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

郝峰杰高工：混合多类型储能的分布式能源系统运行优化方法

对于含多类型混合储能系统的运行优化，通常将所有设备等效为一个整体，并未考虑各储能系统的运行特性差异等因素，最终导致设备利用率低，经济运行能力差。为此，首先以最大可再生能源消纳以及最小电网交换电量为目标，构建了优化函数模型。其次，考虑到多类型储能系统在充放电动态特性、运行成本特征以及SOC设定等方面差异，提出了一种结合能量型储能SOC一致性约束的双层解耦式运行优化方法，以适应分布式能源系统中的多类型储能协同运行。最后，以某个在建的分布式可再生能源系统工业示范园区数据为基础，对所提方法进行了算例验证与分析。结果证明，所提方法在保证分布式能源系统内多个能量型储能系统充放电同步性的同时，能够对具有相同运行特性的储能系统进行聚类，有效了降低计算复杂性，完成多类型储能协调与优化，并最终促进分布式能源系统的新能源消纳。

  • 2024-09-27
  • 阅读98

【AEI】先验知识增强无监督形状学习用于工业过程中未知的正常工作条件发现

未知异常工况的发现是精细化工业生产的关键，集群工业时间序列是发现未知工况类型的有效方法。然而，从工业时间序列中发现未知的异常工作状态对现有的时间序列聚类方法来说是一个挑战。本研究提出了一种新的先验知识增强无监督形状集学习方法，通过可解释的子序列发现异常和有意义的工作状态。提出了一种先验特征提取模块，将先验知识转化为数据模型的可识别形式。先验知识包含异常工作状态信息，知识增强聚类模块可以通过将先验特征与数据特征相结合来学习表示异常工作状态的信息形状集。此外，先验知识和数据的偏好在学习阶段会自我调整。对实际铝电解过程、模拟田纳西伊斯曼过程和连续搅拌槽加热器过程的数值试验结果验证了所提出方法的优越性能。所提出的方法为先验知识和数据模型的融合提供了新的视角。它还为解决工业过程中异常未知工况发现问题提供了一种新方法。关键词：先验知识，铝电解，时间序列，Shapelet，聚类

  • 2024-10-08
  • 阅读115

基于摄像头的3D物体检测：用于自动驾驶汽车的BEVFormer和BEVFormerv2

3D 视觉感知对于自动驾驶和机器人等应用至关重要。虽然基于摄像头的 3D 物体检测方法因其成本效益和检测远距离物体的能力而受到关注，但它们在效率和准确性方面存在困难，尤其是在处理跨多个摄像头视图的信息时。鸟瞰图 (BEV)是自动驾驶中的一种常见表示，因为它可以提供对周围环境的清晰空间理解。但是，从 2D 图像生成强大的 BEV 特征以用于 3D 物体检测等任务具有挑战性。BEVFormer 论文介绍了一种使用时空变换器生成 BEV 特征的新方法 BEVFormer 。与以前的方法不同，BEVFormer 不依赖深度信息，可以动态聚合空间和时间信息。

  • 2024-12-03
  • 阅读24

【ESWA】通过揭示数据潜在交互的残差感知深度注意力图卷积网络用于工业过程中的产品质量预测

基于深度学习的数据驱动建模对于工业过程中的在线产品质量预测至关重要。从传感器变量中提取潜在的数据交互是各种数据驱动建模应用的核心。通常，由于操作条件的变化和传感器调谐问题，观察到的变量表现出非平稳特性。这些波动不可避免地影响了传统特征提取方法的可靠性，从而阻碍了它们的应用。因此，本文提出了一种名为横向感知深度注意力图卷积网络（RaDA-GCN）的新方法来探索传感器变量之间的潜在相互作用，RaDA-GPN巧妙地将注意力机制融入图卷积层中，根据其重要性提取非线性变量相关特征，然后设计了一种新的残差感知连接模块来减少数据不确定性并减轻过度平滑。通过巧妙地堆叠多个注意力图卷积层并集成残差感知连接，可以获得深层结构特征，从而有效地量化和揭示数据变量之间的潜在关系。最后，基于所提出方法的预测建模框架的应用验证了其在实际工业过程数据中的有效性。“实验结果表明，与传统的图卷积网络方法相比，所提出的RaDA-GCN方法的R平方（R'）指标提高了23%，均方根误差（RMSE）降低了13%。 关键词：深度学习、质量预测、图卷积网络、注意力机制、残差感知连接、工业过程

  • 2024-12-03
  • 阅读24

【ASC】基于自适应残差CNN的小型模块化电抗器故障检测与诊断系统

随着工业4.0技术的发展，降低维护成本并结合深度学习（DL）技术确保新型核系统的安全是一种流行趋势。本文提出了一种基于设计的自适应残差卷积神经网络（ARCNNs）的小型模块化反应堆（SMR）智能故障检测与诊断系统（lFDD）。不同噪声水平下的特征被学习为残差，并通过设计的网络传递。此外，自适应残差处理（ARP）模块中组装的软阈值（ST）方法提高了学习效率。采用贝叶斯优化（B0）方法提高设计网络的学习衰减率（LDR），以获得更好的诊断性能。从已建立的中国铅基核反应堆（CLEAR）平台上收集了11种不同操作场景下三种不同噪声水平的1760个实验数据点，以验证所提出的LFDD的有效性。与以往工作中采用的传统RCNN和CNN的比较突显了所提出的诊断方法的优越性。使用B0方法进一步提高了lfDD的性能。作为SlMR智能研究的首次尝试，该方法将为无人值守条件下的核操作员提供远程决策支持。此外，该通用方法也可应用于其他无噪声环境下的诊断系统。关键词：故障检测与诊断、深度学习、残差CNN、贝叶斯优化、小型模块化反应堆。

  • 2024-10-08
  • 阅读98

【IJER】大数据环境下基于小批量卷积神经网络的核能生产安全故障诊断系统

在核能生产中，随着大数据和工业4.0时代的不断创新和挑战，保证无故障运行安全将变得更加复杂和智能化。本文提出了一种新的具有小批量处理的优化卷积神经网络（SCNN），并将其组装在核故障诊断系统中。使用包含全部316个模拟器传感器特征的11种正常和故障条件来评估所提出的诊断系统的性能。与正常操作和在相同条件下添加退出操作相比，使用SCNN进行批量归一化的应用显著优化了模型验证的准确性和100个迭代下的损失。此外，通过比较传统的二元和多重分类方法，突出了出色的诊断准确性。该诊断系统实现了更精确的诊断准确性，将为操作人员提供有益的指导，帮助他们做出准确快速的决策，确保核能生产安全。关键词：卷积层可视化、卷积神经网络、深度学习、故障诊断、核能生产、小批量处理.

  • 2024-10-08
  • 阅读83

用于跨机器工况下故障诊断的深度判别迁移学习网络

目前，研究者已经提出了很多用于解决目标域和源域之间的分布对齐和知识迁移问题的领域自适应方法。然而，大多数研究方法只关注到边缘分布对齐，忽略了目标域和源域之间判别性特征的学习。因此，在某些案例中，这些方法仍然不能很好地满足故障诊断要求。为了提高分布一致性，并且对齐两个域的边缘分布和条件分布，我们提出了一种改进联合分布自适应(Improved Joint Distribution Adaptation, IJDA)机制。在该方法中，我们将最大均值差异和相关对齐(Correlation Alignment, CORAL)方法相结合，作为一个新的分布差异度量方法用于提高分布的一致性。在此基础上，提出了一种改进的条件分布对齐机制。另外，我们提出了一种新的I-SoftMax损失，该损失相比原始SoftMax损失具有更强的分类能力，可以帮助网络学习到更多可分离的特征。我们利用IJDA机制和I-SoftMax损失，构建了深度判别迁移学习网络(Deep Discriminative Transfer Learning Network, DDTLN)来实现迁移故障诊断。基于没有标签的目标域样本，我们对六个跨机器诊断任务进行实验，证明该方法与其他典型的域自适应相比，具有更高的迁移故障诊断性能。 关键词：判别特征学习，联合域自适应分布对齐，分类损失，故障迁移诊断

  • 2024-11-06
  • 阅读163

SCI一区开源代码推荐|最大子空间可迁移性判别分析：一种用于风电机组故障迁移诊断的跨域相似性度量新方法

SCI一区开源代码推荐 | 最大子空间可迁移性判别分析：一种用于风电机组故障迁移诊断的跨域相似性度量新方法

  • 2024-12-24
  • 阅读46