-
公开(公告)号:CN114925783B
公开(公告)日:2025-05-06
申请号:CN202210705720.2
申请日:2022-06-21
Applicant: 江南大学
IPC: G06F18/241 , G06F18/2132 , G06F18/214 , G06N3/045 , G06N3/0895 , G06N3/084
Abstract: 本发明公开了一种基于优化堆栈自编码网络的化工过程故障分类方法,属于故障分类技术领域。所述方法通过在自监督学习训练阶段,使用有标签和无标签样本,结合Fisher判别准则优化堆栈自编码网络,寻找有利于分类的映射方向,逐层减小同类故障特征的类内距离,增大异类特征的类间距离。通过改进后的损失函数约束模型训练,使得堆栈自编码网络在反向传播时更新的神经元参数,既能最小化重构误差,使堆栈自编码网络从大量无标签样本中提取重构特征,又考虑到标签信息的利用,使堆栈自编码网络提取到尽可能多的分类特征。因此本发明提出的基于优化堆栈自编码网络的故障分类方法可以学习有效分类特征信息,提升的故障分类的准确率。
-
公开(公告)号:CN116520703A
公开(公告)日:2023-08-01
申请号:CN202310533041.6
申请日:2023-05-11
Applicant: 江南大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于改进AC算法的强化学习间歇过程控制方法,涉及深度强化学习领域和间歇过程控制领域。该方法将基于强化学习方法的间歇过程控制在马尔科夫决策过程的基础上建模为一个最优控制问题;在强化学习控制器的奖励函数中引入控制动作约束,通过增加有效奖励样本的数目提高强化学习控制器的学习速率,缩短控制周期。并在深度强化学习的Actor‑Critic算法中引入优先级采样方法,提出了优先采样的软行动者‑评论家算法,以此来提高算法在经验回放池中的采样效率。且本发明不依赖于先验知识和过程模型,可以实现间歇过程的无模型控制。
-
公开(公告)号:CN114925783A
公开(公告)日:2022-08-19
申请号:CN202210705720.2
申请日:2022-06-21
Applicant: 江南大学
Abstract: 本发明公开了一种基于优化堆栈自编码网络的化工过程故障分类方法,属于故障分类技术领域。所述方法通过在自监督学习训练阶段,使用有标签和无标签样本,结合Fisher判别准则优化堆栈自编码网络,寻找有利于分类的映射方向,逐层减小同类故障特征的类内距离,增大异类特征的类间距离。通过改进后的损失函数约束模型训练,使得堆栈自编码网络在反向传播时更新的神经元参数,既能最小化重构误差,使堆栈自编码网络从大量无标签样本中提取重构特征,又考虑到标签信息的利用,使堆栈自编码网络提取到尽可能多的分类特征。因此本发明提出的基于优化堆栈自编码网络的故障分类方法可以学习有效分类特征信息,提升的故障分类的准确率。
-
公开(公告)号:CN116661410A
公开(公告)日:2023-08-29
申请号:CN202310505573.9
申请日:2023-05-06
Applicant: 江南大学
IPC: G05B23/02
Abstract: 本发明公开了基于加权有向图的大规模工业过程故障检测及诊断方法,属于工业过程监测与安全生产领域。所述方法利用过程工艺流程图与变量间归一化互信息构建过程加权有向图模型,并基于模块度最大化原则进行模块划分;引入核主成分分析方法建立监测模型以解决过程间的非线性问题;对新采集数据标准化后按照监测模型进行处理,计算各模块的监测统计量并将其融合,与统计量控制限对比判断当前过程状态是否正常;一旦检测到故障,通过变量加权贡献率识别故障相关变量,并结合过程有向图进行故障的根源变量识别与传播路径分析。
-
公开(公告)号:CN117521348A
公开(公告)日:2024-02-06
申请号:CN202311423812.2
申请日:2023-10-30
Applicant: 江南大学
Abstract: 本发明公开了未知量测缺失下发酵过程的状态估计方法,包括建立发酵罐的非线性模型;选择生物浓度、底物浓度和产物浓度为发酵状态,建立连续线性状态空间模型;将连续线性状态空间模型离散化得到发酵罐的离散的状态方程和观测方程;在观测方程中引入量测缺失变量,得到伴随量测缺失的观测方程;分别用高斯分布、多项式分布、伯努利分布和Beta分布描述发酵状态、系统模态、量测缺失变量和量测缺失概率的概率分布;利用预测步公式计算各变量先验分布;使用固定点迭代法计算各变量后验分布和后验估计值。该方法能够同时估计出发酵状态和量测缺失概率。未知且时变的量测缺失概率的估计使发酵状态的估计更加准确,为整个发酵过程安全有效运行提供了保障。
-
-
-
-