-
公开(公告)号：CN114237202B
公开(公告)日：2024-04-05
申请号：CN202111496925.6
申请日：2021-12-08
Applicant: 浙江大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于FIA‑CVA与迭代增强框架的过程监测方法。在建模阶段旨在通过利用故障信息来获得更有效的故障检测结果，从而提出了FIA‑CVA建模方法。首先通过典型变量分析方法将原始数据空间分解为状态子空间和残差子空间。根据一定的故障数据，分析故障从正常到故障的变化，进一步将残差子空间分解为故障相关状态子空间、故障无关状态子空间、故障相关残差和故障无关子空间四个子空间，并建立相应的基于FIA‑CVA的监控统计和阈值。随后通过所提出的故障信息辅助集成增强监测框架（FIA‑IEMS）进行过程监测。在这个框架中首先依据工业现场采集到了多种类故障数据，建立一系列FIA‑CVA子模型，然后采用贝叶斯推理综合考虑不同模型的监测概率从而进行更为广泛的故障监测。
-
公开(公告)号：CN117332345A
公开(公告)日：2024-01-02
申请号：CN202311098347.X
申请日：2023-08-29
Applicant: 浙江大学
IPC: G06F18/2433 , G06F18/2135 , G06F18/2136
Abstract: 本发明公开了一种基于联合稀疏约束的数据依赖核典型变量分析的监测方法，结合孤立核和主成分分析提出了依赖高炉数据的非线性特征提取框架，获得具有判别能力的数据依赖非线性特征用于检测故障；在提取非线性特征之后，使用I2,0范数联合稀疏约束的典型变量分析方法进一步探索高炉炼铁过程的动态性；通过结合流形约束梯度下降方法和梯度硬阈值追踪方法设计了一种高效的两阶段迭代交替方向乘子法方法解决新优化目标；然后，采用T2统计量及其相应的控制限实时监测高炉炼铁过程。本发明提出了一种基于IK的数据依赖非线性特征提取框架，该框架具有广泛的适用性；消除了冗余甚至负作用的非线性关系和异常值的影响；提高了典型变量空间的鲁棒性和准确性。
-
公开(公告)号：CN118916738A
公开(公告)日：2024-11-08
申请号：CN202410938311.6
申请日：2024-07-13
Applicant: 浙江大学
IPC: G06F18/24 , G06N3/0895 , G06N3/09 , G06N3/088 , G06N5/01
Abstract: 本发明提出了一种基于鲁棒半监督分类框架的高炉炼铁过程故障诊断方法，以提高故障诊断性能。鲁棒半监督分类框架结合了有监督和无监督两部分，能够有效利用有限的高炉标记样本和大量的未标记样本。在有监督部分，为解决标记数据和未标记数据之间的巨大差距，采用了一种名为训练信号退火方法（TSA）的新训练技术以防止过拟合。此外，无监督损失部分通过利用未标记数据来增强模型的平滑性，其通过促使模型在加入对抗干扰前后的输出结果一致来实现。然后，基于幂迭代法和有限差分法设计了一种高效的对抗扰动计算方法。最终，通过对有监督损失和无监督损失的整体训练，实现了更为鲁棒的故障诊断模型。
-
公开(公告)号：CN114879612A
公开(公告)日：2022-08-09
申请号：CN202210400654.8
申请日：2022-04-17
Applicant: 浙江大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于Local‑DBKSSA的高炉炼铁过程监测方法，以提高高炉炼铁过程的监控性能，包括离线建模和在线监测两部分；离线建模包括正则化原始数据，构造时间拓展矩阵，特征提取，SPS&NPS分解，统计量与阈值计算；在线监测包括正则化测试样本，时间拓展样本，特征重构，SPS部分构造，局部统计量，过程状态判断。本发明接受了基于时移和多核投影构造了动态宽非线性特征，以从更多角度探索过程特征。随后，将上述特征集成到稳态子空间分析（SSA）中，以根据时变数据准确估计稳态投影。并且，为了减少过程中大幅度波动的影响和提高故障检测能力，本发明进一步提出了基于局部策略的统计量。
-
公开(公告)号：CN114237202A
公开(公告)日：2022-03-25
申请号：CN202111496925.6
申请日：2021-12-08
Applicant: 浙江大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于FIA‑CVA与迭代增强框架的过程监测方法。在建模阶段旨在通过利用故障信息来获得更有效的故障检测结果，从而提出了FIA‑CVA建模方法。首先通过典型变量分析方法将原始数据空间分解为状态子空间和残差子空间。根据一定的故障数据，分析故障从正常到故障的变化，进一步将残差子空间分解为故障相关状态子空间、故障无关状态子空间、故障相关残差和故障无关子空间四个子空间，并建立相应的基于FIA‑CVA的监控统计和阈值。随后通过所提出的故障信息辅助集成增强监测框架（FIA‑IEMS）进行过程监测。在这个框架中首先依据工业现场采集到了多种类故障数据，建立一系列FIA‑CVA子模型，然后采用贝叶斯推理综合考虑不同模型的监测概率从而进行更为广泛的故障监测。
-
Patent Agency Ranking
公开(公告)号：CN119558494A
公开(公告)日：2025-03-04
申请号：CN202411391071.9
申请日：2024-10-08
Applicant: 广西柳钢东信科技有限公司 , 浙江大学
IPC: G06Q10/047 , G01C21/20 , G06Q10/0835 , G06Q50/04 , G06N3/048 , G06N3/092
Abstract: 本发明公开了一种基于Q‑learning算法的多机车路径规划方法及系统，涉及铁钢界面机车路径规划技术领域，包括获取环境数据，建立运输系统环境模型，定义状态及动作；通过Q‑learning算法对车辆路径进行路径优化，得到初始路径规划；中央控制系统实时接收关键信息，通过Q‑learning算法实时动态调整车辆路径规划。本发明所述方法通过Q‑learning算法的学习和优化，中央控制系统能够找到最短路径，减少了运输时间和距离，提高了运输效率；通过中央控制系统的动态调整路径规划，避免了轨道路线拥堵和冲突，确保了运输过程的顺畅；通过利用Q‑learning算法，本发明能够适应动态变化的环境，即使出现意外情况，也能够保证系统的正常运行。
-
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。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.014 seconds)
