-
公开(公告)号：CN118483981A
公开(公告)日：2024-08-13
申请号：CN202410548143.X
申请日：2024-05-06
Applicant: 浙江大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于深度概率主成分分析的工业过程故障检测方法，结合深度神经网络分层级联的建模思想与概率隐变量模型的特性，建立了一种新颖的深度概率主成分分析模型DePPCA，DePPCA的构建包括贪婪逐层预训练阶段和统一端到端微调阶段，预训练阶段级联多层PPCA模块建立分层深度模型结构，以此来提取多层次抽象特征；微调阶段则在模型的原始输入和最终输出之间建立端到端连接，进一步提高模型对高层次特征的表征能力。DePPCA可以显式表征工业过程的不确定性和过程数据所包含的噪声，同时DePPCA结合了概率模型和深度模型的优点，可以实现优异的工业过程故障检测结果，以提高工业过程故障检测的准确性和鲁棒性。
-
公开(公告)号：CN117523478A
公开(公告)日：2024-02-06
申请号：CN202311467995.8
申请日：2023-11-06
Applicant: 浙江大学
Abstract: 本发明公开了一种上下结合的二维多人姿态估计方法，具体步骤为：先获取一个经过训练的多人姿态估计网络，所述多人姿态估计网络包括一个Backbone模块、一个Neck模块、一个Head模块；将待检测图像序列输入到多人姿态估计网络中，得到不同尺度下的人体预测结果和人体骨骼关节点预测结果；将所述不同尺度下的人体预测结果和人体骨骼关节点预测结果利用置信度阈值法进行初步筛选，再经过非极大值抑制方法进一步筛选，最后选择其中置信度最高的作为最终人体预测结果和最终人体骨骼关节点预测结果，完成多人姿态的估计过程。本发明通过可重参数化、特征双向融合、并行预测人体锚框特征和骨骼关节点特征，提高人体姿态识别准确率和实时性。
-
公开(公告)号：CN117454224A
公开(公告)日：2024-01-26
申请号：CN202311429386.3
申请日：2023-10-31
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度半非负矩阵分解的化工过程故障检测方法，包括：使用半非负矩阵分解和基于模块度的社区发现算法将历史数据集中的过程变量根据相关程度划分为若干子块；在每个子块中通过分层级联的方式构建深度Semi‑NMF故障检测模型，使用交替方向乘子法对模型进行逐层训练；基于每个子块中每层模型提取的系数向量矩阵，构造监测变量并估计其在显著性水平下的置信限；获取新的测试样本数据集，按上述方法划分得到其每一子块每一层模型对应的监测变量；根据置信限和监测变量，使用贝叶斯推断和加权策略，将监测变量融合得到综合概率监测指标，并据此判断样本状态。本发明提高了工业系统的故障检测性能。
-
公开(公告)号：CN112101439B
公开(公告)日：2023-11-28
申请号：CN202010939425.4
申请日：2020-09-09
Applicant: 浙江大学
IPC: G06F18/20 , G06F18/2415
Abstract: 本发明公开了一种基于分布式贝叶斯网络的高速线材质量缺陷诊断与溯源方法。该方法首先收集钢铁高速线材轧制过程的正常工况数据，结合工艺机理和生产过程大数据，将生产全流程分解成若干工段，然后基于数据特性和工艺知识构建具有多层结构的分布式贝叶斯网络，并构建局部监测统计量、全局监测统计量、局部贡献度与全局贡献度，最终通过信息融合实现高速线材质量缺陷诊断与溯源。应用本发明可实现高速线材轧制过程深层次质量异常溯源、传播路径分析与根源定位，保障高速线材轧制过程的安全平稳运行。
-
公开(公告)号：CN113707240B
公开(公告)日：2023-11-07
申请号：CN202110872306.6
申请日：2021-07-30
Applicant: 浙江大学
Abstract: 本发明公开一种基于半监督非线性变分贝叶斯混合模型的成分参数鲁棒软测量方法，该方法在有监督线性变分贝叶斯混合模型的基础上，设计了非线性组分模型的模型结构，采用极限学习机表示每个组分内辅助变量和成分参数之间的非线性映射关系；然后同时挖掘有标签和无标签样本信息，利用变分贝叶斯算法自动学习模型参数的变分后验分布。应用本发明，可充分表征辅助变量和成分参数之间的非线性映射关系，并能够利用无标签样本提高模型参数学习的准确性，进而有效地提高模型的预测精度，为提高产品质量、降低成本、过程监控以及决策制定提供技术支持和保障。
-
Patent Agency Ranking
公开(公告)号：CN115688870A
公开(公告)日：2023-02-03
申请号：CN202211139360.0
申请日：2022-09-19
Applicant: 浙江大学
IPC: G06N3/0455 , G06N3/09 , G06F18/25 , G06F18/15 , G06F18/27
Abstract: 本发明公开了一种基于双通道信息互补融合堆叠自编码器的产品质量预测方法，该方法首先采用了堆叠自编码器的设计，对输入的数据信息进行接收和训练，得到了堆叠自编码器隐藏层的信息。之后，在堆叠自编码器外部，设计了信息互补融合模块与底层到顶层与顶层到底层双通道信息融合层的结构，这种结构设计能够将堆叠自编码器内部隐藏层信息提取并且进行在两个方向上的融合传递。再者，通过门控结构将模块输出值和输出信息进行计算并进行加权融合，得到最终的产品质量预测结果。该方法在对数据信息的处理上，提取出了更有效的信息，减少了噪声，提高了对信息的利用效率，有着更好的对产品质量的预测能力。
-
公开(公告)号：CN114971317A
公开(公告)日：2022-08-30
申请号：CN202210611119.7
申请日：2022-05-31
Applicant: 浙江大学
Abstract: 本发明公开了一种基于改进遗传算法的设备排产和场内物流调度优化方法，属于制造过程生产调度和优化领域。本发明基于离散制造系统的混合整数规划模型，使用改进遗传算法分别对设备排产和物流调度进行优化，在排产优化部分插入时间片预留出运输时间，获得最优设备排产方案，在此基础上求解最优物流调度方案。本发明比现有排产调度优化方法具有更快的计算速度和更好的优化效果，有利于提高制造企业的运行效率、增强企业竞争力。
-
公开(公告)号：CN109033524B
公开(公告)日：2022-04-29
申请号：CN201810678469.9
申请日：2018-06-27
Applicant: 浙江大学
IPC: G06F30/20 , G06F17/18 , G06F111/08
Abstract: 本发明公开一种基于鲁棒混合模型的化工过程浓度变量在线估计方法，它首先设计一种新的混合学生氏分布模型结构使得鲁棒回归学习成为可能；然后根据期望最大化算法建立模型参数的学习步骤。该方法能够在线实时估计化工过程浓度变量。应用本发明，可有效降低离群点的影响、更好地处理过程的多模态与非线性特性，从而提高估计精度，为降低生产成本、增强过程运行平稳性、过程监控以及决策制定提供技术支持与保障。
-
公开(公告)号：CN114021663A
公开(公告)日：2022-02-08
申请号：CN202111348814.0
申请日：2021-11-15
Applicant: 浙江大学
Abstract: 本发明公开一种基于序列局部判别信息挖掘网络的工业过程离线数据分割方法，主要分为特征挖掘和数据聚类两个步骤。用于特征挖掘的模型由神经网络构成，并且所设计的网络的第一层由循环神经网络组成，用于输入序列数据，挖掘数据中的动态特征。此外，为了能指导网络挖掘出有效的具有判别性的特征，模型输出为一组贡献率序列，并且模型参数通过最小化贡献率序列预测误差得到。最后，所得到的隐层特征经过重构邻域序列样本特征，进一步挖掘出带有局部信息的判别特征。在得到最终的特征输出后，利用高斯混合模型进行聚类，以得到最终的数据分割结果。本发明提出的方法对类别标签的需求较少，且对离线数据分割的稳定性更好，分类准确率高。
-
公开(公告)号：CN113707240A
公开(公告)日：2021-11-26
申请号：CN202110872306.6
申请日：2021-07-30
Applicant: 浙江大学
Abstract: 本发明公开一种基于半监督非线性变分贝叶斯混合模型的成分参数鲁棒软测量方法，该方法在有监督线性变分贝叶斯混合模型的基础上，设计了非线性组分模型的模型结构，采用极限学习机表示每个组分内辅助变量和成分参数之间的非线性映射关系；然后同时挖掘有标签和无标签样本信息，利用变分贝叶斯算法自动学习模型参数的变分后验分布。应用本发明，可充分表征辅助变量和成分参数之间的非线性映射关系，并能够利用无标签样本提高模型参数学习的准确性，进而有效地提高模型的预测精度，为提高产品质量、降低成本、过程监控以及决策制定提供技术支持和保障。
-
-
-
-
-
-
-
-
-
Search Results
158
records
(took 0.025 seconds)
