-
公开(公告)号：CN120067960A
公开(公告)日：2025-05-30
申请号：CN202311643107.3
申请日：2023-11-29
Applicant: 宝信软件(安徽)股份有限公司 , 清华大学
IPC: G06F18/25 , G06F18/2135
Abstract: 本公开涉及一种基于高炉体检制度和数据驱动融合的高炉炼铁监控方法，确定第一周期和小于第一周期的第二周期，根据第一周期周期性地确定用于评估高炉炼铁过程的整体优劣的顺行工况，根据相邻两个第一周期的顺行工况确定变量集合、分数贡献集合和权重向量。在下一个第一周期内，根据第二周期周期性地收集变量集合中至少一种运行指标对应的指标数据，并根据权重向量和指标数据计算预设的高炉炼铁监控模型，得到第一分析指标和第二分析指标，以根据第一分析指标和第二分析指标，判断当前第二周期是否需要报警。本公开基于生产场景进行宏观监控，并基于宏观监控结果和具体数据进行微观监控，在监控过程中实现数据场景结合，提高了监控效果。
-
公开(公告)号：CN110728771B
公开(公告)日：2021-08-17
申请号：CN201910960474.3
申请日：2019-10-10
Applicant: 清华大学 , 北京全路通信信号研究设计院集团有限公司
Abstract: 本发明涉及一种自动驾驶系统加速度快速在线估计方法及装置，所述方法包括其根据时间窗[(k‑2w)T，kT]内的速度数据，采用最小二乘法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k‑2w)T，kT]内的速度数据记为从历史时刻(k‑2w)T到当前kT的历史数据v((k‑2w)T)，v((k‑2w+1)T)，…，v((k‑1)T)，v(kT)；根据速度曲线拟合误差的标准差与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k‑2w)T，kT]的时间窗口的长度。通过最小二乘法的数据矩阵在滑动时间窗内可以实现加速度的快速估计，在ATO平台上采用定点数计算基本不会带来舍入误差累计，舍入误差也可接受。根据曲线拟合的标准差与已知噪声标准差间的关系以及实时计算的加速度的相对估计偏差来动态调整时间窗的长度从而实现低延时高准确度的加速度估计。
-
公开(公告)号：CN119493679A
公开(公告)日：2025-02-21
申请号：CN202311047841.3
申请日：2023-08-18
Applicant: 清华大学
Abstract: 本公开涉及一种基于因果分析的故障溯源方法及装置、电子设备，包括：获取待处理数据集，其中，待处理数据集包括目标系统发生目标故障时，目标系统中与目标故障对应的多个相关变量，以及每个相关变量在预设时间内的数据序列；对待处理数据集进行因果分析，在多个相关变量中确定与目标故障具有因果关系的因变量；基于贝叶斯网络模型，确定每个因变量对应的干预概率，其中，每个因变量对应的干预概率用于表示该因变量是故障原因的概率值；根据每个因变量对应的干预概率，确定目标故障对应的故障原因。通过本公开实施例可以消除混杂因子和中介变量的影响，提高故障溯源结果的准确性，并避免噪声导致故障溯源结果不稳定。
-
公开(公告)号：CN100390531C
公开(公告)日：2008-05-28
申请号：CN200410048038.2
申请日：2004-06-11
Applicant: 清华大学
IPC: G01N22/02
Abstract: 基于微波技术的输气管道泄漏检测定位方法与系统属于输气管道泄漏、裂纹故障状态的检测技术领域。其特征在于，它是往管道中发射TE01和TM01模式的微波，并分别检测TE01和TM01微波的模式、反射波功率或散射波功率，以及反射系数模和相角值，当检测到的任何一个值超过相应的超限阈值时，说明管道中有缺陷存在，则启动微波源向管道中发射调制微波，同时检测调制微波发射至收到反射时的时间差，然后根据时间差计算出管道中的缺陷位置。本发明采用三种检测模式同时进行检测，避免了小裂纹、小裂缝、毛刺等漏检的情况，使缺陷的检测更加准确。
-
公开(公告)号：CN1584562A
公开(公告)日：2005-02-23
申请号：CN200410048038.2
申请日：2004-06-11
Applicant: 清华大学
IPC: G01N22/02
Abstract: 基于微波技术的输气管道泄漏检测定位方法与系统属于输气管道泄漏、裂纹故障状态的检测技术领域。其特征在于，它是往管道中发射TE01和TM01模式的微波，并分别检测TE01和TM01微波的模式、反射波功率或散射波功率，以及反射系数模和相角值，当检测到的任何一个值超过相应的超限阈值时，说明管道中有缺陷存在，则启动微波源向管道中发射调制微波，同时检测调制微波发射至收到反射时的时间差，然后根据时间差计算出管道中的缺陷位置。本发明采用三种检测模式同时进行检测，避免了小裂纹、小裂缝、毛刺等漏检的情况，使缺陷的检测更加准确。
-
Patent Agency Ranking
公开(公告)号：CN119474865A
公开(公告)日：2025-02-18
申请号：CN202411515906.7
申请日：2024-10-28
Applicant: 国网冀北电力有限公司电力科学研究院 , 清华大学
IPC: G06F18/214 , G06F18/213 , G06F18/24 , G06N3/096
Abstract: 本公开涉及机械故障诊断模型迁移训练方法和机械故障诊断方法、装置、设备与介质，训练方法包括：获取机械故障诊断模型以及源域样本集与目标域样本集；利用机械故障诊断模型输出源故障样本的样本特征和故障预测结果以及目标故障样本的样本特征和故障预测结果；根据多个源故障样本的故障预测结果以及样本标签确定样本分类损失；根据多个源故障样本的样本特征以及多个目标故障样本的样本特征确定特征差异损失；根据多个目标故障样本的故障预测结果确定类别混淆损失；根据样本分类损失、特征差异损失以及类别混淆损失确定目标损失，并利用目标损失优化机械故障诊断模型。由此，能够提高训练后的目标机械故障诊断模型进行机械故障类型诊断的准确性。
-
公开(公告)号：CN114044032B
公开(公告)日：2023-06-30
申请号：CN202111304092.9
申请日：2021-11-05
Applicant: 北京全路通信信号研究设计院集团有限公司 , 清华大学
Abstract: 本发明提出一种列车节能驾驶曲线动态优化方法和系统，本发明结合电动列车模型，依托庞氏极值原理，结合列车最优驾驶“最大牵引‑牵引巡航‑惰行‑制动巡航‑最大制动”工况集合，构建基于时空分解的高维图网络，以离散化的“时‑空‑能”状态点作为节点，使用多维复杂资源描述节点间连接弧，将单列车最优控制问题抽象为带时间窗口约束的最短路径旅行问题。本发明公开的方法计算量小，符合系统实时计算要求，可以直接应用于列车节能驾驶曲线优化系统，以解决当前列车自动驾驶系统运算速度与存储能力有限，复杂算法往往难以满足其运算的实时性需求的问题。
-
公开(公告)号：CN114044032A
公开(公告)日：2022-02-15
申请号：CN202111304092.9
申请日：2021-11-05
Applicant: 北京全路通信信号研究设计院集团有限公司 , 清华大学
Abstract: 本发明提出一种列车节能驾驶曲线动态优化方法和系统，本发明结合电动列车模型，依托庞氏极值原理，结合列车最优驾驶“最大牵引‑牵引巡航‑惰行‑制动巡航‑最大制动”工况集合，构建基于时空分解的高维图网络，以离散化的“时‑空‑能”状态点作为节点，使用多维复杂资源描述节点间连接弧，将单列车最优控制问题抽象为带时间窗口约束的最短路径旅行问题。本发明公开的方法计算量小，符合系统实时计算要求，可以直接应用于列车节能驾驶曲线优化系统，以解决当前列车自动驾驶系统运算速度与存储能力有限，复杂算法往往难以满足其运算的实时性需求的问题。
-
公开(公告)号：CN110728771A
公开(公告)日：2020-01-24
申请号：CN201910960474.3
申请日：2019-10-10
Applicant: 清华大学 , 北京全路通信信号研究设计院集团有限公司
Abstract: 本发明涉及一种自动驾驶系统加速度快速在线估计方法及装置，所述方法包括其根据时间窗[(k-2w)T，kT]内的速度数据，采用最小二乘法进行速度曲线拟合来实现加速度的快速估计，所述时间窗[(k-2w)T，kT]内的速度数据记为从历史时刻(k-2w)T到当前kT的历史数据v((k-2w)T)，v((k-2w+1)T)，…，v((k-1)T)，v(kT)；根据速度曲线拟合误差的标准差与已知噪声标准差σξ间的关系以及实时计算的加速度a0(t)的相对估计偏差来动态调整所述时间窗[(k-2w)T，kT]的时间窗口的长度。通过最小二乘法的数据矩阵在滑动时间窗内可以实现加速度的快速估计，在ATO平台上采用定点数计算基本不会带来舍入误差累计，舍入误差也可接受。根据曲线拟合的标准差与已知噪声标准差间的关系以及实时计算的加速度的相对估计偏差来动态调整时间窗的长度从而实现低延时高准确度的加速度估计。
-
公开(公告)号：CN105629959A
公开(公告)日：2016-06-01
申请号：CN201610099795.5
申请日：2016-02-23
Applicant: 清华大学
IPC: G05B23/02
CPC classification number: G05B23/0235
Abstract: 一种工业过程故障检测方法，其包括：获取待检测工业过程的运行数据，并利用预设滑动时间窗口对运行数据进行处理，得到不同窗口下的运行数据矩阵；计算第1运行数据矩阵的协方差矩阵的特征值和特征向量，采用迭代的方式确定其它各个运行数据矩阵的协方差矩阵的特征值和特征向量；根据各个运行数据矩阵的协方差矩阵的特征值和特征向量，计算各个运行数据矩阵的检测指数，并将各个检测指数分别与预设预设检测指数阈值进行比较，根据比较结果判断待检测工业过程是否出现故障。与基于专家系统的高炉异常检测方法相比，该方法不需要历史故障信息，并且避免了冗杂的规则训练过程，其更易于实现且更为高效。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.038 seconds)
