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

【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451

【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455

【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337

【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384

【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383

【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514

【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399

【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443