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

游敏：促进电力数字化转型搭建市场第三方平台

核心提要 　　●我国电力系统呈现出新能源占比不断提升，电力电子化趋势持续加速，以及发电侧集中式与分布式并举、电动汽车等用电需求多元化等新特点 　　●数字经济以数据为关键要素，以数字技术与实体经济的深度融合为主线，具有跨界融合、连接合作、共享共赢的生产力特征

  • 2024-05-26
  • 阅读235

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280

【IEEETII】基于双向LSTM和注意力机制的工业异常检测集成生成模型

摘 要 对于新兴的工业物联网（IIoT）来说，智能异常检测是构建智能产业的关键一步。特别是爆炸性的时间序列数据对现代工业的信息挖掘和处理提出了巨大的挑战。如何识别和检测多维工业时间序列异常是一个重要问题。然而，大多数现有的研究都未能处理大量未标记的数据，从而产生了不理想的结果。在本文中，我们提出了一种新的集成深度生成模型，该模型是由基于双向长短期记忆和注意力机制（AMBiGAN）的生成对抗性网络构建的。生成器和鉴别器的结构是具有注意力机制的双向长短期记忆，可以捕捉时间序列依赖性。重构损失和生成损失测试样本训练空间和随机潜在空间的输入。实验结果表明，我们提出的AMBi GAN的检测性能有可能提高人工智能时代工业多维时间序列异常对IIoT的检测精度。

  • 2024-05-26
  • 阅读349

【IEEETII】基于多步融合Transformer模型的泡沫浮选品位预测

准确及时的泡沫品位预测在浮选泡沫工业过程中起着重要作用。然而，不同采样时间的泡沫特征序列和泡沫等级序列之间的信息往往不匹配，使得预测结果滞后。本文设计了一种多步融合Transformer （MSFT）模型。首先，我们提取多个泡沫时间序列作为输入，在多个时间序列下关联特征信息和等级信息，然后，设计一个自注意结构在多个尺度上进行融合，提高了不同时间序列下的信息相关性，最后，信息矩阵通过全连通层得到最终的预测结果。与现有泡沫品位网络递归神经网络(RNN)、长短期记忆(LSTM)、门控递归单元、Transformer、c - dec (RNN)、特征重建-回归、Siamese时间序列和差分(LSTM)和FlotationNet模型相比，MSFT模型在所有指标中分别将基线降低了30.3%、30.3%、30%、66.9%、30%、45.8%、55.2%和52.5%

  • 2024-05-26
  • 阅读379

【IEEETII】基于注意力的区间辅助网络用于过程工业中具有缺失值的异构采样序列的数据建模

在复杂过程工业中，多元时间序列无处不在，其非线性和动力学给重要质量变量的软测量带来了两大挑战。因此，由于其强大的表示能力，门控递归单元（GRU）和长短期记忆（LSTM）网络等非线性动态模型已被用于数据序列建模。尽管这在许多工业工厂中很常见，但这些动态算法无法直接处理具有异构样本间隔和缺失值的数据序列。为此，本文提出了基于注意力的区间辅助网络（AIA-Net），用于对流程行业中具有缺失值的异质采样序列的时间信息进行自适应建模。它包括两种主要机制，分别命名为基于注意力的时间感知动态插补和区间辅助时间感知网络。减少率是通过基于注意力的时间感知动态插补引入的，以应用时间间隔的影响，并用于缺失数据的插补。间隔辅助时间感知网络在模型结构中包括时间间隔，并使用采样间隔门来校正时间序列中的时间相关性。将所提出的AIA-Net成功应用于实际加氢裂化过程，预测了轻质石脑油中C5和C6的含量。

  • 2024-05-26
  • 阅读374

【JPC】高炉炼铁过程软传感器的多时间尺度inception-time网络

时间序列预测在许多领域得到了广泛的应用，工业软传感器就是其中之一。大多数时间序列建模方法要求以相等的间隔对所有输入进行采样。然而，在工业中，过程变量通常在不同的时间尺度上以不同的间隔进行采样。为了解决这个问题，在本文中，我们设计了一个框架，使用深度学习和时间表示技术对具有多个采样频率的长时间工业数据进行建模。数据通过时间表示聚合到不同的时间尺度，网络使用瓶颈层和一维滤波器同时提取时间和空间维度上的信息。与其他方法相比，所提出的模型有了显著的改进，并已在工厂部署并每月更新。 关键词：时间序列预测，多时间尺

  • 2024-05-26
  • 阅读314

【ESWA】一种用于多元时间序列异常检测的空间嵌入策略

时间序列的异常检测一直是学术界和工业界的热门话题。然而，由于维数的增加，许多现有的多变量时间序列方法都面临着共同的挑战。在这项研究中，我们开发了一种用于多变量时间序列异常检测的空间嵌入策略（SES-AD）。作为一个混合模型，SES-AD没有直接从原始时间序列中搜索不一致，而是将原始序列投影到较低维的空间中，从而可以很容易地从相异性向量中捕捉到新空间中的显著突变点。最后，通过统计策略确定了潜在的异常情况。为了验证我们的方法的性能，SES-AD被应用于大量的多变量时间序列。实验结果表明，SES-AD比现有的五种方法更有效。总体而言，SES-AD模型适用于解决高维数据集的异常检测问题，并保证了计算的有效性和准确性。

  • 2024-05-26
  • 阅读452

【InformationSciences】PHILNet：一种利用深度学习进行时间序列预测的高效方法

时间序列是当今行业中最常见的数据类型之一。预测时间序列行为的未来有助于提前规划、节省时间和资源，并帮助避免不希望出现的情况。为了进行预测，由于时间序列的因果性质，使用了历史数据。在这一领域已经提出了几种深度学习算法，其中通过一系列非线性函数处理输入以产生输出。我们提出了一种新的策略，以提高深度学习模型在时间序列预测中的效率，同时达到类似的效果。这种方法将模型分为多个级别，从最简单的级别开始，一直到最困难的级别。较简单的级别处理输入的平滑版本，而最复杂的级别处理原始数据。这种策略试图模仿人类的学习过程，在这个过程中，基本任务首先完成，然后是更精确和复杂的任务。我们的方法取得了很有希望的结果，与在各种时间序列中发现的最佳模型相比，均方误差提高了35%，训练时间减少了2.6次。

  • 2024-05-26
  • 阅读307