-
公开(公告)号：CN115905974B
公开(公告)日：2024-02-27
申请号：CN202211377826.0
申请日：2022-11-04
Applicant: 北京科技大学
IPC: G06F18/2415 , G06F18/214 , G06F17/18 , G06F17/16
Abstract: 本发明提供一种高炉异常炉况检测方法，属于高炉冶炼技术领域。所述方法包括：S101，建立基于GMM的平稳投影矩阵求取模型，其中，GMM表示高斯混合模型；S102，获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包；S103，根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常。采用本发明，能够降低炉况异常误报率。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN118644134A
公开(公告)日：2024-09-13
申请号：CN202410709992.9
申请日：2024-06-03
Applicant: 北京科技大学
IPC: G06Q10/0639 , G06Q50/04 , G06N3/0442 , G06N3/08
Abstract: 本发明提供一种烧结过程质量异常溯源方法，涉及烧结工艺技术领域。所述方法包括建立提取烧结过程质量的平稳特征模块，通过收集的正常的烧结过程数据作为训练集，对提取烧结过程质量的平稳特征模块进行训练得到训练集的平稳分量及其协方差矩阵，FeO含量预测子模块根据训练集的平稳分量得到FeO含量的预测值；将在线监测的烧结过程数据作为样本集，根据基于孪生神经网络的平稳特征提取子模块对样本集进行处理，得到样本集的平稳分量；根据样本集的平稳分量及协方差矩阵，判断样本集是否存在异常数据，若存在异常数据，则绘制贡献图，本发明考虑了烧结过程数据的非平稳性、非线性以及非高斯性，提取出与FeO含量相关的平稳特征，改善了故障检测性能。
-
公开(公告)号：CN115905974A
公开(公告)日：2023-04-04
申请号：CN202211377826.0
申请日：2022-11-04
Applicant: 北京科技大学
IPC: G06F18/2415 , G06F18/214 , G06F17/18 , G06F17/16
Abstract: 本发明提供一种高炉异常炉况检测方法，属于高炉冶炼技术领域。所述方法包括：S101，建立基于GMM的平稳投影矩阵求取模型，其中，GMM表示高斯混合模型；S102，获取非平稳高炉正常的历史过程数据作为训练集，根据建立的平稳投影矩阵求取模型求取训练集的平稳投影矩阵和平稳分量，建立平稳分量的凸包；S103，根据S102求出的平稳投影矩阵计算在线测试样本的平稳分量，基于得到的平稳分量进行凸包检测，当测试样本位于凸包的外侧，判定炉况异常。采用本发明，能够降低炉况异常误报率。
-
公开(公告)号：CN118644134B
公开(公告)日：2025-03-14
申请号：CN202410709992.9
申请日：2024-06-03
Applicant: 北京科技大学
IPC: G06Q10/0639 , G06Q50/04 , G06N3/0442 , G06N3/08
Abstract: 本发明提供一种烧结过程质量异常溯源方法，涉及烧结工艺技术领域。所述方法包括建立提取烧结过程质量的平稳特征模块，通过收集的正常的烧结过程数据作为训练集，对提取烧结过程质量的平稳特征模块进行训练得到训练集的平稳分量及其协方差矩阵，FeO含量预测子模块根据训练集的平稳分量得到FeO含量的预测值；将在线监测的烧结过程数据作为样本集，根据基于孪生神经网络的平稳特征提取子模块对样本集进行处理，得到样本集的平稳分量；根据样本集的平稳分量及协方差矩阵，判断样本集是否存在异常数据，若存在异常数据，则绘制贡献图，本发明考虑了烧结过程数据的非平稳性、非线性以及非高斯性，提取出与FeO含量相关的平稳特征，改善了故障检测性能。
-
公开(公告)号：CN116842402B
公开(公告)日：2024-02-13
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
6
records
(took 0.015 seconds)
