-
公开(公告)号：CN110929809B
公开(公告)日：2023-05-02
申请号：CN201911298640.4
申请日：2019-12-14
Applicant: 北京工业大学
IPC: G06F18/2134 , G06N3/044 , G06Q10/0639 , G06Q50/06 , G06Q50/26 , G01N33/18
Abstract: 本发明公开一种特征自增强的循环神经网络的方法，用于污水关键水质指标软测量。包括离线训练和在线软测量两个阶段。在离线阶段，首先对于历史的数据进行特征提取，本文选择运用OICA方法把原始数据提取成为高维的独立特征，之后采取二进制粒子群的方式，提取最优的独立特征组合并将其映射到最优特征的解混矩阵。在线测量时将数据经过离线时提取的解混矩阵跟待监测数据结合，将其映射到最优的特征维度，并将特征数据进入循环神经网络进行训练，得到软测量的结果。实验验证本发明的软测量精度高于传统的软测量方法，并且在污水处理过程复杂的环境下也可以有很高的精度，适合用于实际的工业过程。
-
公开(公告)号：CN119226737A
公开(公告)日：2024-12-31
申请号：CN202411325208.0
申请日：2024-09-23
Applicant: 北京工业大学
IPC: G06F18/20 , G01M13/00 , G01N29/14 , G06F18/10 , G06F18/213
Abstract: 本发明公开了一种基于变分模态分解的螺栓松动全周期声发射监测方法，涉及无损检测技术领域，包括：采集若干等级预紧力下螺栓连接界面的声发射信号；对声发射信号进行变分模态预分解，利用分解模态能量差异率确定最佳分解层数；基于确定的最佳分解层数，对所有声发射信号进行变分模态分解，获得若干本征模态函数；通过计算每个本征模态函数的能量值，建立每个本征模态函数的能量值与不同等级预紧力的变化关系，筛选出与预紧力变化最为敏感的特征模态；建立筛选出的特征模态能量与预紧力的映射关系，获得松动变化曲线，根据松动变化曲线将螺栓松动过程划分为不同阶段，实现对螺栓松动全周期的定量监测。本发明提升了螺栓连接结构的安全性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN119224126A
公开(公告)日：2024-12-31
申请号：CN202411326207.8
申请日：2024-09-23
Applicant: 北京工业大学
Abstract: 本发明公开一种螺栓早期松动声发射检测装置，包括信号采集板、声发射传感器、前置放大器、声发射采集仪和显示器；信号采集板为正方形薄钢板，三个边界设有一维声学黑洞结构，中心嵌有二维声学黑洞结构；声发射传感器粘贴在二维声学黑洞结构的背面，用于采集螺栓早期松动产生的声发射信号；传感器通过前置放大器与声发射采集仪连接，采集仪通过数据线与显示器连接，以实时显示监测到的声发射信号。本发明可有效提高螺栓松动检测的精度和灵敏度，特别是螺栓结构的早期松动检测，防止结构失效，保障设备安全运行；本发明具有结构简单、检测准确、操作方便等优点。
-
公开(公告)号：CN112631255A
公开(公告)日：2021-04-09
申请号：CN202011585643.9
申请日：2020-12-28
Applicant: 北京工业大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于变分自编码器模型的污水处理过程故障监测方法，用于解决由于处理污水过程数据的非高斯性和非线性导致的监测结果不准确的问题。本发明包括“离线训练”和“在线监测”两个阶段。“离线训练”包括：首先对采集的正常数据进行归一化处理，然后利用变分自编码器建立离线训练模型。“在线监测”包括：对新采集到的数据利用正常数据的均值和方差进行归一化处理，并利用在离线状态训练好的模型实现在线监测。本发明利用变分自编码器提取包含非线性信息和服从高斯分布的特征，可以更好的实现对污水处理过程的准确监测。
-
公开(公告)号：CN110929809A
公开(公告)日：2020-03-27
申请号：CN201911298640.4
申请日：2019-12-14
Applicant: 北京工业大学
Abstract: 本发明公开一种特征自增强的循环神经网络的方法，用于污水关键水质指标软测量。包括离线训练和在线软测量两个阶段。在离线阶段，首先对于历史的数据进行特征提取，本文选择运用OICA方法把原始数据提取成为高维的独立特征，之后采取二进制粒子群的方式，提取最优的独立特征组合并将其映射到最优特征的解混矩阵。在线测量时将数据经过离线时提取的解混矩阵跟待监测数据结合，将其映射到最优的特征维度，并将特征数据进入循环神经网络进行训练，得到软测量的结果。实验验证本发明的软测量精度高于传统的软测量方法，并且在污水处理过程复杂的环境下也可以有很高的精度，适合用于实际的工业过程。
-
公开(公告)号：CN112631255B
公开(公告)日：2022-10-28
申请号：CN202011585643.9
申请日：2020-12-28
Applicant: 北京工业大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于变分自编码器模型的污水处理过程故障监测方法，用于解决由于处理污水过程数据的非高斯性和非线性导致的监测结果不准确的问题。本发明包括“离线训练”和“在线监测”两个阶段。“离线训练”包括：首先对采集的正常数据进行归一化处理，然后利用变分自编码器建立离线训练模型。“在线监测”包括：对新采集到的数据利用正常数据的均值和方差进行归一化处理，并利用在离线状态训练好的模型实现在线监测。本发明利用变分自编码器提取包含非线性信息和服从高斯分布的特征，可以更好的实现对污水处理过程的准确监测。
-
公开(公告)号：CN111122811A
公开(公告)日：2020-05-08
申请号：CN201911298706.X
申请日：2019-12-14
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于高阶信息增强的循环神经网络的智能故障监测方法，用于对污水处理过程故障进行实时监测。本发明包括离线训练和在线软测量两个阶段。离线阶段首先采用OICA把原始数据提取成为高维的高阶信息特征，用于有效的处理数据的非高斯性，并解决变量间的相关性。之后将提取的特征通过DRNN进行训练。在线阶段中，将数据直接映射成新的高阶特征分量并且通过离线训练好DRNN网络进行分类判别。若结果无故障，再进入由单纯的OICA构成的监测模型中进行无监督监测，此时还没有监测出故障则判定为过程无故障，若发生故障则判定过程故障，并把故障信息加入网络的训练数据中进行训练，从而不断提高DRNN的监测精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
