-
公开(公告)号：CN107817745A
公开(公告)日：2018-03-20
申请号：CN201711053890.2
申请日：2017-10-31
Applicant: 东北大学
IPC: G05B19/048
Abstract: 本发明提供一种基于丛流形核线性判别分析的工业过程故障监测方法，涉及故障监测与诊断技术领域。该方法在电熔炉运行时采集同一时刻的电流数据和图像数据并作向量化处理，得到的样本矩阵，用基于从流形核线性判别分析方法建模并求出模型的特征矩阵，利用特征矩阵对电熔镁炉过程进行故障诊断，根据新样本的投影离各类别数据投影中心的距离判断新样本数据是否为正常数据。本发明主要解决数据的非线性和带标签样本过少及故障有多类的问题，在对多类别数据进行故障诊断时有效降低了误报率，且对故障所属类别判定的准确率有明显提高。
-
公开(公告)号：CN119740702A
公开(公告)日：2025-04-01
申请号：CN202411827042.2
申请日：2024-12-12
Applicant: 东北大学
IPC: G06Q10/04 , G06Q10/063 , G06Q50/26 , G06N3/0464 , G06N3/045 , G06V10/44 , G06V10/82 , G06V10/77 , G06F17/11 , G06N20/20 , G06N5/01 , G06N3/047 , G06N3/006
Abstract: 本发明提出了一种基于数字孪生的高炉碳排放浓度预测方法，涉及数字孪生技术领域，本发明采用多源数据融合，使用简单的机理模型构建高炉温度场，通过将运行参数与高炉顶部热成像图的图像关键特征相结合，并补充温度场特征，建立共享矩阵；进而利用ResNet50和自编码器提取图像特征，并建立随机森林(RF)模型。基于共享矩阵，构建随机权神经网络算法(RVFLNs)模型，并采用粒子群优化(PSO)算法组合随机森林(RF)模型和随机权神经网络算法(RVFLNs)模型的预测结果，从而提高预测精度。
-
公开(公告)号：CN119626359A
公开(公告)日：2025-03-14
申请号：CN202411827050.7
申请日：2024-12-12
Applicant: 东北大学
IPC: G16C20/10 , G16C10/00 , G06F30/28 , G06F30/23 , G06F17/10 , G06F17/13 , G06F113/08 , G06F111/10 , G06F119/14
Abstract: 本发明提供一种基于数字孪生的高炉一氧化碳成分场计算方法，涉及高炉碳排放技术领域，研究了高炉内部化学成分的分布，采用纳维‑斯托克斯方程模拟气体流动，并利用基于网格的有限差分算法求解二维高炉流体模型，得到气体速度场、温度场和固体温度场。同时，建立了化学动力学模型，考虑了焦炭燃烧、碳溶解损失和氧化铁还原反应。高炉被划分为五个子空间，并计算了相应的反应速率场。最后，通过炉顶气体数据的迭代得到了一氧化碳浓度场。这种方法能够实时开发出符合工业要求的一氧化碳浓度场模型。
-
公开(公告)号：CN114118292B
公开(公告)日：2024-04-16
申请号：CN202111476386.X
申请日：2021-12-06
Applicant: 东北大学
IPC: G06F18/2413 , G06F18/2132 , G06F18/214
Abstract: 本发明公开了一种基于线性判别邻域保持嵌入的故障分类方法，属于故障监测与诊断技术领域。本发明方法在基于类别信息的邻域保持嵌入模型的基础上引入线性判别分析思想，将基于类别信息的邻域保持嵌入模型与线性判别分析模型结合，考虑样本高维局部流形结构的同时充分考虑样本的全局结构，构建线性判别邻域保持嵌入模型并求解。通过本发明构建模型中的基于类别信息的邻域保持嵌入思想充分考虑样本局部高维流形结构，同时利用样本类别的先验信息计算线性判别分析思想中的样本类内散度矩阵和类间散度矩阵，充分考虑采集样本点的全局信息，从样本全局和局部信息的两个角度出发对高维样本进行降维，从而得到更优质的降维效果，提高对故障分类的准确性。
-
公开(公告)号：CN113283079B
公开(公告)日：2024-03-19
申请号：CN202110566801.4
申请日：2021-05-24
Applicant: 东北大学
IPC: G06F30/20 , G06F113/08 , G06F119/08
Abstract: 本发明提供一种高炉风口回旋区边界的计算及实时监测方法，涉及高炉炼铁工艺技术领域。该方法首先根据高炉风口回旋区的形成原理，建立回旋区的深度计算模型，进而得到回旋区深度的计算公式，获得回旋区深度的变化规律；再通过高炉风口回旋区的深度模型建立高炉风口回旋区的边界模型，确定回旋区边界的计算公式；然后获得建模参数，分析建模参数对回旋区边界模型的影响，确定影响回旋区边界的主要参数；最后利用回旋区边界计算公式求出回旋区的高度；当回旋区高度或回旋区深度超出设定范围时，通过调节鼓风风压和鼓风风量使回旋区高度或深度恢复至正常范围内。该方法能够实时监测回旋区深度和回旋区边界的变化情况，为高炉的实际生产提供安全指导。
-
Patent Agency Ranking
公开(公告)号：CN115511839A
公开(公告)日：2022-12-23
申请号：CN202211196180.6
申请日：2022-09-28
Abstract: 本发明提供一种基于深度学习的高炉炼铁原燃料图像智能监测方法，涉及高炉炼铁生产技术领域。该方法获取高炉炼铁的原燃料图像，并进行去模糊处理，得到清晰的原燃料图像；再对清晰的原燃料图像进行标记及数据增强，得到训练所需的原燃料图像数据集；通过coco数据集和原燃料图像数据集的结合，训练改进的MaskRCNN模型，得到用于原燃料目标检测的实例分割模型；将实时采集到的原燃料图像进行去模糊处理后，最后利用训练好的实例分割模型对待检测的原燃料图像的进行检测，得到原燃料图像中原燃料数量及对应原燃料实际面积，进而由原燃料实际面积计算出对应的原燃料粒径。该方法能够提高检测的准确度，同时能够应用于不同的环境。
-
公开(公告)号：CN115311456A
公开(公告)日：2022-11-08
申请号：CN202210959538.X
申请日：2022-08-11
Applicant: 东北大学 , 本钢板材股份有限公司
IPC: G06V10/26 , G06V10/82 , G06V10/764 , G06V10/52 , G06V10/80
Abstract: 本发明提供一种基于改进DeepLabv3+的风口焦炭分割方法，涉及焦炭识别技术领域。该方法首先采集高炉风口回旋区焦炭视频数据，并将采集的高炉风口回旋区焦炭视频数据转为图片数据后对图片数据中的焦炭颗粒进行标注，得到风口焦炭数据集；再构建融合坐标注意力机制的Deeplabv3+模型作为风口焦炭分割模型，并使用风口焦炭数据集对风口焦炭分割模型进行训练；最后使用训练好的风口焦炭分割模型对待分割的风口焦炭图像中的焦炭颗粒进行分割。该方法在现有Deeplabv3+模型中引入CoordinateAttention网络，加强模型对焦炭颗粒的识别与感知，降低误分类风险；并在ASPP模块中引入四个并行空洞卷积提取特征，不断增强特征图的表达能力，提高了预测精度的同时也加强了模型的泛化能力。
-
公开(公告)号：CN114118292A
公开(公告)日：2022-03-01
申请号：CN202111476386.X
申请日：2021-12-06
Applicant: 东北大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于线性判别邻域保持嵌入的故障分类方法，属于故障监测与诊断技术领域。本发明方法在基于类别信息的邻域保持嵌入模型的基础上引入线性判别分析思想，将基于类别信息的邻域保持嵌入模型与线性判别分析模型结合，考虑样本高维局部流形结构的同时充分考虑样本的全局结构，构建线性判别邻域保持嵌入模型并求解。通过本发明构建模型中的基于类别信息的邻域保持嵌入思想充分考虑样本局部高维流形结构，同时利用样本类别的先验信息计算线性判别分析思想中的样本类内散度矩阵和类间散度矩阵，充分考虑采集样本点的全局信息，从样本全局和局部信息的两个角度出发对高维样本进行降维，从而得到更优质的降维效果，提高对故障分类的准确性。
-
公开(公告)号：CN109885027B
公开(公告)日：2020-11-17
申请号：CN201910189225.9
申请日：2019-03-13
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明提出基于双向二维稀疏正交判别分析的工业过程故障诊断方法，包括：采集数据并且对数据进行标准化处理；对图像数据进行特征选择；结合物理变量对已知类别的数据进行降维回归；建立分类器在线对工业过程进行故障检测与诊断；本发明提供的基于双向二维稀疏正交判别分析的工业过程故障诊断方法，使用包含物理变量数据和图像视频数据的异构数据进行建模，不仅利用了物理变量数据和图像视频数据二者数据本身的信息，而且很好的利用了二者之间的联系使得构建出来的模型效果更好。对图像特征进行了有效的选择，使得处理数据的能力和速度有了很大的提升，在线监测过程中可以更快速的进行故障诊断，提高故障检测速率的同时也提高了故障检测的准确性。
-
公开(公告)号：CN107918379B
公开(公告)日：2020-03-31
申请号：CN201711223159.X
申请日：2017-11-29
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明提供一种基于图半监督代价敏感的工业大数据早期故障检测方法，涉及故障检测与诊断技术领域。该方法首先采集工业过程的数据，采用图半监督的标签传播方法对未标记数据的标签进行一次更新，并圈定疑似早期故障；然后针对疑似早期故障点进行代价敏感的贝叶斯分类，完成对疑似早期故障数据点标签的二次更新；最后建立EDC‑SVM分类器，对工业过程进行在线故障诊断。本发明提供的基于图半监督代价敏感的工业大数据早期故障检测方法，以诊断代价最小化为故障诊断目标，划分出疑似早期故障，解决了工业故障检测误分类代价高的问题。同时在保证分类准确性的情况之下，降低了故障检测中的误判代价，提高了工业过程的安全性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.026 seconds)
