-
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：CN118966972A
公开(公告)日：2024-11-15
申请号：CN202411144071.9
申请日：2024-08-20
Applicant: 宝信软件(安徽)股份有限公司 , 清华大学
IPC: G06Q10/087 , G06Q10/0631 , G06Q10/04 , G06Q50/02 , G06N3/126
Abstract: 本发明公开了基于多目标优化的冶金库区垛位决策方法，涉及冶金库区物流调度技术领域，本发明对库区简化抽象约束，建立对垛位进行分配的约束条件，将板坯的入库垛位以及执行入库操作的所选天车作业指令定义为决策变量，将与入库板坯属性、天车属性、库内垛位属性相关的参数定义为辅助变量，以热轧板坯库垛位决策为研究对象，以减少库区倒垛量、降低垛位不规整程度、减少物流等待时间、提高天车工作效率为目标建立了板坯入库垛位决策智能模型，并结合问题特征和经验知识设计了基于改进NSGA‑II的多目标智能优化算法对问题进行高效求解，解决了现有技术中存在的倒垛操作会阻碍库区物流效率的问题。
-
公开(公告)号：CN118966708A
公开(公告)日：2024-11-15
申请号：CN202411144072.3
申请日：2024-08-20
Applicant: 宝信软件(安徽)股份有限公司 , 清华大学
IPC: G06Q10/0631 , G06Q10/04 , G06Q50/04 , G06Q10/087 , G05B19/418
Abstract: 本发明公开冶金库区无人天车智能调度方法，涉及无人天车调度技术领域，本发明建立多任务多天车集群全域优化调度模型，并提出高效的并行求解方法，同时针对设备异常、订单变化扰动情况，建立天车调度局部优化模型，提出基于调度规则的求解方法，天车全域与局部优化模型均能在秒级别实现最优求解，其中Gurobi和CPLEX工具箱求解效率最高，此外决策树算法相比单一的调度规则算法在天车利用率和任务处理量上有着显著提高，而为针对动态扰动所提出的DQN算法更加能确定在某种状态下选择某个最优的天车，其天车利用率和任务处理量相比于决策树和单一调度规则更优，解决现有技术中存在的面对协同工作时工作效率较低的问题。
-
公开(公告)号：CN104317269A
公开(公告)日：2015-01-28
申请号：CN201410601674.7
申请日：2014-10-30
Applicant: 清华大学
IPC: G05B19/418 , G06F17/30
CPC classification number: Y02P90/02 , Y02P90/14 , G05B19/41885
Abstract: 本发明涉及一种基于2D理论的综合预测迭代学习控制方法，属于工业生产自动化控制技术领域。本发明控制方法，对于大多数批次加工制造生产过程，建立包含时间和批次的二维系统模型，采用基于2D系统响应描述的形式得到输出预测值，进而采用综合预测迭代学习控制方法计算控制修正量。本方法尤其针对该被控过程带有随机噪声的情况，适用于间歇式生产加工过程的产品质量跟踪控制，本方法构思巧妙，简单实用，可广泛应用于工业生产线间歇生产过程的高精度轨迹曲线跟踪控制。
-
公开(公告)号：CN104298213A
公开(公告)日：2015-01-21
申请号：CN201410601654.X
申请日：2014-10-30
Applicant: 清华大学
IPC: G05B19/418
CPC classification number: Y02P90/02 , Y02P90/14 , G05B19/41885
Abstract: 本发明涉及一种间歇式制造生产过程的迭代学习控制算法，属于工业生产自动化控制技术领域。该方法对于大多数批次加工制造生产过程，可以在对象具体知识所知甚少的情况下，通过在迭代学习控制过程中引入合适的“参考批次”，并对参考批次与当前批次的输入输出数据加以利用，来设计迭代学习律，从而实现对输出目标轨迹的有效跟踪，同时还引入了指数时变增益，从而改善了轨迹跟踪过渡过程的性能。计算量小，而且寻优过程简单，应用范围广。该方法构思巧妙，简单实用，可广泛应用于工业生产线间歇生产过程的高精度轨迹曲线跟踪控制。
-
Patent Agency Ranking
公开(公告)号：CN106959684A
公开(公告)日：2017-07-18
申请号：CN201710195943.8
申请日：2017-03-29
Applicant: 清华大学
IPC: G05B23/02
CPC classification number: G05B23/0243 , G05B2219/24065
Abstract: 本发明提出一种基于压缩感知和联合范数优化的故障诊断方法和装置，其中，方法包括：对获取的故障状态进行二值化处理；根据处理结果建立故障诊断的线性测量模型；通过压缩感知方法根据线性测量模型的测量数据推断系统状态；利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。由此，通过基于压缩感知和联合范数优化的故障诊断，能够使得求解结果精确度更高，提高故障诊断的准确性和效率。
-
公开(公告)号：CN106933105A
公开(公告)日：2017-07-07
申请号：CN201710272144.6
申请日：2017-04-24
Applicant: 清华大学
IPC: G05B13/04
CPC classification number: G05B13/042
Abstract: 本发明提出一种受限条件下的轨迹更新综合预测迭代学习控制算法，针对间歇过程点对点跟踪控制问题，在被控系统输入输出受限的情况下(包括直接的输入大小的约束，输入在时间和批次方向变化的约束以及输出大小的约束)，实现了轨迹跟踪和跟踪误差收敛,保留了轨迹更新算法既考虑时间方向性能又能利用非关键点自由度的优点，使得相对于传统算法有更快的收敛速度和更小的跟踪误差,其次因为考虑了输入输出受限条件，相对于无约束轨迹更新算法，有更小的跟踪误差和更好地抗干扰能力，应用范围更加广泛。
-
公开(公告)号：CN106933105B
公开(公告)日：2019-07-26
申请号：CN201710272144.6
申请日：2017-04-24
Applicant: 清华大学
IPC: G05B13/04
Abstract: 本发明提出一种受限条件下的轨迹更新综合预测迭代学习控制算法，针对间歇过程点对点跟踪控制问题，在被控系统输入输出受限的情况下(包括直接的输入大小的约束，输入在时间和批次方向变化的约束以及输出大小的约束)，实现了轨迹跟踪和跟踪误差收敛,保留了轨迹更新算法既考虑时间方向性能又能利用非关键点自由度的优点，使得相对于传统算法有更快的收敛速度和更小的跟踪误差,其次因为考虑了输入输出受限条件，相对于无约束轨迹更新算法，有更小的跟踪误差和更好地抗干扰能力，应用范围更加广泛。
-
公开(公告)号：CN106959684B
公开(公告)日：2019-02-19
申请号：CN201710195943.8
申请日：2017-03-29
Applicant: 清华大学
IPC: G05B23/02
Abstract: 本发明提出一种基于压缩感知和联合范数优化的故障诊断方法和装置，其中，方法包括：对获取的故障状态进行二值化处理；根据处理结果建立故障诊断的线性测量模型；通过压缩感知方法根据线性测量模型的测量数据推断系统状态；利用具有第一预设范数和第二预设范数的联合范数作为目标函数对系统状态进行优化求解。由此，通过基于压缩感知和联合范数优化的故障诊断，能够使得求解结果精确度更高，提高故障诊断的准确性和效率。
-
公开(公告)号：CN118838213A
公开(公告)日：2024-10-25
申请号：CN202410971446.2
申请日：2024-07-19
Applicant: 清华大学 , 泸州老窖股份有限公司
Abstract: 本申请涉及一种白酒蒸馏过程控制方法、系统、装置、计算机设备、计算机可读存储介质和计算机程序产品。所述方法包括：在目标蒸馏过程中，获取蒸馏状态信息；所述蒸馏状态信息包括糟醅状态信息、蒸馏设备状态信息和蒸馏结果状态信息中的至少一项；根据所述蒸馏状态信息和预先训练的蒸馏过程模型，确定当前的蒸馏参数的目标参数值；根据所述蒸馏状态信息、所述蒸馏参数的目标参数值和预先建立的蒸馏控制器，确定当前的蒸馏控制信息；根据所述蒸馏控制信息，对蒸馏设备进行控制处理。采用本方法能够提升白酒蒸馏效果。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.024 seconds)
