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】用于复杂过程故障诊断的多尺度Transformer-CNN域自适应网络

本文提出了一种基于TrCNN的多尺度域自适应方法，用于数据稀缺情况下的故障诊断。源域诊断模型采用Trans-former和CNN序列结构，在全局和局部捕获原始数据的互补诊断信息，有助于域自适应，同时提高源域故障诊断的准确性。我们提出了一种多尺度分布对齐框架MTCDAN，通过学习包含更多信息的多个域不变表示来补偿单结构分布对齐方法中的信息损失。通过TE过程和TFF实例验证了该方法的有效性和优越性。然而，由于仅考虑两个域标签空间相同的情况，本文提出的方法仍然受到限制。在我们未来的工作中，我们将进一步研究目标域中发生未知故障时的分布对齐策略，其中如何识别未知故障将是我们工作的重点。

  • 2024-06-17
  • 阅读342

【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

【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】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193

【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208

【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213

【IEEETII】工业因果关系发现的神经网络权值比较及其软测量应用

由于工业过程单元的反应机理复杂，工业过程变量之间存在因果关系和相关性。因果发现算法已被用于发现变量关系的知识，并指导过程建模和控制优化。然而，它们大多受到严格假设的限制，如线性关系、加性噪声、稳态过程等。因此，这些方法不能在大多数实际工业过程中获得良好的性能。为了解决这些问题，本文提出了一种新的用于工业因果图发现的权重比较因果挖掘算法。它首先用过程数据训练一组隐层神经网络，然后根据网络权重的比较挖掘过程变量的无向骨架，进一步确定骨架中无向边的因果方向，得到有向因果图。通过尿素合成过程的基准测试和实际工业案例验证了WCCM的有效性。WCCM挖掘的无向边和直边与地面实况具有很高的一致性。此外，WCCM的因果发现结果被用于指导软传感器建模的特征选择，从而提高了预测精度和模型的可解释性。

  • 2024-06-17
  • 阅读331

【IEEETII】基于神经网络的工业软传感器的对抗性攻击：镜像输出攻击和平移镜像输出攻击

使用神经网络技术的软测量已经越来越多地应用于工业过程。近年来，基于神经网络的软传感器的安全性和鲁棒性成为人们关注的主要问题。此外，目前的研究表明，神经网络容易受到对抗性攻击。换句话说，施加在输入上的小扰动可能导致输出的显著偏差。如果关键过程变量的软传感器受到攻击，可能会对工业过程造成相当大的损害。本文主要研究基于神经网络的工业软传感器的攻击方法。针对工业软传感器的特点，本文提出了两种新的对抗性攻击方法。第一种方法称为镜像输出攻击（MOA），是一种微妙的攻击方法，它翻转输出曲线以改变输出的方向。第二种方法称为翻译MOA（TMOA），很容易使运算符操作失误。TMOA在翻转输出曲线的同时平移输出曲线，以达到改变输出条件的目的。在硫回收装置工艺的工业案例研究中证明了MOA和TMOA的有效性。仿真结果表明，两种对抗性攻击方法都可以对基于神经网络的工业软传感器进行攻击。对抗性攻击方法的研究可以为防御攻击提供基础，从而增强软传感器的安全性和鲁棒性。

  • 2024-06-17
  • 阅读197