的在线数据统计量；通过该方法可以使故障检测过程中提取的特征更加多样化，从而快速准确(56)对比文件Hongjuan Yao 等.Batch processmonitoring based on global enhancedmultiple neighborhoods preservingembedding《.Transactions Of The InstituteOf Measurement And Control》.2022,第44卷(第3期),第620-633页.宋远大 等.基于完全邻域保持嵌入的光伏组件热斑故障诊断《.计算机集成制造系统》.2023,全文.赵小强 等.基于SPA间歇过程故障诊断的MKNPE算法《.兰州理工大学学报》.2016,第42卷(第03期),第82-87页.赵小强 等.基于改进NPE算法的间歇过程故障检测《.兰州理工大学学报》.2020,第46卷(第02期),第86-91页.Xiao-qiang Zhao 等.MKNPE algorithmbased on fault diagnosis of SPA batchprocess《.Journal of Lanzhou University ofTechnology》.2016,第42卷(第3期),第82-87页.
-
公开(公告)号：CN116595454A
公开(公告)日：2023-08-15
申请号：CN202310560003.X
申请日：2023-05-18
Applicant: 兰州理工大学
IPC: G06F18/2415 , G06N3/0499 , G06N3/08 , G06F18/25 , G06F17/10
Abstract: 本发明公开了基于邻域嵌入神经正交映射算法的间歇过程故障检测方法，在离线建模部分构建NENOM模型，从而获得控制限；于在线监测部分，实时采集多个在线间歇过程变量和在线产品质量变量，并对其进行标准化处理；通过贝叶斯融合法获得每个在线间歇过程变量与在线产品质量变量之间的在线融合互信息，并根据在线融合互信息和阈值获得在线质量相关变量和在线质量无关变量；基于在线质量相关变量和在线质量无关变量，并结合映射特征，获得统计量；将统计量与控制限进行对比，若统计量超过控制限，则表明间歇过程发生故障。该方法着重关注影响产品质量的过程变量，这可以减少由于与质量无关的变量故障而导致的生产线停机和设备寿命损失。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.029 seconds)
