-
公开(公告)号：CN113289759B
公开(公告)日：2022-07-15
申请号：CN202110610256.4
申请日：2021-06-01
Applicant: 浙江大学
Abstract: 本发明涉及干法粉磨领域，具体地涉及一种干法粉磨系统微粉粒度分布调控方法及装置。所述方法包括：在线获取所述干法粉磨系统的微粉粒度的第一分布状态数据；根据离线获取的基于所述干法粉磨系统的微粉粒度的第二分布状态数据，对所述第一分布状态数据进行修正，得到最终分布状态数据；根据所述最终分布状态数据和参数调控模型，生成对应的干法粉磨系统的调控参数；基于所述调控参数对所述干法粉磨系统的对应部件的工作状态进行调控。本发明提供的实施方式可应用于立磨粉磨系统和辊压机粉磨系统，通过建立微粉粒度在线自动检测系统，解决质量控制的难点，防止过度粉磨而浪费能量。
-
公开(公告)号：CN113289759A
公开(公告)日：2021-08-24
申请号：CN202110610256.4
申请日：2021-06-01
Applicant: 浙江大学
Abstract: 本发明涉及干法粉磨领域，具体地涉及一种干法粉磨系统微粉粒度分布调控方法及装置。所述方法包括：在线获取所述干法粉磨系统的微粉粒度的第一分布状态数据；根据离线获取的基于所述干法粉磨系统的微粉粒度的第二分布状态数据，对所述第一分布状态数据进行修正，得到最终分布状态数据；根据所述最终分布状态数据和参数调控模型，生成对应的干法粉磨系统的调控参数；基于所述调控参数对所述干法粉磨系统的对应部件的工作状态进行调控。本发明提供的实施方式可应用于立磨粉磨系统和辊压机粉磨系统，通过建立微粉粒度在线自动检测系统，解决质量控制的难点，防止过度粉磨而浪费能量。
-
公开(公告)号：CN111797122A
公开(公告)日：2020-10-20
申请号：CN202010648319.0
申请日：2020-07-07
Applicant: 浙江大学
IPC: G06F16/2455 , G06N3/04 , G06N3/08
Abstract: 本发明实施方式提供一种高维重现概念漂移流数据的变化趋势预测方法及装置，属于流数据变化趋势预测技术领域。方法包括：获取表征目标变量状态变化的实时时序数据流；以实时时序数据流为输入，经概念漂移预测模型输出表征目标变量未来状态变化的最终预测时序数据流；概念漂移预测模型，经预设的训练集对D-LSTM神经网络进行离线训练，以及依据实时时序数据流对D-LSTM神经网络进行在线自回归预测训练得到。本发明通过融合深度学习算法和在线预测的方法有效提高了高维重现概念漂移流数据变化趋势的预测精度，解决了传统的静态数据变化趋势预测方法对高维重现概念漂移流数据变化趋势预测泛化能力有限的问题。
-
Patent Agency Ranking
公开(公告)号：CN117076885A
公开(公告)日：2023-11-17
申请号：CN202311050235.7
申请日：2023-08-18
Applicant: 浙江大学
IPC: G06F18/20 , G05B19/418 , G06F18/15 , G06N3/042 , G06N3/096 , G06F123/02
Abstract: 本发明实施例提供一种基于数知迁移的过程参数单变量时序预测方法及系统，属于流程工业技术领域。所述方法包括：采集单变量时序基础信息，并对所述基础信息进行预处理，获得训练基础信息；基于所述训练基础信息进行知识嵌入式DKN网络预训练，获得去噪参数；基于所述去噪参数和所述基础信息进行知识嵌入式DKN网络二次训练，获得训练后网络；基于所述训练后网络，执行非稳定工况下时序预测。本发明方案解决了传统基于数据驱动的单变量时序预测模型在输入不确定场景下出现的泛化性能退化以及流程工业工况的时变特征使得传统的DKN网络收敛慢、权值假饱的问题。
-
公开(公告)号：CN119128760A
公开(公告)日：2024-12-13
申请号：CN202411264009.3
申请日：2024-09-10
Applicant: 浙江大学
IPC: G06F18/2433 , G06N3/0455 , G06N3/042 , G06N3/0442 , G06N5/022 , G06F123/02
Abstract: 本发明提供一种工业时间序列异常检测方法、装置及计算机设备，属于工业时间序列异常检测技术领域。方法包括：获取工业时间序列数据；将时间序列数据转化为图结构数据后作为模型输入数据输入重构模型，得到重构数据，重构模型包括数知复合图注意力网络；若重构数据中某个时间戳的重构变量数据与模型输入数据中该时间戳对应的原始变量数据的差异程度达到了预设的异常阈值，则确定该时间戳对应的原始变量数据状态异常。上述重构模型根据工业系统相关的知识图谱，提取基于知识的变量交互网络的优越表示，并将其与基于序列的时间序列依赖相融合，从而降低了模型学习到伪相关性的风险，提升了对工业时间序列的异常检测性能和异常可解释性。
-
公开(公告)号：CN116974253A
公开(公告)日：2023-10-31
申请号：CN202311048534.7
申请日：2023-08-18
Applicant: 浙江大学
IPC: G05B19/418
Abstract: 本发明实施例提供一种数知融合驱动调控参数多级响应预测方法及系统，属于数据处理技术领域。所述方法包括：采集调控过程知识；基于所述调控过程知识进行调控知识库构建；基于所述调控知识库，进行数知融合调控参数多级响应预测模型训练，获得预测模型；基于所述预测模型，在给定调控操作下同时对多个调控变量的输出响应进行预测，并基于预测结果输出优化的调控操作序列。本发明方案解决了传统数据驱动调控响应预测方法在流程工业多变量调控场景下预测泛化性能有限且易出现性能瓶颈的问题，以及传统的基于运行机理的调控响应与状态估计方法通用性有限，建模成本过高的问题。
-
公开(公告)号：CN116894171A
公开(公告)日：2023-10-17
申请号：CN202310836313.X
申请日：2023-07-07
Applicant: 浙江大学
IPC: G06F18/2113 , G06F18/214 , G06N3/0442 , G06N3/08 , G06N20/00
Abstract: 本发明涉及工业设备数据处理技术领域，实施例提供一种工业设备时间序列的特征选择方法及装置。其中，工业设备时间序列的特征选择方法，包括：基于工业设备时间序列的先验知识和确定的目标变量构建对应的目标数据集；获取工业设备时间序列的原始数据集，并将其构建为模型训练的输入集；将所述输入集和目标数据集输入IM个基于LSTM‑SHAP模型构成的内层选择器所组成的筛选器中，得到一个内层选择器中每一数据特征对目标数据的重要性结果；根据所述重要性结果筛选出特征集合作为所述内层选择器的输出结果等步骤。本发明提供的实施方式不仅实现了设备原始数据集面向设备状态的降维，而且保留了特征之间的时间依赖性和相关性。
-
公开(公告)号：CN111797122B
公开(公告)日：2022-03-25
申请号：CN202010648319.0
申请日：2020-07-07
Applicant: 浙江大学
IPC: G06F16/2455 , G06N3/04 , G06N3/08
Abstract: 本发明实施方式提供一种高维重现概念漂移流数据的变化趋势预测方法及装置，属于流数据变化趋势预测技术领域。方法包括：获取表征目标变量状态变化的实时时序数据流；以实时时序数据流为输入，经概念漂移预测模型输出表征目标变量未来状态变化的最终预测时序数据流；概念漂移预测模型，经预设的训练集对D‑LSTM神经网络进行离线训练，以及依据实时时序数据流对D‑LSTM神经网络进行在线自回归预测训练得到。本发明通过融合深度学习算法和在线预测的方法有效提高了高维重现概念漂移流数据变化趋势的预测精度，解决了传统的静态数据变化趋势预测方法对高维重现概念漂移流数据变化趋势预测泛化能力有限的问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
