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

【IEEETASE】基于BPMN扩展的工业互联网应用业务流程建模

业务流程建模在现代组织中被广泛用于业务描述。业务流程建模符号（BPMN）作为一种事实上的建模标准，以图形符号表示业务流程模型。然而，BPMN缺乏工业互联网应用场景的直观建模任务（例如，物联网任务和有约束的多实例任务）。尽管有一些关于扩展BPMN元素以改进模型表示的工作，但它们大多只停留在概念模型中，没有工具支持，或者仅限于特定领域。在本文中，我们扩展了BPMN元素和属性以用于工业互联网环境中的应用，并在客户端版本和Web版本中实现了两个建模工具，以通过低代码支持业务流程建模，使BPMN扩展模型从概念级扩展到可执行级。在工业互联网中进行了两个真实世界的案例研究，以展示具有BPMN扩展的过程模型的有用性。此外，还进行了全面的用户实验来评估扩展的流程模型和工具，实验结果表明，与传统的流程模型相比，具有扩展功能的流程模型具有更好的质量，所提供的工具对工业互联网应用中的业务流程建模是有效的。

  • 2024-05-25
  • 阅读73

【IEEETII】基于深度学习和多重注意机制的自解释软测量：从数据选择到传感器建模

对于基于深度学习的软测量来说，缺乏可解释性以及随之而来的不可靠性已经成为最重要的问题之一。在这篇文章中，神经网络计划称为深度多注意力软传感器（DMASS），它完全由注意力机制，提出了开发一个自解释的软测量。DMASS的建立是为了确保数据选择和传感器建模的自解释性，并试图将这些原本独立的阶段整合到单一的方案中。首先将现有注意机制的核心实现步骤归纳为统一的形式，然后提出了可变注意机制和时滞注意机制。当DMASS的训练完成时，所获得的注意力权重提供可自解释的数据选择结果。然后，提出了一种自注意力激活结构（SAAS）来提取数据的非线性时空特征。所提取特征的数学表达式、SAAS的注意力矩阵、DMASS训练的信息路径图以及不确定性感知的区间预测显示了传感器建模的自解释性。最后，将DMASS应用于空气预热器转子热变形的预测，通过已知机理分析和信息瓶颈理论验证了DMASS自解释能力的有效性。同时，通过与其他新型软测量方法的比较，验证了DMASS的良好传感性能。

  • 2024-05-25
  • 阅读64

【JIM】用于工业缠绕过程建模的增强型布谷鸟搜索算法

非线性工业系统的建模包括两个关键阶段：选择具有紧凑参数列表的模型结构和选择估计参数列表值的算法。因此，需要开发一个足够充分的模型来表征工业系统的行为，以表示实验数据集。为许多工业系统收集的数据可能存在高度非线性和多重约束。同时，为工业过程创建一个全面的模型对于基于模型的控制系统至关重要。在这项工作中，我们探索使用所提出的Cuckoo Search（ECS）算法的增强版本来解决实际缠绕过程的线性和非线性模型结构的参数估计问题。将所开发的模型的性能与其他主流元启发式方法进行比较，以对同一过程进行建模。此外，还将这些模型与基于一些传统建模方法开发的其他模型进行了比较。进行了几次评估测试来判断基于ECS开发的模型的效率，与其他建模方法相比，ECS在训练和测试案例中都表现出了优越的性能。

  • 2024-05-25
  • 阅读64

【ESWA】具有命题线性时序逻辑的工业模糊时间序列动态软传感器

模糊时间序列（FTS）模型被广泛用于预测时间序列数据。然而，对于工业时间序列数据，FTS的预测结果较差，尤其是当数据变化迅速且数量巨大时。因此，提出了一种基于带滑动窗口的命题线性时间逻辑（PLTL）的动态软传感器模型。首先，使用滑动窗口提取动态数据。然后通过FTS对提取的数据进行建模，生成初始预测结果。最后，根据窗口中的数据，生成PLTL公式来描述数据的趋势。生成的公式被用作窗口中数据的正式标签，以对初始预测结果进行加权。用TAIEX数据集对所提出的方法进行了验证。方差分析用于测试所选数据集的显著性。实验结果表明，该方法具有良好的回归预测性能。最后介绍了一个工业应用实例。实验结果证明了该模型对工业时间序列数据的有效性。

  • 2024-05-25
  • 阅读49

【IEEETII】基于迁移学习的有限数据工业过程时间序列预测方法

工业时间序列作为一种响应生产过程信息的数据，可以进行分析和预测，以有效地监测工业生产过程。工业建模过程中，由于工况复杂、数据采集环境变化、设备运行时间短等原因，存在数据短缺、算法冷启动等问题。因此，现有的数据驱动工业时间序列预测算法的准确性受到很大限制。针对上述问题，本文提出了一种新的基于动态迁移学习的有限数据下工业过程时间序列预测方法，该方法旨在有效地利用相似设备或工况的历史数据，而不是丢弃它们，以帮助建立目标数据有限的工业时间序列预测模型。在该方法中，首先将历史数据划分为多个批次，然后根据每一批次历史数据与当前时刻有限目标数据之间的分布距离，建立一个新的具有动态最大均差损失的多源迁移学习框架。该框架还结合了多任务学习方法，建立了工业过程在线学习的多步骤预测模型。与其他常用方法相比，在太阳能发电预测和加热炉温度预测两个真实数据集上的实验证明了该方法的有效性。

  • 2024-05-25
  • 阅读219

基于CNN的机械故障诊断所面临的困难和挑战

CNN 作为深度学习中最为重要、典型的网络之一，被引入到机械故障诊断领域，虽处于起步阶段，但研究和应用已初见成效。

  • 2024-05-26
  • 阅读90

基于CNN的机械故障诊断方法

CNN 最初主要被用来处理二维图像，由于具有强大的认知计算能力，学者开始将其引入到机械故障诊断领域，能够很好地表征信号与机械健康状态之间复 杂的映射关系，提高大数据背景下多样性、非线性、高维健康监测数据诊断分析能力。

  • 2024-05-25
  • 阅读107

【IEEETIM】用于工业过程时间预测建模的双交叉注意Transformer网络

工业预测建模在过程控制和优化中发挥着重要作用。实际应用中出现的工业过程数据往往涉及非线性和时间特征，这是准确工业预测建模的两个主要挑战。虽然以前基于Transformer的工业预测模型只考虑了工业时间序列数据的时间信息，但通常忽略了过程变量的不同重要性。在本文中，我们提出了一种新的基于双重交叉注意力的Transformer网络（DCAFormer），以并行捕获跨时间依赖关系和跨变量依赖关系，从而获得更好的可预测性。具体而言，所提出的DCAFormer由跨时间自注意层和跨变量自注意层组成。跨变量自注意是通过将输入时间序列反转为变量标记来捕捉多变量相关性的。采用去定态跨时间自注意从时间序列数据中提取出内在的非平稳信息作为时间依赖关系。在真实的铝电解过程中进行了对比实验和烧蚀实验。实验结果表明，DCAFormer比其他Transformer模型具有更好的预测性能。

  • 2024-05-25
  • 阅读97