-
公开(公告)号：CN101813932A
公开(公告)日：2010-08-25
申请号：CN200910010295.X
申请日：2009-02-03
Applicant: 东北大学
IPC: G05B19/418 , C22B3/22 , G05B13/04
CPC classification number: Y02P10/234 , Y02P90/02 , Y02P90/26
Abstract: 湿法冶金萃取过程组分含量预测与优化操作方法，采用多级萃取槽的湿法冶金萃取工艺，是通过对湿法冶金萃取过程的混合建模，实现萃余液组分含量的实时预测，并对萃取过程提供在线优化操作指导。包括数据采取、辅助变量的选择以及标准化处理、混合模型的建立、混合模型的校正、优化操作指导的确定等步骤。本发明能大幅度提高浸出率，使生产维持在最佳损伤状态，并能减少原料和能源的消耗，延长设备的运行周期。
-
公开(公告)号：CN119782292A
公开(公告)日：2025-04-08
申请号：CN202411695261.X
申请日：2024-11-25
Applicant: 东北大学
IPC: G06F16/215 , G06F16/28 , G06N3/042 , G06F16/36 , G06N20/20 , G06F16/25 , G06F18/24 , G06F18/22 , G06Q50/26
Abstract: 本发明提供一种基于人工智能的数据分析方法，包括：将收集的多来源数据进行整合、清洗后存储到关系型数据库，设计基于实体‑关系的数据模型来构建节点和关系，并将其存储到关系型数据库；通过社区发现算法、图神经网络和量化分析对知识图谱进行分析计算，以捕捉知识图谱的复杂特征和潜在异常情况；通过集成算法对社区发现算法、图神经网络和量化分析的三种结果进行拟合，以多方加权投票的方式生成最终的可疑分数判定。本发明从成千上万甚至几十万条数据中抽取疑似问题线索，为案件查办提供可能的线索方向，让问题发现变得更及时，让监督变得更精准高效，提高办案效率。
-
公开(公告)号：CN110807481A
公开(公告)日：2020-02-18
申请号：CN201911039968.4
申请日：2019-10-29
Applicant: 东北大学
Abstract: 本发明涉及一种基于多源数据的针对起重机械的故障预测方法，包括如下步骤：S1、数据采集获得多源多传感器数据；S2、将获得的多源多传感器数据处理及转换，获取多源多传感器数据的规范数据频谱图；S3、将获取的多源多传感器数据的规范数据频谱图输入基于深度学习的起重机械故障预测模型；S4、基于深度学习的起重机械故障预测模型根据输入的多源多传感器数据的规范数据频谱输出相应的故障预测结果；基于深度学习的起重机械故障预测模型是由历史多源多传感器数据和相应故障类型数据训练获得的故障预测模型。本发明提供的故障预测方法较传统的方法更加的智能化和高效化，对特种设备的安全方面有了大大的提升，同时也提高了起重机械设备等的寿命。
-
公开(公告)号：CN104616072A
公开(公告)日：2015-05-13
申请号：CN201510034259.2
申请日：2015-01-23
Applicant: 东北大学
Abstract: 本发明涉及一种基于区间优化的提高谷氨酸发酵产物浓度的方法，获取谷氨酸发酵过程历史生产数据，建立谷氨酸发酵过程的3层BP神经网络模型，将谷氨酸发酵过程的3层BP神经网络模型扩张为谷氨酸发酵过程区间神经网络模型，将发酵过程PH值、发酵温度和通风量作为变量，谷氨酸发酵产物浓度作为优化目标，利用区间粒子群优化算法对谷氨酸发酵过程区间神经网络模型进行区间优化，得到使谷氨酸发酵产物浓度最大化的最优发酵温度、最优通风量和最优发酵过程PH值，在谷氨酸发酵过程中，根据最优发酵温度、最优通风量和最优发酵过程PH值进行谷氨酸发酵。
-
公开(公告)号：CN101813932B
公开(公告)日：2012-07-04
申请号：CN200910010295.X
申请日：2009-02-03
Applicant: 东北大学
IPC: G05B19/418 , C22B3/22 , G05B13/04
CPC classification number: Y02P10/234 , Y02P90/02 , Y02P90/26
Abstract: 湿法冶金萃取过程组分含量预测与优化操作方法，采用多级萃取槽的湿法冶金萃取工艺，是通过对湿法冶金萃取过程的混合建模，实现萃余液组分含量的实时预测，并对萃取过程提供在线优化操作指导。包括数据采取、辅助变量的选择以及标准化处理、混合模型的建立、混合模型的校正、优化操作指导的确定等步骤。本发明能大幅度提高浸出率，使生产维持在最佳损伤状态，并能减少原料和能源的消耗，延长设备的运行周期。
-
Patent Agency Ranking
公开(公告)号：CN101526814A
公开(公告)日：2009-09-09
申请号：CN200910010294.5
申请日：2009-02-03
Applicant: 东北大学
IPC: G05B19/418 , G05B13/04 , C22B3/08
CPC classification number: Y02P10/234 , Y02P90/02
Abstract: 湿法冶金浸出过程浸出率预测与优化操作方法，是通过建立的混合模型预报浸出率，并给出优化操作指导，其中建立了完整的浸出过程动态机理模型，机理模型由研究矿物浸出的动力学原理出发，逐步建立浸出过程物料平衡方程及能量平衡方程，本发明装置包括浸出过程浸出率预测及操作优化系统、上位机、PLC、现场传感变送部分，其中现场传感变送部分包括pH值、温度、流量等检测仪表。采用本发明的技术方案能大幅度提高浸出率，使生产始终维持在最佳操作状况，并能减少原料和能源的消耗，延长设备的运行周期。另外，还能及时反映市场供求关系的变化。
-
公开(公告)号：CN119623748A
公开(公告)日：2025-03-14
申请号：CN202411763647.X
申请日：2024-12-03
Applicant: 东北大学
IPC: G06Q10/04 , G06Q10/0631 , G06Q10/083 , G06N3/126
Abstract: 本申请揭示了一种物资供应方法及系统，其中，方法包括：获取场景参数，并生成初始种群；计算初始种群的第一适应值；对初始种群进行预处理处理，得到第一种群，计算第一种群的第二适应值；将初始种群和第一种群合并，得到第二种群，对第二种群进行筛选，得到第三种群；对第三种群的可行解进行邻域搜索，得到第四种群，并计算第四种群的第三适应值；将第三种群和第四种群合并，得到第五种群，并对第五种群进行筛选，得到第六种群，并计算第六种群的第四适应值；获取当前迭代次数，若小于预设迭代次数，则重复上述步骤，直至当前迭代次数等于预设迭代次数；在上述所有适应值中选择最小值，并获取与最小值对应的pareto前沿数据，进而得到目标供应方案。
-
公开(公告)号：CN112561091B
公开(公告)日：2024-02-02
申请号：CN202011476479.8
申请日：2020-12-14
Applicant: 东北大学
IPC: G06Q10/20 , G06Q10/067 , B66B5/00
Abstract: 本发明涉及一种电梯机械零部件的维保方法及系统，其中所述方法包括：获取成本率模型目标函数和利用率模型目标函数；基于成本率模型目标函数和利用率模型目标函数，确定电梯机械零部件维保周期；根据所述电梯机械零部件维保周期对所述电梯机械零部件进行维保。其有益效果是，获取合理的维保周期，按照维保周期对电梯以及它的机械零部件进行保养能很大程度上降低电梯发生故障的频率，延长电梯的寿命，不会造成资源的浪费，也对电梯安全运行提供了可靠保障。
-
公开(公告)号：CN112141842B
公开(公告)日：2021-07-30
申请号：CN202010875350.8
申请日：2020-08-27
Applicant: 东北大学
Abstract: 一种电梯远程监察执法系统,包括执法控制中心、监测预警系统和加密执法系统。监测预警系统用于监测电梯载客信息并得出载客判别结果，并传输给执法控制中心。当到达执法期限时，监察执法部门向执法控制中心发送执法指令，执法控制中心将执法指令加密并转换成加密预警指令和加密停梯指令。当载客判别结果为“电梯内有人”时，执法控制中心将加密预警指令传输给监测预警系统，监测预警系统对所监测的电梯进行预警提醒。当载客判别结果为“电梯内无人”时，执法控制中心将加密停梯指令传输给加密执法系统，加密执法系统切断电梯的供电线路，进行停梯执法。确保电梯按期年检，保障了电梯乘坐人员的人身安全，节约了监管成本。
-
公开(公告)号：CN112561091A
公开(公告)日：2021-03-26
申请号：CN202011476479.8
申请日：2020-12-14
Applicant: 东北大学
Abstract: 本发明涉及一种电梯机械零部件的维保方法及系统，其中所述方法包括：获取成本率模型目标函数和利用率模型目标函数；基于成本率模型目标函数和利用率模型目标函数，确定电梯机械零部件维保周期；根据所述电梯机械零部件维保周期对所述电梯机械零部件进行维保。其有益效果是，获取合理的维保周期，按照维保周期对电梯以及它的机械零部件进行保养能很大程度上降低电梯发生故障的频率，延长电梯的寿命，不会造成资源的浪费，也对电梯安全运行提供了可靠保障。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.019 seconds)
