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

【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352

【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

【IEEETIM】A-Net：一种用于实时表面缺陷分割的A形轻量级神经网络

表面缺陷分割是工业质量控制中的一项关键任务。现有的神经网络架构在提供实时性能和高精度方面经常面临挑战，限制了它们在时间敏感、资源受限的工业环境中的实际应用。为了弥补这一差距，我们引入了A-Net，这是一种专门为实时表面缺陷分割设计的A型轻量级神经网络。最初，A-Net引入了一种开创性的A型架构，可有效处理低级细节和高级语义信息。其次，设计并明确设计了一系列轻量级特征提取块，以满足工业缺陷分割的严格要求。最后，跨多个行业标准基准的严格评估证明了A-Net的卓越效率和高性能。与建立良好的U-Net相比，A-Net在NEU seg、DAGM seg、MCSD seg和MT数据集上分别获得了？0.21%、？0.3%、+4.7%和+5.94%的可比或优于并集的交集（IoU）分数。值得注意的是，A-Net只使用了0.39M个参数，减少了98.8%，并使用了0.44G个浮点运算（FLOP），减少了99%的计算负载。此外，A-Net由于其较低的FLOP，在没有GPU的边缘设备上显示出极快的推理速度。A-Net有助于开发有效和高效的缺陷分割网络，适用于资源有限的现实世界工业应用。

  • 2024-06-17
  • 阅读806

【IEEETIM】基于全局局部慢特征分析的深度学习工业过程异常工况识别

确保工业过程的长期安全高效运行依赖于对异常操作条件的实时识别。然而，工业过程经常在不同的操作条件之间切换，并面临苛刻的生产环境。因此，历史异常样本中存在的一些极端情况可以掩盖一些轻微的异常，使其表现出与正常操作条件相似的过程动力学。为了解决这个问题，本研究提出了一种基于全局局部慢特征分析的卷积神经网络（GLSFA-NN）。全局慢特征分析（SFA）模型在宏观层面提取粗尺度慢特征，以区分具有不同过程动力学的异常，而局部SFA算法在微观层面提取实时和精细尺度慢特征以识别具有相似过程动力学的异常。通过结合全局和局部慢特征，可以同时识别具有相似或不同动力学的异常。然后使用一维卷积神经网络（1-D-CNN）从全局局部慢速特征中自动提取深度特征，并识别异常操作条件。工业实验表明，该方法优于其他传统方法，对具有切换条件和极端情况的工业过程具有较高的异常识别精度

  • 2024-06-17
  • 阅读436

【IEEETII】基于门控卷积神经网络的新型变压器工业过程动态软测量建模

工业过程数据通常是传感器采集的时间序列数据，具有高度非线性、动态性和噪声等特点。许多现有的软传感器建模方法通常只关注单个时间点的主变量和辅助变量，而忽略了工业过程数据的时序特征。同时，基于深度学习的考虑时序特性的软测量方法通常面临梯度消失和并行计算的困难。因此，提出了一种新的基于门控卷积神经网络的变压器（GCT），用于工业过程的动态软传感器建模。GCT对时间序列数据的短期模式进行编码，并通过改进的门控卷积神经网络（CNN）自适应地过滤重要特征。然后，将多头注意力机制应用于建模任意两个矩之间的相关性。最后，通过具有高速公路连接的线性神经网络层获得预测结果。在本文中，聚丙烯和精对苯二甲酸工业过程的动态软传感器建模实验表明，与反向传播神经网络、极限学习机、长短期记忆（LSTM）和基于CNN的LSTM相比，该方法达到了最先进的水平。

  • 2024-06-17
  • 阅读439

【IEEETII】基于统计物理的工业自动化领域卷积神经网络分类可靠性解释

人工智能驱动的自动化已逐渐成为新自动化时代的技术趋势。目前，许多人工智能技术已被应用于提高自动化领域的智能化水平。其中，卷积神经网络（CNN）技术是最具代表性的技术之一，它被用于工业自动化中的缺陷产品检测，机器人-人类跟踪已被广泛应用于机器视觉驱动的自动化领域。然而，当前神经网络应用的高度依赖性导致了缺陷产品检测系统的潜在故障。在本文中，我们使用统计物理渗流模型对CNN的学习和决策过程进行建模。基于渗流的分化程度和脆弱性，我们提出了CNN分化程度的概念，并总结了量化它的经验公式。从对抗性攻击和对抗性训练的角度分析了分化程度与脆弱性之间的关系，以解释CNN的决策机制和分类可靠性。物理模型可以接近事物的本质，最终指导工业自动化的可靠CNN。

  • 2024-06-17
  • 阅读315

【JTICE】用于过程故障诊断的半监督特征对比卷积神经网络

背景：现代工业过程涉及多个操作单元，这些操作单元执行各自的功能并相互耦合。准确提取过程变量中的复杂非线性关系是故障诊断的关键。大多数基于深度学习的故障诊断方法在很大程度上依赖于标记数据，但标记样本在实际工业过程中受到限制。

  • 2024-06-17
  • 阅读371