-
公开(公告)号：CN117192966B
公开(公告)日：2025-03-07
申请号：CN202311249205.9
申请日：2023-09-26
Applicant: 南开大学
IPC: G05B11/42
Abstract: 本发明公开了一种化工流程多回路PID参数的整定方法，涉及PID技术领域，具体包括以下步骤：S1：初始化粒子群；S2：确定优化目标和评价函数；S3：根据优化目标计算每个粒子的适应度；S4：记录回路极值、个体极值和全局极值；S5：更新粒子位置和速度；S6：动态调整惯性权重和学习常数；S7：迭代步骤S3至步骤S6，直到达到最大迭代次数或终止条件。本发明将改进的多目标粒子群算法应用到化工厂的多回路PID参数整定任务中，得出回路综合性能提升了3.68％，相比于原始的MOPSO算法，收敛速度提升了约10％，使用效果得以有效提升。
-
Patent Agency Ranking
公开(公告)号：CN117933305A
公开(公告)日：2024-04-26
申请号：CN202311257189.8
申请日：2023-09-27
Applicant: 南开大学
IPC: G06N3/0442 , G06N3/0464 , G06N3/049
Abstract: 本发明公开了一种缓解累积误差的偏置误差模块及其应用方法，涉及多步时间序列数据预测领域，具体包括门控单元，其数量设置有三个，所述门控单元用于对输入数据进行门控；时间维度上的一维卷积单元，所述时间维度上的一维卷积单元用于在时间维度上对数据进行卷积操作；以及全连接层，所述全连接层用于将卷积操作后的数据进行全连接变换。本发明的偏置误差模块通过在某化工厂提供的精馏工段工业数据集上的验证，在执行使用历史60步的时间序列数据预测未来20步的迭代多步预测任务时，本发明的方法将多步预测的均方根误差降低了约40％。
-
公开(公告)号：CN117192966A
公开(公告)日：2023-12-08
申请号：CN202311249205.9
申请日：2023-09-26
Applicant: 南开大学
IPC: G05B11/42
Abstract: 本发明公开了一种化工流程多回路PID参数的整定方法，涉及PID技术领域，具体包括以下步骤：S1：初始化粒子群；S2：确定优化目标和评价函数；S3：根据优化目标计算每个粒子的适应度；S4：记录回路极值、个体极值和全局极值；S5：更新粒子位置和速度；S6：动态调整惯性权重和学习常数；S7：迭代步骤S3至步骤S6，直到达到最大迭代次数或终止条件。本发明将改进的多目标粒子群算法应用到化工厂的多回路PID参数整定任务中，得出回路综合性能提升了3.68％，相比于原始的MOPSO算法，收敛速度提升了约10％，使用效果得以有效提升。
-
公开(公告)号：CN117909627A
公开(公告)日：2024-04-19
申请号：CN202410078051.X
申请日：2024-01-19
Applicant: 南开大学
Abstract: 本发明公开了一种基于时空受控神经随机微分方程的多元时序数据预测方法，涉及时间序列预测技术领域，具体包含三个核心特点：神经受控随机微分方程(CSDE)编解码器、基于注意力的图卷积神经随机微分方程(AGC‑SDE)模块和迭代步数感知的门控线性单元(GLUs)模块。与现有技术相比，本发明的STC‑SDE模型在处理具有高动态性和复杂变量依赖的多元时间序列预测任务时，显示出更高的精度和鲁棒性。特别是在工业过程控制和金融时间序列分析等领域，本发明能有效提升预测的准确性和可靠性。
-
公开(公告)号：CN117312851B
公开(公告)日：2025-02-07
申请号：CN202311249581.8
申请日：2023-09-26
Applicant: 南开大学
IPC: G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种流程工业多元时间序列预测任务的预训练方法，涉及时间预测技术领域，具体包括S1：数据划分与预处理；S2：工况辨识与特征抽取；S3：权重矩阵计算；S4：隐含层表示生成；S5：预训练模型输出；S6：预训练模型训练；S7：预训练模型输出。将本发明提出的方法应用于基于注意力的图卷积神经网络模型(ASTGCN)中，通过在某化工厂提供的精馏工段工业数据集上的验证，得出经过考虑工况辨识的预训练模型相比于未预训练的模型，其均方根误差降低了约15％。此外，相比于未考虑工况辨识的预训练模型，其均方根误差降低了约5％。
-
公开(公告)号：CN117312851A
公开(公告)日：2023-12-29
申请号：CN202311249581.8
申请日：2023-09-26
Applicant: 南开大学
IPC: G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种流程工业多元时间序列预测任务的预训练方法，涉及时间预测技术领域，具体包括S1：数据划分与预处理；S2：工况辨识与特征抽取；S3：权重矩阵计算；S4：隐含层表示生成；S5：预训练模型输出；S6：预训练模型训练；S7：预训练模型输出。将本发明提出的方法应用于基于注意力的图卷积神经网络模型(ASTGCN)中，通过在某化工厂提供的精馏工段工业数据集上的验证，得出经过考虑工况辨识的预训练模型相比于未预训练的模型，其均方根误差降低了约15％。此外，相比于未考虑工况辨识的预训练模型，其均方根误差降低了约5％。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
