-
-
公开(公告)号：CN117216697A
公开(公告)日：2023-12-12
申请号：CN202311091566.5
申请日：2023-08-29
Applicant: 浙江大学
IPC: G06F18/2433 , G06N3/0464 , G06N3/048 , G06N3/049
Abstract: 本发明公开了一种基于时序卷积网络的高炉炼铁鲁棒多变量故障检测方法（robust temporal convolution detection network,RTCDN）首先将时序卷积网络（temporal convolution network,TCN）中残差模块进行堆叠构建时序卷积检测网络（temporal convolution detection network,TCDN），TCDN利用因果时序卷积网络在时间尺度上提取过程的动态信息，同时利用卷积神经网络的通道数量对变量的空间维度进行变换，在实现时间尺度信息提取的同时，对变量进行压缩和重构；TCDN根据变量的重构误差的平方和实现故障的检测功能；而针对高炉原始数据普遍存在离群点的现象，本发明在TCDN的基础上提出了一种基于l1范数的鲁棒解决方案，能将带有离群点的数据进行分离，分离出稀疏的离群点矩阵，进而获得干净的数据进行模型训练，使模型具有强大的鲁棒性。
-
公开(公告)号：CN115909535A
公开(公告)日：2023-04-04
申请号：CN202211258236.6
申请日：2022-10-13
Applicant: 浙江大学
IPC: G07C3/00 , G06N3/0455 , G06N7/01 , G06N20/10 , G06F18/2135 , G06F18/25 , C21B5/00 , C21B7/24
Abstract: 本发明公开了一种基于RBNCVA的高炉炼铁过程监测方法，首先，采用堆叠去噪自编码器（SDAE）对历史高炉故障数据进行建模，从中提取出鲁棒的宽度非线性特征，这种特征有助于处理高炉炼铁过程的复杂非线性，并能抵抗噪声和异常值的干扰；然后，采用典型变量分析（CVA）方法分析过去和未来特征向量之间的关系，以应对高炉的动态性问题；最后，通过由核密度估计方法求得的概率密度函数来计算统计量。本发明降低了高炉炼铁监测过程中的误报率，显著地提高了故障检测率和故障敏感性。
-
-
公开(公告)号：CN115586722B
公开(公告)日：2025-02-11
申请号：CN202211253803.9
申请日：2022-10-13
Applicant: 浙江大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于深度辅助典型变量分析的高炉炼铁预测与控制方法，步骤包括确定模型输入、状态估计、目标函数建立以及预测控制策略；其中，确定模型输入，利用偏最小二乘回归（PLSR）确定有影响力的可控变量作为模型输入；针对非线性BFIP，提出了一个非线性状态空间模型，并利用基于深度学习辅助的典型变量分析DLaCVA方法进行状态估计；利用深度学习方法在辅助状态空间建模，得出了相应的优化目标和学习梯度；设计了一个基于二次性能指数的预测控制策略，以实现最佳的铁水质量控制性能。在实际高炉炼铁过程上的实验表明，与其他方法相比，DLaCVA提供了更好的建模精度和卓越的控制效果。
-
Patent Agency Ranking
公开(公告)号：CN119152980A
公开(公告)日：2024-12-17
申请号：CN202410921567.6
申请日：2024-07-10
Applicant: 浙江大学
IPC: G16C20/70 , G16C20/20 , G16C20/10 , G06F18/213 , G06F18/25 , G06F18/27 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/08 , G06F17/18 , G06F123/02
Abstract: 本发明提出了一种基于Copula函数与时空卷积网络的高炉铁水硅含量软测量方法。结合R‑藤copula函数和图神经网络（GCN），提出依赖高炉数据的过程变量间特征提取框架，获取变量间关系，进而实现高炉过程变量间特征的提取；依赖高炉数据的过程变量时序特征提取框架，使用带有门控机制的时间卷积神经网络（TCN）进行高炉过程变量序列的时序特征提取；将提取到的过程变量间特征、时序特征以及原始过程变量序列进行拼接，采用多层线性层构成的回归器实现高炉铁水硅含量的软测量。本发明可避免在使用GCN以及TCN进行特征提取时丢失原始数据的重要细节，同时也可增强铁水软测量模型的准确性和鲁棒性。
-
公开(公告)号：CN118897946A
公开(公告)日：2024-11-05
申请号：CN202410938309.9
申请日：2024-07-13
Applicant: 浙江大学
IPC: G06F17/18 , G06N3/0455 , G06N3/084
Abstract: 本发明提出了一种基于流模型的深度变分典型变量分析的高炉炼铁监测方法。首先，通过整合变分自编码器、流模型和典型变量分析，设计了FDVCVA模型的整体结构及相应的损失函数，以提取高炉炼铁过程的深度动态不确定性特征。随后，利用随机梯度下降法对该模型进行训练，以优化其参数，提高模型的泛化能力和稳定性。然后，本发明基于FDVCVA模型的结果在典型变量隐空间中确定T2监测统计量，并使用核密度估计技术计算控制限。本发明能够有效提取高炉炼铁过程中的深度动态不确定性特征，使得监测模型在面对高度非线性和动态特性的情况下，依然能够保持高效和稳健的监测性能；能够及时检测和预警异常状况，确保生产过程的安全和稳定。
-
公开(公告)号：CN118395167A
公开(公告)日：2024-07-26
申请号：CN202410329679.2
申请日：2024-03-21
Applicant: 浙江大学
IPC: G06F18/214 , G06F18/27 , G06F18/2135 , G06F18/22 , G06N3/096 , G16C20/70 , G06F123/02
Abstract: 本发明公开了一种面向高炉炼铁过程的时序核平稳宽度学习方法，步骤包括：非线性内核宽度表示估计、时序匹配机制、平稳‑回归整体目标构建与参数估计以及独立增量学习；所述的方法设计了一种以非线性内核宽度表示（Nonlinear kernel broad representation，NKBR）的特征估计策略，这一策略为随后通过核技术进行随机特征映射奠定了非线性基础；之后，建立时序匹配机制，在模型NKBR和输出之间建立时序联系实现隐变量预测任务；并以Kullback‑Leibler（KL）散度为目标函数进行平稳‑回归整体目标构建，并提出了一种双环参数优化方法来进行参数估计；当收集到额外的数据，利用独立增量学习机制来保持原始模型和更新模型的相互独立性，从而保持长期可更新的回归建模与监测能力。
-
公开(公告)号：CN118377254A
公开(公告)日：2024-07-23
申请号：CN202410430280.3
申请日：2024-04-10
Applicant: 浙江大学
IPC: G05B19/042
Abstract: 本发明公开了一种基于生成对抗框架的高炉故障自愈控制方法，包括数据集标签属性等级化、构建潜空间转换自愈控制模型、模型多路径训练、高炉故障样本的控制变量调节。首先需要采集数据样本，选择控制变量作为样本标签，再将标签属性等级化，从而获得自制的数据集。然后构建潜空间转换自愈控制模型，用自制的数据集输入模型，根据多训练路径构建目标函数进行训练。最后，将高炉故障样本输入到训练好的模型中，模型会输出一个方案矩阵显示不同操作下转换样本的工况，只需选择健康工况对应的操作即可。本发明建立“控制变量‑样本故障特征‑异常炉况关系”的大型高炉特征广义模型，为应对异常炉况提供一定的操作指导。
-
公开(公告)号：CN116884533A
公开(公告)日：2023-10-13
申请号：CN202310838984.X
申请日：2023-07-10
Applicant: 浙江大学
Abstract: 本发明公开了一种时间约束下的全局与局部非线性稳态子空间分析方法，以提升高炉炼铁过程的监测表现。尽管现有的静止子空间分析方法已经可以用来估计出过程的一致性关系。然而，复杂的非线性、周期性非稳态和时间变化的冶炼条件的存在，使得完整的稳态预测估计难以实现。为此，本发明利用多个核函数和流形学习方法，建立了具有时间约束的全局和局部非线性结构，这将由周期性非稳态激发的独特非线性所确定。同时，构建了一个基于奇异值分解的建模效率提升策略，以显著降低所提出的Tc‑GLNASSA的计算复杂性，并给出了一个整体的高炉炼铁过程监控框架。随后，开发正交模型更新方案，以估计独立的长期和近期一致的关系，从而保持长期可更新的监测能力。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.014 seconds)
