-
公开(公告)号：CN118862955B
公开(公告)日：2025-03-18
申请号：CN202410879303.9
申请日：2024-07-02
Applicant: 江南大学
Abstract: 本发明公开了一种面向数据不平衡的污水处理过程BOD5预测方法，属于污水处理技术领域。该方法将时空注意力机制嵌入Siamese网络中，从而更好地捕获过程变量之间的关系以及时间依赖关系，增强特征的表征能力；针对多模态污水处理过程中的数据不平衡问题，将深度TL机制引入该模型得到TL‑STSFE模型。充分利用源域中充足的过程数据进行模型训练，利用源域预训练模型的知识，有效地将学习到的特征迁移到目标域，具体的，在训练TL‑STSFE模型时，首先以晴天数据进行训练，训练完成后，冻结部分层，再以雨天和暴雨天数据对未冻结层进行训练以对网络参数进行微调。增强泛化能力的同时还解决了数据不平衡的目标领域建模问题。
-
公开(公告)号：CN119377600A
公开(公告)日：2025-01-28
申请号：CN202411475782.4
申请日：2024-10-22
Applicant: 江南大学
Abstract: 本发明公开了一种基于双误度量和博弈论的选择性集成学习软测量方法，属于化工生产过程软测量技术领域。首先，通过随机重采样方法从训练集中得到数个训练子集，训练得到数个子模型；然后，对于测试样本，利用即时学习的思想从训练集中得到验证集，在验证集上利用均方误差计算各个子模型的精度权重，利用双误度量计算子模型之间的多样性权重；最后，利用博弈论策略融合这两种权重。融合后的权重能够在模型选择时，综合子模型的精度和多样性进行筛选，提高最终集成模型的性能。
-
公开(公告)号：CN118643320A
公开(公告)日：2024-09-13
申请号：CN202410667643.5
申请日：2024-05-28
Applicant: 江南大学
IPC: G06F18/2135 , G06F17/16 , G06F17/18
Abstract: 本发明公开了一种基于动态正交子空间的质量相关微小故障检测方法，属于复杂工业过程建模和故障诊断领域。该方法通过输入时滞值对数据进行动态增广，使当前时刻样本中对微小故障影响较大的变量能多次出现，放大了微小故障对当前时刻样本的影响，通过OSA对过程数据和质量相关数据进行分解，有效分离质量相关成分与质量无关成分，使得该方法在检测出微小故障后能进一步判断此微小故障是否会影响过程输出的产品质量；同时，该方法根据两组不同正常过程数据计算KL散度，以提取正常数据的共同特征，区分微小故障，针对微小故障低幅值特点，根据计算得到的得分向量之间的KL散度来构建对微小故障更敏感的故障检测统计量，提高对微小故障的报警率。
-
公开(公告)号：CN117524337B
公开(公告)日：2024-05-07
申请号：CN202311415844.8
申请日：2023-10-30
Applicant: 江南大学
IPC: G16C20/20 , G16C20/70 , G06F18/25 , G06F18/27 , G06N3/0442 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于双流慢‑非平稳快特征提取的CO2含量预测方法，属于软测量技术领域。所述方法考虑化工过程的慢变特性以及非平稳特性，并结合LSTM，提出一种基于双流慢‑非平稳特征提取网络，基于Siamese网络进行慢特征提取，同时设计了一种差分LSTM网络用于提取非平稳特征；预测过程中尽可能保留包含关键过程信息的慢特征和包含有短期波动和突变的非平稳快特征，从而实现对于质量变量的精准预测，而且由于慢特征是在较长时间范围内进行计算，因此提高了预测方法的抗噪声和干扰的能力，而且能够适应不同时间尺度，更好地捕捉过程的动态性。
-
公开(公告)号：CN113988311B
公开(公告)日：2024-04-16
申请号：CN202111286761.4
申请日：2021-11-01
Applicant: 江南大学
IPC: G06N20/00 , G06Q10/0639
Abstract: 本申请关于一种质量变量的预测方法、装置、终端及存储介质，涉及复杂工业过程建模和故障诊断领域。该方法包括：获取待测数据集；将待测数据集划分为训练集和测试集；基于数据组划分规则将训练集中的至少两个训练数据组划分为样本训练数据组和测试训练数据组；获取与训练数据组对应的样本质量变量数值；基于样本训练数据组与测试训练数据组建立质量变量预测模型；对质量变量预测模型以主动学习的训练方式进行训练；响应于训练完成，输出与待测数据组对应的预测质量变量数值。通过至少两次的数据组划分规则进行样本集的确定，并对应进行机器学习模型的构建，使对于质量变量进行预测的过程中，质量变量的预测结果更加准确。
-
Patent Agency Ranking
公开(公告)号：CN115964671A
公开(公告)日：2023-04-14
申请号：CN202211636497.7
申请日：2022-12-20
Applicant: 江南大学
IPC: G06F18/2433 , G06F18/25 , G06F18/20 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了基于滑动窗和多块卷积自编码器的故障检测方法包括：采集云服务端的平台参数；对原始数据集归一化并进行信息提取，得到三个信息集子块；对得到的变化率信息集以和累计信息集进行归一化操作，方便后期训练；对三个子块分别用滑动窗采样，得到送入卷积自编码器进行训练的样本；用自编码器对三个子块进行训练，求得训练样本与其重构间的欧氏距离作为统计量，用核密度函数方法获得三个子块控制限；采用用贝叶斯融合的方法，将各个子块统计量进行融合得到融合后的统计量，根据置信度是γ，得到控制限；滑动窗的CAE故障检测；在提取样本时序信息的同时，扩大了样本维度，实现了误差的累计，提升了算法对微小故障的检测能力。
-
公开(公告)号：CN115755618A
公开(公告)日：2023-03-07
申请号：CN202211561130.3
申请日：2022-12-06
Applicant: 江南大学
IPC: G05B13/04
Abstract: 本申请涉及一种超标抑制策略的污水处理过程多目标优化控制方法，包括以下步骤：利用长短期记忆网络的时序建模能力，建立出水氨氮浓度和总氮浓度的预测模型，对预测模型中硝态氮浓度和溶解氧浓度的设定值进行寻优；根据预测模型的输出判断水质参数超标情况，若水质参数超标，对外回流以及外加碳源加以控制，并对溶解氧浓度和硝态氮浓度的设定值进行二次优化，提高出水氨氮浓度和总氮浓度预测的精度，设定值选取时综合考虑水质和能耗，初步达到在提升水质的基础上降低能耗的目标；有效抑制出水氨氮浓度和总氮浓度预测峰值超标现象同时降低能耗、提升水质。
-
公开(公告)号：CN114741969A
公开(公告)日：2022-07-12
申请号：CN202210456916.2
申请日：2022-04-27
Applicant: 江南大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G01D21/02 , G06F111/10
Abstract: 本发明公开了基于FIR‑NMA模型的硫回收软测量建模方法，包括：采集硫回收数据，并对其进行数据预处理；将FIR滤波层和NMA模型互补，搭建动态模型；以最小化预测误差建立目标函数，优化FIR滤波层参数和NMA模型参数，从而优化所述动态模型；将预处理过的数据输入至优化后的动态模型，输出预测结果；本发明可以滤除数据噪声，并消除由于传感器老化造成的零漂噪声，识别出过程的时间滞后，能够稳定工作在带有大滞后、强测量噪声的硫回收工业过程，可提高软测量预测的精确性与可靠性。
-
公开(公告)号：CN108734207B
公开(公告)日：2021-05-28
申请号：CN201810454373.4
申请日：2018-05-14
Applicant: 江南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于双优选半监督回归算法的模型对脱丁烷塔底丁烷浓度进行预测的方法，属于半监督回归领域。通过一种双优选的策略，求出有标签样本密集区中心，并根据无标签样本与密集区中心的相似度筛选无标签样本，同时根据有标签样本间相似度筛选有标签样本；然后利用高斯过程回归方法对选出的有标签样本建立辅学习器，以对选出的无标签样本预测标签；最后利用这些伪标签样本提升主学习器的预测效果，解决了在标签样本很少时，无法保证对无标签样本利用的质量从而无法实现准确预测的问题，达到了利用很少的标签样本即可实现准确预测的效果。
-
公开(公告)号：CN108647272B
公开(公告)日：2020-12-29
申请号：CN201810402513.3
申请日：2018-04-28
Applicant: 江南大学
IPC: G06F16/23 , G06F16/2458
Abstract: 本发明公开了一种基于数据分布的小样本扩充方法，属于复杂工业过程建模和软测量领域。在基于数据驱动理论的建模过程中，样本的数量会对所建模型的精度产生影响。针对训练样本数量较少导致模型信息缺失的问题，该方法通过分析数据的分布特征来确定样本扩充的区间范围，通过使用欧氏距离和角度原则进行数据扩充，利用扩充数据完善建模对象在各阶段的信息，并进一步重构建模数据集，能够对关键变量进行精确预测，从而提高产品质量，降低生产成本。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.026 seconds)
