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

【RSER】工业过程的能源消耗和碳排放预测：现状、挑战和前景

工业过程消耗大量能源并排放大量二氧化碳。借助准确的能源消耗和碳排放预测，工业企业将更容易实现清洁生产，优化能源结构，通过更深入地控制生产情况来降低生产成本和碳排放。由于机器学习建模方法的过度饱和，预测模型在提高准确性和提取数据特征方面面临困难。引入深度学习方法来解决这些问题，然而，数据传输中关键参数和异常的不准确测量加剧了工业大数据的不确定性。这使得基于机器学习的预测模型表现出很强的不确定性和较差的泛化能力。因此，提高当前工业能耗和碳排放预测模型在不同工业情景下的准确性非常困难。本文总结了近年来工业过程能耗和碳减排预测的研究。结合当前工业过程的实际问题，本文总结了三种预测模型：（i）基于深度学习和模型不确定性相结合的多步预测模型，（i）结合机制和数据驱动方法的预测模型，以及（ii）基于智能算法的预测模型。这些模型将成为未来建立通用工业过程能耗和碳排放预测模型的新途径。关键词：系统集成与分析、碳排放、节能减排、深度学习、人工智能

  • 2024-10-09
  • 阅读525

【AEI】工业过程少样本故障检测的无监督域对抗网络

工业过程正在变得更大、更集成，导致不同操作条件之间的频繁转换。在新的操作条件下对流程进行故障检测时，样本的稀缺性对构建有效的监控模型构成了重大挑战。为了解决样本较少的故障检测问题，我们提出了一种称为DASAE的方法。该方法基于堆叠式自动编码器（SAE），并结合了域对抗（DA）技术，通过从数据丰富的源域（历史工作模式）传输有价值的信息来对数据贫乏的目标域（新的工作模式）进行建模。DASAE涉及一种新的无监督知识转移范式，该范式依赖于领域相似性，而无需标签指导。为了应对对抗训练中数据不平衡的挑战，我们引入了一种主要的不平衡感知裕度损失（DlAM），通过鼓励少数域有更大的裕度来缓解这一问题。所提出的方法使用数值案例和现实世界的行业案例——连续搅拌釜反应器（CSTR）进行了评估。结果表明，在少数样本场景中，与其他最先进的方法相比，所提出的方法通常表现出最佳性能，在和SPE指标上都显示出增强的检测效果。关键词：领域对抗训练、不平衡数据、堆叠式自动编码器、故障检测、少量样本

  • 2024-10-09
  • 阅读675

【IEEETNNLS】用于工业数据序列建模的分层自关注网络，在输入和输出序列之间具有不同的采样率

对于工业过程，进行数据序列的动态建模对于质量预测具有重要意义。然而，输入和输出序列之间的采样率通常不同。对于最传统的数据序列模型，它们必须仔细选择标记的样本序列来构建动态预测模型，而标记样本之间的大量未标记的输入序列则被直接丢弃。此外，在每个标记步骤的质量预测中，通常没有充分考虑变量和样本的相互作用。为了解决这些问题，我们设计了一个层次化的自我注意网络（HSAN）用于自适应动态建模。在HSAN中，首先为每个标记步骤设计动态数据增广，以包括未标记的输入序列。然后，提出了一个可变水平的自我关注层来学习可变交互和短间隔时间依赖性。之后，进一步开发了一个样本级的自我关注层来模拟长时间间隔的时间依赖关系。最后，构建了一个长短期记忆网络（LSTM）网络来对包含大量相互作用的新序列进行建模，以进行质量预测。在工业加氢裂化过程中的实验表明了HSAN的有效性。关键词：深度学习、分层自关注网络（HSAN）、质量预测、自关注机制、软传感器。

  • 2024-10-09
  • 阅读490

【IEEETASE】基于掩码前层次结构插补框架的工业时间序列停电丢失数据恢复

在工业过程中，频繁的通信故障和信息损坏可能会导致工业过程数据的完整块丢失，也称为停电丢失数据。工业时间序列的不完整数据阻碍了后续建模和控制任务的执行。然而，传统的矩阵分解或监督学习数据插补方法很难应用于恢复停电丢失数据的艰巨任务。输入停电数据的困难源于两个主要因素：输入过程缺乏共同进化变量的参考，停电数据在分布上具有很强的自相关性和漂移性。为了解决这些问题，本文开发了一种基于屏蔽变压器网络（屏蔽变压器）的新型分层插补框架，用于恢复停电数据。首先，创新性地提出了一种具有随机掩码点的重建块策略，以提高模型在不完整数据集的不同工作条件下恢复缺失值的能力。然后，基于所提出的不完整数据集，该方法利用卷积网络的局部特征捕获能力和自关注机制的样本级远程依赖捕获能力，分别完成粗粒度和细粒度缺失数据的插补。最后，进行了扩展实验，以验证所提出的方法在两个真实工业数据集上的优越性能。

  • 2024-10-09
  • 阅读430

【EAAI】基于目标相关变换器网络的面向任务的深度学习框架在工业质量预测中的应用

执行各种生产任务对工业过程的安全运行和高效生产至关重要。其中，关键质量变量的检测任务直接影响工业过程的运行优化和决策，但受到恶劣环境和检测仪器的严重限制。因此，关键质量变量的实时预测任务成为工业过程优化控制的基础。为了解决这个问题，本文提出了一种基于目标相关变换器（TR-Former）网络的面向任务的深度学习框架，用于工业质量预测任务。具体而言，开发了一种新的目标相关自我注意（'TR-sA）机制，通过在任务相关目标变量和其他变量之间添加注意分数来指导特征学习。结果表明，在这种情况下，学习到的特征将与目标变量相关，并可用于质量预测任务。此外，还可以捕获工业过程数据的长期动态，这可以进一步提高模型的预测性能。最后，在两个工业过程上进行了广泛的实验，以验证所提出的方法在质量预测任务方面的优越性。实验结果表明，与传统变压器和其他最先进的方法相比，所提出的TR- Former方法在平均绝对误差指标方面提高了3%至13%。关键词：深度学习、目标相关变换器、质量预测、工业过程

  • 2024-10-09
  • 阅读408

【JPC】用于动态过程监测的重排序短期自相关驱动远程判别卷积自编码器

由于现代复杂工业过程中的非线性、动力学和局部特性，深度神经网络（DNN）可能会导致次优的监测性能。为了克服这些局限性，本文首先提出了一种新的数据构造方法，将短期自相关和空间相关性建模为三维矩阵，然后对其元素进行重新排序，以更好地编码局部和时间结构。随后，我们基于自注意机制设计了一种称为远程判别注意（LDA）的新结构，以扩大原始卷积神经网络（CNN）的接受范围，从而提取全局特征。最后，我们提出了一种基于LDA的远程判别注意自编码器（LDCA）监测模型，从构建的矩阵中提取远程和局部变量之间的结构特征。通过数值例子和三相流过程验证了该方法在故障检测中的有效性。

  • 2024-10-04
  • 阅读1056

【EAAI】基于大规模多模工业数据的异常检测：非平稳核与自编码器的融合方法

核方法和神经网络是两种主流的非线性数据建模方法，已被广泛应用于工业过程监测。然而，它们都存在不完美的性质，因此相关应用受到限制。一方面，内核的可重构性、可扩展性和对超参数的鲁棒性不强，导致它们在大规模数据建模和监控中的性能下降。另一方面，排序为参数初始化的神经网络的高维参数空间存在严重的异常检测性能不一致，这使得行业对使用神经网络持谨慎态度。受这些事实的启发，我们提出将核和神经网络集成在一起，形成一种可扩展、可重构和性能一致的新模型结构。具体来说，通过（1）从训练集中选择关键边缘和内部数据作为隐藏层径向基函数的中心，以及（2）在训练过程中自适应调整核宽度，提出了一种基于自编码器的非平稳模式选择核（AE-NPSK）。此外，新的神经网络具有很强的性能一致性，这有助于搜索最优参数。最后，我们在具有挑战性的多模工艺上测试了所提出方法的性能。结果验证了所提出方法的有效性。关键词：核方法、人工神经网络、过程监测、多模式过程、自动编码器、径向基函数

  • 2024-10-04
  • 阅读1264

用于非线性工业过程故障检测的尖峰自动编码器

近年来，人工神经网络因其构建具有不同程度非线性的灵活模型和有效处理大规模数据的卓越能力，在冶金、化工和机械制造业的过程监测中得到了成功的应用。然而，由于神经网络训练和初始化的高昂成本，该模型的独特性降低，导致故障检测性能更加波动。为了缓解这个问题，并受到生物神经元发射尖峰以传输信息的方式的启发，尖峰神经元被用于构建尖峰神经网络，将参数优化从传统的全局参数调整转变为两阶段分层过程。基于此，构建了类abrain离散模型的脉冲自动编码器（SNNAE）。通过数值算例，首先将SNNAE的训练过程与具有相同结构的人工神经网络的训练过程进行了比较，结果表明SNNAE在处理高度非线性数据方面具有更高的效率和精度。为了衡量其在故障检测中的有效性，然后通过相同的数值例子和三相流过程将SNNAE与最先进的方法进行比较，表明其能够显著提高非线性过程中的过程监测性能，同时显著降低其波动。关键词：人工神经网络、尖峰神经网络、故障检测、非线性过程、性能波动

  • 2024-10-04
  • 阅读1002