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】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183

【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266

【IEEETII】工业应用中轻量级单图像超分辨率的渐进交互学习网络

最近，基于深度学习（DL）的工业应用由于其先进的性能而引起了广泛的关注。然而，便携式设备中有限的计算资源总是使大型DL模型在行业中不适用。基于DL的单图像超分辨率由于计算量大，也遇到了这个问题。此外，大多数基于轻量级卷积神经网络的方法没有充分利用特征，这限制了它们进行工业重构的能力。为了缓解这个问题，我们提出了一个渐进交互学习网络（PILN）来细化不同层次的特征：在全局层面，我们采用渐进交互学习策略来整合时间和空间维度的层次特征；在中介层面，强化互动学习单元，采用强化互动学习，显著提升重建绩效；在局部层面上，采用逐像素学习的方法，提取残差单元，通过权重分布来搜索最优信息流。大量实验表明，PILN优于其他最先进的方法。

  • 2024-06-16
  • 阅读192

【MEASUREMENT】基于数据空间的复杂工业过程根源诊断与故障传播路径识别

故障诊断在保证工业安全和提高社会效益方面发挥着至关重要的作用。然而，由于过程耦合和复杂的流程，准确识别故障路径变得具有挑战性。本文提出了一种基于数据的故障诊断和路径识别方法。它涉及通过从数据中提取因果关系来构建多层、多因果的数据空间。基于注意力的卷积神经网络有效地捕捉因果关系。修剪和专业知识有助于形成一个精细的结构。使用LSTM最小二乘线性（OLS）方法确定故障传播方向，有助于快速定位问题。对浮法玻璃生产和Tennessee Eastman的实验验证显示了显著的结果，支持提高工业过程的可靠性和效率。

  • 2024-06-17
  • 阅读331

【EAAI】基于时空图神经网络的工业控制系统监控

工业智能的快速增长产生了大量的工业数据，这些数据通常由工业控制系统（ICS）收集。ICS中最热门的话题之一是如何从工业“大数据”中提取最有用的信息，并为监测工业生产过程的状况提供更全面的服务。随着工业环境的日益复杂，生产任务经常发生变化，恶意攻击也在增加。在高维、有噪声的工业数据中进行细粒度异常检测仍然是一个巨大的挑战。针对这个问题，我们提出了一个时空图神经网络异常检测框架，用于ICSs的细粒度状态监测。首先，基于先验知识，我们提出了一种特征降维和动态图建模的方法。然后，利用变分模分解（VMD）模块从工业数据中去除噪声。最后，我们提出了一个用于细粒度异常检测的时空特征提取模块。数值实验是在一个名为HAI的真实ICS数据集上进行的。结果表明，该框架能够有效地处理高维、高噪声和不平衡的工业数据。该框架的概念相互关联，可扩展到各种工业场景，包括冶金、智能车间等。在召回、精度和？？1-得分，将所提出的框架与八种有代表性的方法进行比较，揭示了所提出框架的优点。

  • 2024-06-17
  • 阅读233

【IEEETII】数据不确定性下基于深度混合网络的工业过程多变量时间序列预测

随着工业物联网（IIoT）的快速发展，减少数据的不确定性已成为预测系统发展趋势和制定未来维护策略的关键问题。本文提出了一个端到端的、基于深度混合网络的、短期的、多变量的工业过程时间序列预测框架。首先，采用最大信息协同有效性提取非线性变量相关特征。其次，设计了一个带有残差消除模块的卷积神经网络来消除数据的不确定性。第三，以时间分布的形式连接双向门控递归单元网络，以实现提前预测。最后，采用优化的贝叶斯优化方法来优化模型的学习率。在案例研究中，与其他最先进的基于深度学习的时间序列预测方法进行了比较，说明了所提出的框架在噪声IIoT环境中的优越性。

  • 2024-06-17
  • 阅读272

【IEEETII】基于卷积神经网络的大规模质量过程监测特征学习

随着工业技术的发展，工业过程变得越来越庞大和复杂，传统的方法很难提取出能够代表整个过程状况以及故障对质量指标影响的特征。因此，提出了一种新的多块解耦卷积神经网络算法。首先，选择关键过程变量，将过程变量分组为多个块进行后续监测。然后，在每个块中，所提出的DCN构建关键过程变量和质量指标之间的回归模型，其中回归模型利用改进的卷积神经网络作为特征提取器，解耦层作为特征正则化器。然后，基于贝叶斯理论，将每个区块的监测结果集成到全局监测指标中。在故障检测之后，提出了变量遗忘贡献图来定位故障变量。最后，通过两个工业实例验证了多块DCN的有效性。

  • 2024-06-17
  • 阅读212

【CCE】通过基于深度学习的软传感器开发实现与盈利能力相关的工业规模批量过程监控

数据驱动的软传感器技术已被广泛开发用于估计与质量相关的变量，但以下困难仍然限制了其在批处理过程中的应用，如不同的初始条件、不均匀的批长度以及批内多相特征的提取。为了解决这些问题，提出了一个质量预测和监测框架。首先选择与质量相关的变量，并提出了一种数据堆叠策略，将三维批处理数据转换为可输入软传感器模型的时滞序列。为了提取多相特征，将差分运算嵌入长短期记忆神经网络，建立了一种新的差分递归神经网络。此外，为了确保盈利能力，采用预测残差进行质量监测。通过模拟数据集和工业规模青霉素发酵过程的案例研究，证明了所提出方法的有效性及其在专业研究和工业操作中对间歇过程监测和控制的适用性。

  • 2024-06-17
  • 阅读174