一种基于关联参数挖掘的工业过程故障融合预测方法

    公开(公告)号:CN112801426A

    公开(公告)日:2021-05-14

    申请号:CN202110364925.4

    申请日:2021-04-06

    摘要: 本发明涉及一种基于关联参数挖掘的工业过程故障融合预测方法,包括步骤:基于关联规则挖掘算法对工业过程运行参数进行关联性挖掘;利用训练样本提取关联参数的参数特征,基于参数特征和故障时间构造训练集;利用训练集构造BP神经网络模型,作为基于关联参数的故障时间预测模型。本发明的有益效果是:构建了多参数多模型融合预测模型,将关联规则引入参数选取中,挖掘参数关联性进而筛选出用以建模的运行参数;进一步针对不同参数构建了不同预测模型,进一步将关联规则挖掘结果引入模型融合中实现预测模型的融合,从而获得了覆盖状态信息全面且具有强鲁棒性的故障时间预测模型。对于工程上的故障预测和健康管理有重大应用价值。

    一种基于混合监督双层匹配编码映射推荐方法

    公开(公告)号:CN113673202A

    公开(公告)日:2021-11-19

    申请号:CN202110905914.2

    申请日:2021-08-09

    摘要: 本发明涉及一种基于混合监督双层匹配编码映射推荐方法,包括步骤:使用采集设备采集原KKS编码列表和新KKS编码列表;进行人工匹配;将监督匹配模型训练数据集D进行有监督训练。本发明的有益效果是:提出智能化KKS编码映射的任务,先使用采集设备采集原KKS编码列表和新KKS编码列表,再进行人工匹配,将监督匹配模型训练数据集D进行有监督训练,采用原KKS编码列表内的中文描述、新KKS编码列表内的中文描述进行无监督匹配,对无监督匹配失败的数据进行有监督匹配;可直接获得标准编码的映射表,极大地减少了标准化工作的工作量,提升系统运行的稳定性,实现底层数据的通用化,统一了编码规则。

    一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统

    公开(公告)号:CN113359425A

    公开(公告)日:2021-09-07

    申请号:CN202110764315.3

    申请日:2021-07-06

    IPC分类号: G05B11/42

    摘要: 本发明涉及一种基于LSTM神经网络PID优化的火电厂锅炉主汽温智能控制系统的构建及工作方法,包括步骤:建立并训练主汽温预测模型;利用训练好的主汽温预测模型,进行PID优化;根据训练得到的主汽温预测模型,针对炉内空气动力场、火焰中心的扰动进行主汽温预测,量化风量波动、燃烧每层变动等扰动对于主汽温的影响,并根据主汽温预测结果来建立相关的调节经验库,作为智能化控制的依据。本发明的有益效果是:在现有的主汽温自动调节的基础上,建立主汽温的预测模型,改良主汽温PID系统结构,通过深度学习神经网络对主汽温的预测,利用主汽温的预测数值,改良过热器减温水的PID控制逻辑,显著改善其调节品质。

    一种基于有监督序列生成网络的集团级KKS编码自动映射方法

    公开(公告)号:CN113343642A

    公开(公告)日:2021-09-03

    申请号:CN202110905902.X

    申请日:2021-08-09

    摘要: 本发明涉及一种基于有监督序列生成网络的集团级KKS编码自动映射方法,包括步骤:通过采集设备收集旧KKS编码列表和新KKS编码列表;由通用分词规则对KKS编码数据集进行分词。本发明的有益效果是:将标准编码与厂侧编码通过模型完成自动映射,保证字典能在动态更新的情况下实现快速匹配;将厂侧编码作为输入用于模型训练,得到序列生成网络模型;序列生成网络模型中引入长短期记忆网络用于构建编码网络与解码网络,编码网络与解码网络中心对称,便于对KKS编码特征进行提取和重构;解决了不同编码规则下的映射问题,避免了因改变原有KKS编码导致的其他生产系统测点无法读取问题,降低了工作强度,实现底层数据的通用化。

    一种基于关联参数挖掘的工业过程故障融合预测方法

    公开(公告)号:CN112801426B

    公开(公告)日:2021-06-22

    申请号:CN202110364925.4

    申请日:2021-04-06

    摘要: 本发明涉及一种基于关联参数挖掘的工业过程故障融合预测方法,包括步骤:基于关联规则挖掘算法对工业过程运行参数进行关联性挖掘;利用训练样本提取关联参数的参数特征,基于参数特征和故障时间构造训练集;利用训练集构造BP神经网络模型,作为基于关联参数的故障时间预测模型。本发明的有益效果是:构建了多参数多模型融合预测模型,将关联规则引入参数选取中,挖掘参数关联性进而筛选出用以建模的运行参数;进一步针对不同参数构建了不同预测模型,进一步将关联规则挖掘结果引入模型融合中实现预测模型的融合,从而获得了覆盖状态信息全面且具有强鲁棒性的故障时间预测模型。对于工程上的故障预测和健康管理有重大应用价值。