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

【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739

【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798

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729

大模型关键技术与未来发展方向———从ChatGPT谈起

大规模预训练模型,也被称为“基座模型”或“大模型”,目前被认为是通用人工智能技术的核心引擎,已经成为了全球科技竞争焦点。本文归纳总结了以聊天生成预训练转换器(ChatGenerative Pre-trained Transformer,ChatGPT)为代表的生成式大模型技术研究现状和发展趋势,从大模型基座、大模型人类偏好对齐、大模型推理与评价、多模态大模型、大模型安全可控五个方面讨论了当前大模型研究的现状和挑战,并结合我国人工智能研究特点,简要分析了大模型未来的重点发展方向。

  • 2024-10-04
  • 阅读720

杨建高工：基于WT-CNN-BiLSTM模型的日前光伏功率预测

光伏功率的准确预测对于电网的安全稳定和经济运行具有重大意义。为此，提出了一种日前光伏功率预测方法，利用小波变换（wavelet transform，WT）将数值天气预报数据（numerical weather prediction，NWP）和光伏功率数据分解为具有时间信息的频率数据，消除数据信息中随机性和波动性对预测精度的影响，利用卷积神经网络（convolutional neural network，CNN）模型深度挖掘输入数据的季节性特征和空间关联特性，利用双向长短期记忆网络（bi-directional long-short term memory，BiLSTM）模型获取输入数据序列的时间相关性，构建基于WT-CNN-BiLSTM的日前光伏功率预测模型。以某一光伏电站为计算对象，在不同季节和气候条件下对比分析WT-CNN-BiLSTM模型、CNN-BiLSTM模型、LSTM（long-short term memory）模型、GRU（gated recurrent unit）模型以及PSO-BP（particle swarm optimization-back propagation）模型的预测结果，计算结果表明WT-CNN-BiLSTM模型的预测精度高于其他模型的预测精度。

  • 2024-10-09
  • 阅读128

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76

基于物理信息残差网络的滚动轴承故障诊断

近年来学者们开发了多种用于机器状态监测的深度学习方法，在轴承故障诊断方面取得了令人瞩目的成功。尽管能够有效地诊断轴承故障，但大多数深度学习方法都非常依赖大量的数据，在工业应用中并不总是可获取到的。在实际工程中，轴承通常安装在经常发生速度和负载变化的旋转机械中，导致难以在所有操作条件下收集大型训练数据集。此外，在大多数深度学习算法中，物理信息常常会被忽略，有时会导致生成的结果不符合物理定律。为了应对这些挑战，本文提出了一种新的物理信息残差网络（PIResNet），用于学习嵌入在训练和测试数据中的底层物理信息，从而为不完美的数据提供符合物理规律的解决方案。在所提出的方法中，首先采用物理模态特性主导生成层来生成模态特性主导特征。然后，构建域转换层，以实现在不同运行速度条件下提取能够判别轴承故障的特征。最后，建立了一个并行双通道残差学习架构，可以自动提取轴承故障特征。使用可变运行速度和可变负载以及时变运行速度下的实验数据集进行验证，证明了PIResNet在非平稳运行条件下的优越性。

  • 2024-09-27
  • 阅读552

基于多保真度深度神经网络的偶然不确定性量化

传统的不确定性量化( uncertainty quantification，UQ )方法在处理高维问题时会遭遇维数灾难，解决这一挑战的一种方法是利用深度神经网络 ( deep neural networks，DNNs ) 强大的近似能力。然而，传统的 DNNs 通常需要大量高保真度 ( high-fidelity，HF) 数据训练来确保精确的预测，但由于计算或实验成本限制，此类数据可得性有限。为了减少训练费用，本研究引入了多保真度深度神经网络 ( multi-fidelity deep neural networks，MF？DNNs )，其中构建了一个子网络来同时捕获高保真度和低保真度 ( low-fidelity，LF ) 数据之间的线性和非线性相关性。MF？DNNs 的有效性最初通过准确近似各种基准函数来证明。随后，考虑输入不确定性的均匀分布或高斯分布，首次使用开发的MF？ DNNs来模拟1维、32维和100维环境中的偶然不确定性传播，UQ 结果证实，MF？ DNNs 能够熟练地预测兴趣参量 ( quantities of interest，QoI ) 的概率密度分布及其统计矩，而不会显著降低准确性。此外，MF？DNN 被用于模拟飞机推进系统内部的物理流动，同时考虑源自实验测量误差的偶然不确定性，基于二维欧拉流场和少量实验数据点，利用MF-DNNs对等熵马赫数分布进行了精确预测。总之，提出的 MF？DNN 框架在解决实际工程应用中的 UQ 和稳健优化挑战方面表现出巨大的潜力，尤其是在处理多保真度数据源时。

  • 2024-09-27
  • 阅读98