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

【IEEETIM】基于双非负绞杀的LSTM软传感器输入变量选择与结构优化

软传感器作为一种重要的智能检测技术，已广泛应用于现代加工行业，实现对产品质量的有效监测和预测。然而，在实际工业过程建模中，模型输入和结构的冗余通常会导致建模复杂性增加和模型性能下降。在本研究中，提出了一种基于双非负绞杀（DNNG）方法的长短期记忆（LSTM）软传感器输入变量选择和结构优化算法。首先，使用过程数据集构建训练有素的初始LSTM模型，以捕捉工业过程的时间动态行为。其次，将DNNG算法集成到LSTM中，以减少输入变量和隐藏节点的冗余。该策略有效地为模型选择了最一致的输入变量，同时通过消除冗余的递归隐藏节点来简化LSTM结构，以降低模型过拟合的风险。此外，通过将网格搜索与块交叉验证相结合来确定模型的超参数。最后，通过数值算例将所开发的算法与其他最先进的算法进行了比较，并用于预测燃煤电厂脱硫系统净烟气排放中的SO2浓度。对比结果表明，该算法有效地消除了冗余变量，简化了模型结构，同时比其他算法具有更好的预测性能。

  • 2024-06-17
  • 阅读477

【IEEETII】基于神经网络的工业软传感器的对抗性攻击：镜像输出攻击和平移镜像输出攻击

使用神经网络技术的软测量已经越来越多地应用于工业过程。近年来，基于神经网络的软传感器的安全性和鲁棒性成为人们关注的主要问题。此外，目前的研究表明，神经网络容易受到对抗性攻击。换句话说，施加在输入上的小扰动可能导致输出的显著偏差。如果关键过程变量的软传感器受到攻击，可能会对工业过程造成相当大的损害。本文主要研究基于神经网络的工业软传感器的攻击方法。针对工业软传感器的特点，本文提出了两种新的对抗性攻击方法。第一种方法称为镜像输出攻击（MOA），是一种微妙的攻击方法，它翻转输出曲线以改变输出的方向。第二种方法称为翻译MOA（TMOA），很容易使运算符操作失误。TMOA在翻转输出曲线的同时平移输出曲线，以达到改变输出条件的目的。在硫回收装置工艺的工业案例研究中证明了MOA和TMOA的有效性。仿真结果表明，两种对抗性攻击方法都可以对基于神经网络的工业软传感器进行攻击。对抗性攻击方法的研究可以为防御攻击提供基础，从而增强软传感器的安全性和鲁棒性。

  • 2024-06-17
  • 阅读313

【IEEETII】工业因果关系发现的神经网络权值比较及其软测量应用

由于工业过程单元的反应机理复杂，工业过程变量之间存在因果关系和相关性。因果发现算法已被用于发现变量关系的知识，并指导过程建模和控制优化。然而，它们大多受到严格假设的限制，如线性关系、加性噪声、稳态过程等。因此，这些方法不能在大多数实际工业过程中获得良好的性能。为了解决这些问题，本文提出了一种新的用于工业因果图发现的权重比较因果挖掘算法。它首先用过程数据训练一组隐层神经网络，然后根据网络权重的比较挖掘过程变量的无向骨架，进一步确定骨架中无向边的因果方向，得到有向因果图。通过尿素合成过程的基准测试和实际工业案例验证了WCCM的有效性。WCCM挖掘的无向边和直边与地面实况具有很高的一致性。此外，WCCM的因果发现结果被用于指导软传感器建模的特征选择，从而提高了预测精度和模型的可解释性。

  • 2024-06-17
  • 阅读451

【IEEETII】TSTFNN：模糊神经网络在工业浮选过程性能监测中的性能增强

神经网络界已经对学习算法进行了大量的研究，但对训练策略的研究有限。为了提高模糊神经网络在工业过程识别中的性能，提出了一种基于两阶段训练的模糊神经网络。首先，为了初始化TSTFNN，我们提出了一种监督聚类方法。它通过根据样本的标签对部分样本进行聚类，确定TSTFNN的初始中心和神经元数量。然后，采用基于梯度的算法进一步学习TSTFNN的参数。为了提高其泛化性能，我们开发了一个两阶段训练方案。在第一阶段，执行标准的10倍交叉验证来学习参数。预测误差超过预设阈值的样本用于在第二阶段中训练网络。根据李雅普诺夫准则，我们证明了如果学习率选择在适当的范围内，TSTFNN的收敛性。通过对两个基准问题的仿真验证了TSTFNN的有效性。所提出的TSTFNN性能优于现有技术。与监督长短期存储器相比，均方根误差降低了17%。然后，我们将其应用于工业浮选过程中的软传感器建模。实验结果表明，TSTFNN具有令人满意的预测性能。

  • 2024-06-17
  • 阅读304

【IEEETNSE】基于重构图神经网络的工业物联网入侵检测

工业物联网（IIoT）由于其在无人值守环境中的开放部署，极易受到网络攻击。入侵检测是提高安全性的有效解决方案。然而，由于标记的样本很难获得，并且在实际应用中样本类别不平衡，因此很难获得可靠的模型。本文提出了一种基于图神经网络技术的入侵检测通用框架。详细地，提出了一种网络嵌入特征表示方法来处理IIoT中高维、冗余但类别不平衡和稀有的标记数据。为了避免网络结构不准确带来的影响，设计了一个具有细化正则化的网络构造函数对其进行修正。最后，将网络嵌入表示权和网络构造函数一起训练。通过在公共数据集上执行入侵检测任务，验证了该方法的高精度和鲁棒性。与几种现有技术的算法相比，所提出的框架在许多评估指标上都优于这些方法。此外，还设计了一个硬件在环平台，用于在真实环境中测试性能。结果表明，该方法不仅可以识别不同的攻击，而且可以区分网络攻击和物理故障。

  • 2024-06-17
  • 阅读422

【IEEETII】用于工业非侵入式负荷监测的物理知情时间感知神经网络

非侵入式负载监测实现了对设备级能耗的态势感知，而无需安装特定于设备的传感器。它已经研究了30多年，深度学习方法是最先进的解决方案。然而，目前的工作主要集中在住宅场景上，从电器类型的角度来看，工业负荷分解是一个更具挑战性的问题，研究较少。然而，工业负荷在节能以及减缓和适应气候变化方面发挥着重要作用。因此，本文重点研究了工业非侵入性负荷监测问题，并提出了一种基于物理信息的时间感知神经网络方法。本文考虑了工业负荷的多个特征，并利用它们之间的物理关系来显式地改进学习过程。此外，还提出了一种二维卷积层来对时间戳进行编码以进行特征增强。对10台电器的真实工业数据进行实验将验证所提出方法的有效性。

  • 2024-06-17
  • 阅读351

【IEEETNNLS】用于复杂工业过程故障诊断的交互感知图神经网络

由于传感器信号中的各种故障模式以及不同单元之间的复杂相互作用，复杂工业过程的故障诊断成为一项具有挑战性的任务。然而，如何探索相互作用并与传感器信号集成仍然是一个悬而未决的问题。考虑到工业过程中传感器信号及其相互作用以节点和边的形式可以表示为图，本文提出了一种新的用于复杂工业过程故障诊断的交互感知和数据融合方法，称为交互感知图神经网络。首先，为了描述工业过程中的复杂交互，将传感器信号转换为具有多种边缘类型的异构图，并通过注意力机制自适应地学习边缘权重。然后，使用多个独立的图神经网络（GNN）块来提取每个具有一个边缘类型的子图的故障特征。最后，通过加权求和函数将每个子图特征连接或融合，以生成最终的图嵌入。因此，该方法可以学习传感器信号之间的多重交互，并通过GNN的消息传递操作从每个子图中提取故障特征。最终的故障特征包含来自原始数据的信息和传感器信号之间的隐含交互。在三相流设备和电力系统（PS）上的实验结果证明了所提出的方法在复杂工业过程的故障诊断中的可靠性和优越性。

  • 2024-06-17
  • 阅读624

【IEEETSMCS】基于知识的神经网络的非线性模型预测控制及其工业应用

现代工业过程控制存在多变量、多约束多目标、强非线性等问题。模型预测控制（MPC）是一种有效的解决方案，在工业过程中得到了广泛的应用。然而，MPC的一个局限性是需要足够的数据来建立准确的预测模型。为此，本文提出了一种基于知识的神经网络MPC解决方案。首先，提出了一种基于稀疏表示的Hammerstein系统结构知识提取方法，该方法能够从少量的系统操作数据中提取系统结构知识。然后，设计了一个知识知情的神经网络模型，将系统结构知识相结合，构建了一个具有特殊结构的神经网络，从而克服了模型训练中数据不足的问题。最后，将知识告知的神经网络模型嵌入MPC框架中，可以在保证预测性能的同时降低轧制优化的计算成本。通过数值模拟和pH中和过程实验验证了该方法的可行性和有效性。

  • 2024-06-17
  • 阅读351