-
公开(公告)号：CN114217580B
公开(公告)日：2024-04-19
申请号：CN202111477528.4
申请日：2021-12-06
Applicant: 东华大学
IPC: G05B19/418
Abstract: 本发明涉及一种基于改进型差分进化算法的功能性纤维生产排产方法，包括：功能性添加设计模块和智能化排产模块；功能性添加设计模块由订单指定纤维子模块、新型专家系统子模块和最佳功能性添加技术子模块组成；功能性添加设计模块的输入是一个或多个订单指定生产的不同品种的功能性纤维的规格和数量，输出是每种所述功能性纤维对应的一个以上的最佳功能性添加技术路径的编号；智能化排产模块由待生产纤维子模块、改进型差分进化算法子模块和智能化排产报表子模块组成；本发明利用新型专家系统决策功能性纤维的添加技术，使得功能性添加更合理高效，而且利用改进型差分进化算法优化排产，使得该生产排产方法更智能化，最终可实现企业效益最大化。
-
公开(公告)号：CN112651928B
公开(公告)日：2022-08-23
申请号：CN202011423865.0
申请日：2020-12-08
Applicant: 东华大学
Abstract: 本发明涉及一种基于动态卷积神经网络的涤纶长丝均匀性在线检测系统，包括如下步骤：S1数据采集：采集涤纶长丝纺丝时的电信号数据和视频数据；S2数据转换：将电信号数据转换成频域图和时域图，将视频数据进行切割得到视频帧图；S3模型构建：以频域图、时域图和视频帧图构成的数据作为训练集，将门控循环单元网络及卷积神经网络相结合，构建基于动态卷积神经网络算法的条干均匀性检测模型；S4在线检测：将实时采集的待测样本的视频数据输入基于动态卷积神经网络算法的条干均匀性检测模型，输出检测结果。本发明的方法利用动态卷积神经网络来提取不匀曲线图、波谱图及视频帧图中的条干不匀特征使得模型判断条干均匀性的精确率更高且实现在线检测。
-
公开(公告)号：CN108399335B
公开(公告)日：2022-05-06
申请号：CN201810091504.7
申请日：2018-01-30
Applicant: 东华大学
Abstract: 本发明涉及一种基于局部熵的恶意代码可视化分析方法，包括以下步骤：计算恶意代码局部熵，生成的熵值序列长度记为L，之后补充个0熵值；计算局部熵的djb2哈希值；将djb2哈希值转换成RGB值；基于RGB值序列生成关于局部熵的方图；提取局部熵方图的Gist特征，并运用KNN分类算法实施分类验证。本发明可用于恶意代码检测及分类。
-
公开(公告)号：CN120047798A
公开(公告)日：2025-05-27
申请号：CN202510525401.7
申请日：2025-04-25
Applicant: 东华大学
IPC: G06V10/82 , G06V20/70 , G06V10/26 , G06V10/774 , G06V10/776 , G06V10/77 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06T7/00
Abstract: 本发明属于纤维膜材料智能检测技术领域，公开了一种基于RAS‑UNet模型的中空纤维膜微观孔洞结构智能识别方法，该方法先对中空纤维膜电镜图像中的孔洞进行标注，得到中空纤维膜微观孔洞结构数据集，再建立RAS‑UNet模型，利用中空纤维膜微观孔洞结构数据集对RAS‑UNet模型进行训练与验证，最后将中空纤维膜电镜图像输入至验证后的RAS‑UNet模型，输出预测的分割图像；RAS‑UNet模型包括编码器和解码器，编码器和解码器通过跳跃连接结合；编码器包括残差卷积模块和下采样操作；解码器包括残差卷积模块、上采样操作以及注意力门模块；跳跃连接包括SE注意力模块。本发明可实现中空纤维膜孔洞的快速精度识别。
-
公开(公告)号：CN119673301A
公开(公告)日：2025-03-21
申请号：CN202311221528.7
申请日：2023-09-21
Applicant: 东华大学
IPC: G16C20/10 , G16C20/70 , G06F18/241 , G06F18/25 , G06N3/042 , G06F123/02
Abstract: 本发明涉及聚酯纤维聚合过程关键生产变量的长序列预测方法，将聚酯纤维聚合过程中多个关键生产变量的一定时间长度的历史数据输入至所提出的时间锚点网络模型，输出得到多个关键生产变量的未来时间步的预测值；时间锚点网络模型的编码器为多层时间锚点层，每一层时间锚点层由时间锚点采样模块与图掩码全连接神经网络串联组成；时间锚点网络模型的解码器为2层全连接神经网络。本发明从时间的尺度与空间相关性上对聚合过程的多变量预测任务进行建模，提出的基于锚点采样的技术含有分而治之的思想，通过对数据进行分块采样并采用不同的神经网络提取特征，建立基于时间锚点网络模型，可以有效解决长序列建模问题，且实现了对关键生产变量的精确预测。
-
Patent Agency Ranking
公开(公告)号：CN114921868B
公开(公告)日：2023-03-24
申请号：CN202210589285.1
申请日：2022-05-26
Applicant: 东华大学
IPC: D01F6/92 , D01F1/10 , D01D5/08 , C01B32/336 , C01B32/318
Abstract: 本发明涉及一种纳米生物炭改性熔体直纺超细旦聚酯纤维的制备方法，在聚酯酯化反应结束后加入经改性修饰的纳米生物质炭材料(平均粒径为2～6nm)，然后进行缩聚反应，并将缩聚反应后的聚酯熔体进行纺丝制得纳米生物炭改性熔体直纺超细旦聚酯纤维；经改性修饰的纳米生物质炭材料是将纳米生物质炭材料与双(二辛氧基焦磷酸酯基)乙撑钛酸酯的水溶液或双(二辛氧基焦磷酸酯基)乙撑钛酸酯和三乙醇胺的螯合物的水溶液混合后进行150～250℃水热活化制备得到。本发明工艺简便，制备流程合理，有极高的市场推广价值；解决了纳米生物质炭在聚酯中的分散性问题，适用于熔体直纺超细旦纤维的制备，提升了喷丝板过滤组件的更换周期。
-
公开(公告)号：CN114217580A
公开(公告)日：2022-03-22
申请号：CN202111477528.4
申请日：2021-12-06
Applicant: 东华大学
IPC: G05B19/418
Abstract: 本发明涉及一种基于改进型差分进化算法的功能性纤维生产排产方法，包括：功能性添加设计模块和智能化排产模块；功能性添加设计模块由订单指定纤维子模块、新型专家系统子模块和最佳功能性添加技术子模块组成；功能性添加设计模块的输入是一个或多个订单指定生产的不同品种的功能性纤维的规格和数量，输出是每种所述功能性纤维对应的一个以上的最佳功能性添加技术路径的编号；智能化排产模块由待生产纤维子模块、改进型差分进化算法子模块和智能化排产报表子模块组成；本发明利用新型专家系统决策功能性纤维的添加技术，使得功能性添加更合理高效，而且利用改进型差分进化算法优化排产，使得该生产排产方法更智能化，最终可实现企业效益最大化。
-
公开(公告)号：CN108345219A
公开(公告)日：2018-07-31
申请号：CN201810170062.5
申请日：2018-03-01
Applicant: 东华大学
IPC: G05B13/04
Abstract: 本发明的基于类脑记忆GRU的聚酰胺纤维生产工艺，包括：(1)建立基于类脑记忆的GRU神经网络模型；(2)将历史时刻的聚酰胺纤维纺丝工艺参数按时间顺序整理成样本并作为模型的输入值，用前k个时刻的值预测第k+1时刻的值，将模型的输出值与第k+1时刻的实际值进行比较，若两者的均方误差在0.001之内，则模型训练结束，否则，调整模型的超参数，直至均方误差在0.001之内；(3)将当前时刻的工艺参数输入到预测模型中，得到的预测结果即为下一时刻聚酰胺纤维纺丝工艺参数；(4)按该预测结果调整聚酰胺纤维纺丝工艺。本发明的模型具有记忆内容的非线性和双流并行性，符合人脑记忆特征，能更好地指导生产，极具应用前景。
-
公开(公告)号：CN119763713A
公开(公告)日：2025-04-04
申请号：CN202411825226.5
申请日：2024-12-12
Applicant: 东华大学
IPC: G16C20/30 , G06F18/213 , G06F18/214 , G06F18/21 , G06F18/10 , G06F18/27 , G06N3/08
Abstract: 本发明涉及一种聚酯纤维酯化过程出口低聚物密度指标在线预测方法，具体为：(1)从聚酯纤维酯化过程的传感器上采集酯化过程变量和出口低聚物密度指标的历史数据，构建离线酯化数据集，并划分为训练集和测试集；(2)建立MC‑RSGN模型：MC‑RSGN模型由动态特征提取模块、深度降噪模块和关键指标回归模块三部分构成；(3)设置模型的超参数初始值，采用训练集训练MC‑RSGN模型，优化参数设置，并使用测试集对模型进行验证；(4)将现场采集的实时生产过程数据输入离线验证后的模型进行预测，输出实时的酯化阶段出口低聚物密度指标预测值。本发明实现了聚酯纤维酯化过程出口低聚物密度指标的快速在线精准预测。
-
公开(公告)号：CN117828387A
公开(公告)日：2024-04-05
申请号：CN202410004885.6
申请日：2024-01-03
Applicant: 东华大学
IPC: G06F18/23213 , G06F18/2415 , G06N3/0464 , G06N3/06 , G06N3/09
Abstract: 本发明提出一种聚酯聚合过程的数据增强方法，具体为：(1)建立聚类模型和生成模型；聚类模型和生成模型均参照VAE结构搭建；(2)对传感器采集的数据进行数据清洗，得到待增强数据集，并初始化聚类模型和生成模型中所有的参数；3)将待增强数据集输入至聚类模型中，对聚类模型进行训练，并由聚类模型输出k组数据；(4)将k组数据分别输入至k个生成模型中，对k个生成模型进行训练，并由k个生成模型输出k组新数据，将k组数据与k组新数据整合，得到增强数据集。本发明的方法提升了聚酯聚合过程工艺参数数据的质量，提升了深度学习预测模型的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.017 seconds)
