-
公开(公告)号：CN116203903B
公开(公告)日：2025-02-07
申请号：CN202310198744.8
申请日：2023-03-01
Applicant: 北京科技大学
IPC: G05B19/418
Abstract: 本发明公开了一种热连轧过程质量异常的时空根源诊断方法，包括：建立热连轧过程历史数据库；对数据样本按照轧钢位置百分比进行数据对齐，并将整个热连轧过程分为多个层级和子块；分别构建各子块对应的故障检测模型，并基于历史数据库对各故障检测模型进行训练，实现对各子块的质量相关故障的实时检测；当有故障发生时，根据各子块对应的故障检测结果，定位到质量异常的空间位置，并通过各机架轧钢位置百分比反向映射确定故障发生的时间位置；计算故障机架中各过程变量歧化系数的大小，实现对故障根源变量的定位，确定引起故障的根源变量，定位发生故障的设备，实现对故障的时空根源诊断。本发明可更好地指导企业生产，进一步提高企业的经济效益。
-
公开(公告)号：CN119247921A
公开(公告)日：2025-01-03
申请号：CN202411286815.0
申请日：2024-09-13
Applicant: 北京科技大学
IPC: G05B23/02
Abstract: 本发明提供一种针对缺失数据的工业过程故障检测方法及系统，涉及工业过程故障检测技术领域，方法包括：获取正常工况下含缺失值的数据作为训练数据；将所述训练数据中的缺失值进行填充处理；通过最小化检测指标，确定填充处理后的训练数据的最优解；根据填充处理后的训练数据的最优解，计算变元的统计量；根据训练数据的变元的统计量以及置信度水平，确定控制限；获取含缺失值的实时数据；将所述实时数据中的缺失值进行填充处理；通过最小化检测指标，确定填充处理后的完整数据的最优解；根据填充处理后的完整数据的最优解，计算变元的统计量；根据实时数据的变元的统计量，计算检测指标；在所述检测指标大于所述控制限的情况下，判定为异常工况。
-
公开(公告)号：CN119226846A
公开(公告)日：2024-12-31
申请号：CN202411243328.6
申请日：2024-09-05
Applicant: 北京科技大学
IPC: G06F18/24 , G06F18/214 , G06N3/09 , G06N3/084 , G06N3/048
Abstract: 本发明涉及工业生产过程的控制和监测技术领域，特别涉及一种面向多模式制造过程的KPI相关故障诊断方法及装置。方法包括：用MGU的监督变体SMGU用于KPI相关特征提取。将过程变量和KPI作为SMGU的输入，SMGU通过学习潜在的隐藏状态以有效地保持它们与KPI信息的联系。将BLS的稀疏变体SBLS用于故障诊断，从而减少网络结构冗余，避免模型过拟合。本发明解决传统的基于深度学习的故障诊断方法通用性差、诊断准确性低的问题，提高故障诊断的及时性和精度。该故障诊断方法拥有良好的扩展性，当加入新的训练数据时无需重复完整的训练过程，可有效应用到带钢热轧等多模式制造过程。
-
公开(公告)号：CN118068788B
公开(公告)日：2024-09-24
申请号：CN202410174929.X
申请日：2024-02-07
Applicant: 北京科技大学
IPC: G05B19/418
Abstract: 本发明公开了一种模型与数据联合驱动热连轧过程故障诊断方法和装置，属工业监测领域，该方法包括：获取带钢热连轧过程历史数据，从中筛选出带钢热连轧过程关键工艺参数变量；根据工艺参数变量数据特性设计模型参数约束条件，构建每一工艺参数变量的预测模型并对各模型进行训练；基于训练好的预测模型对各工艺参数变量进行因果发现，构建基于数据驱动的带钢热连轧因果图；结合机理模型对带钢热连轧因果图进行优化，并在优化后的带钢热连轧因果图上加上动态MI值，得到多粒度因果关联网络；对带钢热连轧过程进行故障监测，并在发生故障时实现故障溯源。本发明能充分利用带钢热轧过程机理模型，提高深度网络的可解释性，消除故障溯源中的拖尾效应。
-
公开(公告)号：CN118396404A
公开(公告)日：2024-07-26
申请号：CN202410433444.8
申请日：2024-04-10
Applicant: 北京科技大学
IPC: G06Q10/0637 , G06Q50/04 , G06F30/27 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种浮法玻璃生产过程故障监测与根源诊断方法及装置，属于工业过程监测技术领域，该方法包括：获取浮法玻璃历史生产过程数据；基于历史生产过程数据，采用预设的因果发现框架捕获各过程变量之间的因果关系，构建因果关系图；基于历史生产过程数据，构建浮法玻璃生产过程故障监测模型；获取浮法玻璃实时生产过程数据，根据实时生产过程数据，采用浮法玻璃生产过程故障监测模型对当前的浮法玻璃生产过程进行故障监测；当监测到发生故障时，基于监测结果和因果关系图确定故障发生原因。本发明通过对浮法玻璃生产过程进行建模，能够提高浮法玻璃生产过程故障监测的准确性，降低误报率，准确识别故障的根本原因和传播路径，提高生产效率。
-
Patent Agency Ranking
公开(公告)号：CN118364398A
公开(公告)日：2024-07-19
申请号：CN202410429518.0
申请日：2024-04-10
Applicant: 北京科技大学
IPC: G06F18/2433 , G06F18/214 , G06F18/2415 , G06N3/0442 , G06N3/084 , G06Q50/04
Abstract: 本发明公开了一种基于元学习浮法玻璃生产过程变工况故障诊断方法及装置，涉及工业过程故障诊断技术领域。包括：获取待诊断浮法玻璃生产过程的历史数据以及实时生产数据；根据待诊断浮法玻璃生产过程的历史数据以及构建好的训练模型，得到基于元学习浮法玻璃生产过程变工况故障诊断模型；根据实时生产数据以及基于元学习浮法玻璃生产过程变工况故障诊断模型，得到浮法玻璃生产过程的变工况故障诊断结果。本发明能有效解决工业过程有效标签缺乏和数据不平衡问题，并且能够在变工况条件下实现快速精准的故障诊断。
-
公开(公告)号：CN118332364A
公开(公告)日：2024-07-12
申请号：CN202410416412.7
申请日：2024-04-08
Applicant: 北京科技大学
IPC: G06F18/23213 , G06F18/214 , G06Q10/0639 , G06N3/0464 , G06N3/088 , G01N33/38
Abstract: 本发明涉及工业过程软测量技术领域，特别是指一种面向浮法玻璃产品质量的软测量模型检测方法及装置，方法包括：获取待检测浮法玻璃的生产数据；将生产数据输入到构建好的基于多维信息融合的浮法玻璃生产关键性能指标的软测量模型；其中，软测量模型包括多传感器过程变量筛选模块、双重k‑means工况识别模块、多尺度时间‑空间特征提取与融合模块以及高置信度伪标签样本构造模块；根据生产数据以及软测量模型，得到浮法玻璃产品质量的检测结果。本发明能有效解决浮法玻璃生产过程关键性能指标(波纹度)在线检测问题，提升产品质量与生产效率。
-
公开(公告)号：CN116776753B
公开(公告)日：2024-03-26
申请号：CN202311077676.6
申请日：2023-08-25
Applicant: 北京科技大学
IPC: G06F30/27 , G06N3/006 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F119/14
Abstract: 本发明公开了一种带钢热连轧过程力学性能指标软测量方法和系统，属于参数测量技术领域，包括：从云端侧获取训练完成的EM‑CNN‑McLightGBM模型；获取带钢热连轧过程中的测试数据和钢坯各成分含量数据，根据数据的特点将数据划分为结构化数据和非结构化数据；将非结构化数据输入到训练完成的EM子模型，得到实体嵌入后的结构化数据，将所述实体嵌入后的数据与结构化数据进行拼接，得到结构化组合矩阵；将所述结构化组合矩阵输入到训练完成的CNN子模型中，得到变量间的空间特征；将变量间的空间特征输入到训练完成的McLightGBM子模型，分别预测出多个力学性能指标；其中，所述力学性能指标包括：屈服强度、抗拉强度、断后伸长率。
-
公开(公告)号：CN116894186A
公开(公告)日：2023-10-17
申请号：CN202310833953.5
申请日：2023-07-07
Applicant: 北京科技大学
IPC: G06F18/214 , G06N3/0475 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06N3/098
Abstract: 本发明提供一种工业过程时序数据生成方法及系统，涉及数据生成技术领域，包括：获取待扩充的工业过程时序数据作为训练数据；将训练数据输入优化的时序生成对抗网络模型中，以生成新的时序数据；其中，优化的时序生成对抗网络模型由生成器网络、鉴别器网络、孪生神经网络构成。本发明增强了传统生成对抗网络的数据时序提取性能，并缓解避免了模式崩溃现象的产生。采用本发明能有效地解决工业过程中样本不足问题。通过将MSR应用于隐空间中，对生成器进行约束迫使其生成更加多样的数据从而缓解其模式崩溃现象；从鉴别器角度引入孪生网络与鉴别器进行联合训练，提高鉴别器的鉴别能力；鉴别器采用BiLSTM网路模型，捕捉数据的双向时序依赖性。
-
公开(公告)号：CN116842402A
公开(公告)日：2023-10-03
申请号：CN202311119324.2
申请日：2023-09-01
Applicant: 北京科技大学
IPC: G06F18/22 , G06N3/045 , G06F18/2132 , G06F18/214
Abstract: 本发明提供一种基于孪生神经网络提取平稳特征的高炉异常炉况检测方法，属于自动检测技术领域。所述方法包括：建立基于孪生神经网络的平稳特征提取模型以及损失函数；离线训练，根据损失函数对构建的平稳特征提取模型进行训练，计算训练集的平稳分量，建立平稳分量的凸包；在线检测，根据训练后的平稳特征提取模型，计算出测试集的平稳分量，进行凸包检测，当样本位于凸包的外侧，认为炉况异常。与传统的基于高斯混合分布的平稳子空间分析方法相比，本发明方法考虑了高炉数据的非线性，减少了误报率，提前了故障检测时间，更符合高炉数据特征且更为高效。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.026 seconds)
