会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

【MEASUREMENT】基于数据空间的复杂工业过程根源诊断与故障传播路径识别

故障诊断在保证工业安全和提高社会效益方面发挥着至关重要的作用。然而，由于过程耦合和复杂的流程，准确识别故障路径变得具有挑战性。本文提出了一种基于数据的故障诊断和路径识别方法。它涉及通过从数据中提取因果关系来构建多层、多因果的数据空间。基于注意力的卷积神经网络有效地捕捉因果关系。修剪和专业知识有助于形成一个精细的结构。使用LSTM最小二乘线性（OLS）方法确定故障传播方向，有助于快速定位问题。对浮法玻璃生产和Tennessee Eastman的实验验证显示了显著的结果，支持提高工业过程的可靠性和效率。

  • 2024-06-17
  • 阅读335

【EAAI】基于时空图神经网络的工业控制系统监控

工业智能的快速增长产生了大量的工业数据，这些数据通常由工业控制系统（ICS）收集。ICS中最热门的话题之一是如何从工业“大数据”中提取最有用的信息，并为监测工业生产过程的状况提供更全面的服务。随着工业环境的日益复杂，生产任务经常发生变化，恶意攻击也在增加。在高维、有噪声的工业数据中进行细粒度异常检测仍然是一个巨大的挑战。针对这个问题，我们提出了一个时空图神经网络异常检测框架，用于ICSs的细粒度状态监测。首先，基于先验知识，我们提出了一种特征降维和动态图建模的方法。然后，利用变分模分解（VMD）模块从工业数据中去除噪声。最后，我们提出了一个用于细粒度异常检测的时空特征提取模块。数值实验是在一个名为HAI的真实ICS数据集上进行的。结果表明，该框架能够有效地处理高维、高噪声和不平衡的工业数据。该框架的概念相互关联，可扩展到各种工业场景，包括冶金、智能车间等。在召回、精度和？？1-得分，将所提出的框架与八种有代表性的方法进行比较，揭示了所提出框架的优点。

  • 2024-06-17
  • 阅读234

【IEEETII】数据不确定性下基于深度混合网络的工业过程多变量时间序列预测

随着工业物联网（IIoT）的快速发展，减少数据的不确定性已成为预测系统发展趋势和制定未来维护策略的关键问题。本文提出了一个端到端的、基于深度混合网络的、短期的、多变量的工业过程时间序列预测框架。首先，采用最大信息协同有效性提取非线性变量相关特征。其次，设计了一个带有残差消除模块的卷积神经网络来消除数据的不确定性。第三，以时间分布的形式连接双向门控递归单元网络，以实现提前预测。最后，采用优化的贝叶斯优化方法来优化模型的学习率。在案例研究中，与其他最先进的基于深度学习的时间序列预测方法进行了比较，说明了所提出的框架在噪声IIoT环境中的优越性。

  • 2024-06-17
  • 阅读280

【IEEETII】基于卷积神经网络的大规模质量过程监测特征学习

随着工业技术的发展，工业过程变得越来越庞大和复杂，传统的方法很难提取出能够代表整个过程状况以及故障对质量指标影响的特征。因此，提出了一种新的多块解耦卷积神经网络算法。首先，选择关键过程变量，将过程变量分组为多个块进行后续监测。然后，在每个块中，所提出的DCN构建关键过程变量和质量指标之间的回归模型，其中回归模型利用改进的卷积神经网络作为特征提取器，解耦层作为特征正则化器。然后，基于贝叶斯理论，将每个区块的监测结果集成到全局监测指标中。在故障检测之后，提出了变量遗忘贡献图来定位故障变量。最后，通过两个工业实例验证了多块DCN的有效性。

  • 2024-06-17
  • 阅读216

【CCE】通过基于深度学习的软传感器开发实现与盈利能力相关的工业规模批量过程监控

数据驱动的软传感器技术已被广泛开发用于估计与质量相关的变量，但以下困难仍然限制了其在批处理过程中的应用，如不同的初始条件、不均匀的批长度以及批内多相特征的提取。为了解决这些问题，提出了一个质量预测和监测框架。首先选择与质量相关的变量，并提出了一种数据堆叠策略，将三维批处理数据转换为可输入软传感器模型的时滞序列。为了提取多相特征，将差分运算嵌入长短期记忆神经网络，建立了一种新的差分递归神经网络。此外，为了确保盈利能力，采用预测残差进行质量监测。通过模拟数据集和工业规模青霉素发酵过程的案例研究，证明了所提出方法的有效性及其在专业研究和工业操作中对间歇过程监测和控制的适用性。

  • 2024-06-17
  • 阅读175

【IEEEJESTPE】提高基于神经网络的异步电机早期故障检测的可行性

现代工业工厂很复杂，对电机故障时计划外停机的成本非常敏感。感应电机（IM）驱动器中的断条就是这种情况，它仍然占据着很大的市场份额。原则上，基于先进人工智能（AI）的技术使早期缺陷检测成为可能，但其复杂性与IM的本质相冲突。本文旨在通过使用标准驱动器中已有的电机电流特征来弥合这一差距，并提出模拟和数据增强的组合，以有效地训练神经网络（NN），而不需要许多损坏的原型，这是工业可行性的主要缺陷。

  • 2024-06-17
  • 阅读172

【IEEETETCI】基于张量的工业网络流量恢复—基于BCD启发的潜在非线性和稀疏性神经逼近

由于工业物联网产生了大量的网络数据，张量作为紧凑的多维表示被广泛用于对工业网络流量进行建模。不稳定的数据采集往往会导致流量张量中实体的部分丢失，而传统的流量张量补全算法是基于线性代数和低秩的。然而，由于域变换和变换后的稀疏性之间的密切相关性，线性域变换不能准确地近似潜在的非线性相关性，导致恢复性能不足。本文提出了一种具有非线性变换和稀疏正则化的混合结构深度模型，以自动搜索最优域变换方法和相应的稀疏约束。该模型采用张量奇异值分解框架，由两个不同结构的神经网络组成。一个神经网络具有具有完全连接网络的自动编码器结构，仅从部分观测到的数据中恢复丢失的实体，卷积神经网络构造另一个网络来约束变换域中的稀疏性。此外，我们基于变换张量的局部光滑性施加了额外的拉普拉斯约束，以克服连续的数据丢失。受块坐标下降算法的启发，交替训练相互匹配的非线性变换器和稀疏正则化子。对工业网络流量的大量实验结果表明，我们提出的模型在不同的采样率和模式下都优于最先进的方法。

  • 2024-06-17
  • 阅读243

【IEEEITJ】一种用于软件定义IIoT网络中DDoS检测和分类的高效混合DNN

基于软件定义网络（SDN）的工业物联网（IIoT）网络具有一个集中式控制器，它是未经授权用户攻击的单一有吸引力的目标。IIoT网络中的网络安全正成为最重大的挑战，尤其是来自日益复杂的分布式拒绝服务（DDoS）攻击。这种情况需要有效的方法来缓解最近的攻击，因为现有技术更侧重于DDoS检测。大多数现有的DDoS检测功能在计算上都很复杂，并且不再具有足够的效率来抵御DDoS攻击。因此，需要一种低成本的DDoS攻击分类方法。本研究提出了一种有效的特征选择方法——极限梯度提升（XGBoost），用于确定最相关的数据特征，该方法使用卷积神经网络和长短期记忆（CNN-LSTM）进行DDoS攻击分类。所提出的模型评估了CICDDoS2019数据集，该数据集具有改进的准确性和低复杂度能力，可满足低延迟IIoT需求。性能结果表明，该模型的精度高达99.50%，时间开销为0.179ms。

  • 2024-06-17
  • 阅读235