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

IEEETRANSACTIONSONCYBERNETICS,基于图的时频双流网络用于工业过程关键性能指标的多步预测

近十年来，基于深度学习的软测量建模方法在工业过程中得到了广泛的研究和应用。然而，现有的软测量模型主要关注实时的当前步长预测，而忽略了提前的多步预测。在实际工业应用中，与当前的步骤预测相比，现场工作人员提前预测一些关键绩效指标更有用。目前，多步预测任务仍然存在两个关键问题：1）过程变量之间的复杂耦合关系和2）长期依赖学习。为了解决这两个问题，本文提出了一种基于图的时频双流网络来实现多步预测。具体而言，提出了一种多图注意层，从图的角度对过程变量之间的动态耦合关系进行建模。然后，在时频双流网络中，使用多GAT分别提取长期依赖性的时域特征和频域特征。此外，我们提出了一种基于最小冗余和最大相关学习范式的安全融合模块，将这两种特征结合起来。最后，在两个现实世界的工业数据集上进行的广泛实验表明，所提出的多步预测模型优于最先进的模型。特别是，与现有的SOTA方法相比，该方法在使用垃圾焚烧数据集的三步预测任务中，RMSE、MAE和MAPE分别提高了12.40%、22.49%和21.98%。

  • 2025-02-24
  • 阅读407

HPPC脉冲响应下锂电池二阶RC模型在线参数识别-递归最小二乘算法

HPPC脉冲响应下锂电池二阶RC模型在线参数识别-递归最小二乘算法

  • 2024-11-17
  • 阅读275

电池系统管理|电池单体-电池包老化模型搭建概述

目前的寿命模型更多地应用于电池性能评估，基本无法在线应用。——结论

  • 2024-11-17
  • 阅读301

万字长文详解工业物联网(IIoT)架构

正在开发多种技术模块，以提供实现工业物联网所需的必要解决方案。然而，这可以通过云提供的资源（例如处理、应用程序和服务）来实现。尽管如此，也存在一些负面因素，例如带宽、互联网服务变化、延迟、缺乏对传输到云的垃圾数据的过滤以及安全性。从另一个角度来看，这些情况是正在研究的挑战，以满足这个新工业时代的需求，这意味着学术界、公司和财团的重要贡献正在实现方向的转变，通过利用云的潜力，但现在是在生产工厂附近或周边。为了实现这一任务，一些物联网技术支柱被用作基础，例如雾计算平台 (FCP)、边缘计算 (EC) 的设计，并考虑 IT 和运营技术 (IT 和 OT) 之间合作的需要，旨在加速这种情况产生的范式转变。本研究的目的是对最近针对制造业IIoT实施的分层和扁平对等（P2P）架构的研究进行系统的文献综述（SLR），分析这些架构的成功之处和弱点，例如延迟、安全性、计算方法、虚拟化架构、制造执行系统（MES）中的雾计算（FC）、服务质量（QoS）和连接性，目的是激发在使用这些新技术实施IIoT时可能的研究要点。

  • 2024-11-17
  • 阅读368

机械传动概述知识讲解

按工作原理可将传动分为机械传动、液力传动、电力传动和磁力传动等。其中机械传动最为常见。按照传动原理机械传动可分为摩擦传动、啮合传动和推动三大类 摩擦传动是依靠构件接触面的摩擦力来传递动力和运动的，如带传动、摩擦轮传动。 啮合传动是依靠构件间的相互啮合来传递动力和运动的如齿轮传动、蜗杆传动、链传动等。 推动系统主要是螺旋推动机构、连杆机构、凸轮机构及组合机构(齿轮-连杆、齿轮-凸轮、液压连杆机构等)。

  • 2024-09-05
  • 阅读284

【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319

【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328

【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398