-
公开(公告)号：CN102065576A
公开(公告)日：2011-05-18
申请号：CN201010287762.6
申请日：2010-09-20
Applicant: 江南大学
Abstract: 本发明公开了一种基于传感器网络的物体流量监测系统，由监测节点与基站节点组成，基站节点与监测节点之间组成星型网络拓扑结构，基站节点为星型网络的中心；监测节点之间组成链状拓扑结构，监测节点将监测数据沿所在链状路由，采用多跳通信的方式向基站节点方向传递。本发明中所涉及的监测过程无需外设辅助标签，可实现对多处位置的物体进行流量监测，还可区别化识别物体的种类，具有广阔的应用前景。
-
公开(公告)号：CN101950185A
公开(公告)日：2011-01-19
申请号：CN201010248471.6
申请日：2010-08-09
Applicant: 江南大学
IPC: G05D23/19
Abstract: 本发明公开了一种黄酒前发酵过程温度控制系统，该系统由黄酒前发酵过程的温度控制决策支持系统与冷却水控制装置组成，属于智能化、网络化轻工过程控制领域。其中，温度控制决策支持系统含有数据库、数据库管理系统、推理机和人机交互界面，可根据黄酒品种、环境条件以及前发酵各阶段主要参数的变化推理出最佳温度控制方案；冷却水控制装置含有工控机、PLC、电磁先导阀、气动阀和手动阀，执行决策支持系统提供的温度控制方案。本发明为黄酒发酵过程的全自动化控制奠定了基础，具有广阔的应用前景。
-
公开(公告)号：CN119596910A
公开(公告)日：2025-03-11
申请号：CN202411780243.1
申请日：2024-12-05
Applicant: 江南大学
IPC: G05B23/02
Abstract: 本发明公开了基于时间卷积自编码器的工业过程故障检测方法及装置，属于工业过程检测领域，包括对训练数据和测试数据预处理，获得训练时序数据和测试时序数据；将训练时序数据输入工业过程故障检测模型训练获得目标模型，工业过程故障检测模型至少包括两层TCN和CAE；将训练时序数据输入目标模型计算控制限；将测试时序数据输入目标模型计算SPE统计量；根据控制限和SPE统计量判断待测工况数据是否异常。本发明通过在CAE的基础上引入TCN，设计新型的时间卷积自编码器，并创建了工业过程故障检测模型，经过至少两个堆叠的时间卷积网络能够逐渐扩大卷积感受野来改变时序特征提取的时间尺度，更准确地实现时序建模。
-
公开(公告)号：CN111985103B
公开(公告)日：2024-05-07
申请号：CN202010841786.5
申请日：2020-08-20
Applicant: 江南大学
Abstract: 本发明提供基于核极限学习机的样本处理方法及系统，方法包括：识别预处理样本集中的无标记样本及有标记样本，确定无标记样本集及有标记样本集作为处理对象；基于KELM算法从所述无标记样本集中选取满足预设要求的无标记样本，构成第一子样本集；将所述第一子样本集中的样本进行标记，得到带有标记的第二子样本集，将第二子样本集加入所述有标记样本集，得到更新后的有标记样本集；若所述有标记样本集与更新后的有标记样本集的相似度满足预设要求，则基于更新后的有标记样本集进行软测量。本方案，迭代更新速度快，稳定性高，应用于复杂化工过程建模，可大大降低主动学习的运算成本，并减少人工标记代价，更有效地实现过程质量变量的软测量。
-
公开(公告)号：CN114609975B
公开(公告)日：2024-04-30
申请号：CN202210321697.7
申请日：2022-03-25
Applicant: 江南大学
IPC: G05B19/414 , G06F17/11
Abstract: 本发明公开了一种基于复合自抗扰控制的FTS控制方法，属于精密加工领域。所述方法在构建FTS系统模型时，引入了完全未知的迟滞非线性函数、状态时滞和时变时滞的双时滞系统以及内部未建模动态非线性，针对所构建的FTS系统模型设计的控制器将迟滞时滞及系统内部的动态非线性性视为对FTS系统的总扰动，由线性观测器实时估计，并利用自适应神经网络逼近未知的非线性误差函数，实现迟滞时滞补偿功能。从而较好描述精密切削过程中的颤振现象，解决了现有FTS模型无法解释和预测切削颤振导致的幅值失真现象、稳定振幅与切削参数的关系、跳变现象对切削过程稳定性的影响及外界干扰对切削精度影响等问题。
-
Patent Agency Ranking
公开(公告)号：CN112184034B
公开(公告)日：2024-04-09
申请号：CN202011060648.X
申请日：2020-09-30
Applicant: 江南大学
IPC: G06F18/2413 , G06F18/22 , G06F18/25 , G06N5/04 , G06N7/01
Abstract: 本发明提供基于互信息的多块k近邻故障监测方法及系统，方法包括：获取原始正常工况样本数据集A0及待测样本数据集x，对A0进行标准化处理得到原始正常工况标准样本数据集#imgabs0#及对x进行标准化处理得到待测标准样本数据集x*；根#imgabs1#中样本的两变量的互信息对#imgabs2#中的变量进行分块，及根据x*中的样本的两变量的互信息对x*中的变量进行分块；求取#imgabs3#各子块的控制限，及求取x*的各子块的统计量；根据贝叶斯推断，将#imgabs4#各子块的控制限及x*的各子块的统计量融合为#imgabs5#统计量，并根据#imgabs6#统计量与#imgabs7#的各子块的控制限的关系确定x*是否发生故障；若发生故障，则根据x*中的样本的变量与变量均值的马氏距离确定故障子块及故障样本。本方法可准确快速地监测出待测样本数据集是否发生故障、故障子块及故障样本。
-
公开(公告)号：CN117524337A
公开(公告)日：2024-02-06
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：CN116364215A
公开(公告)日：2023-06-30
申请号：CN202310268736.6
申请日：2023-03-20
Applicant: 江南大学
IPC: G16C60/00 , G16C20/70 , G06F18/23213 , G06F18/214 , G06F17/16 , G06N3/096
Abstract: 本发明公开了一种基于局部迁移建模的青霉素浓度预测方法，属于工业发酵生产过程软测量建模和应用领域。所述方法针对青霉素发酵过程将源域与目标域数据划分为各子领域，利用偏最小二乘模型判别与各子目标域相关性最大的子源域，并基于迁移成分分析构建子领域间的精细化迁移，减少迁移过程中对局部数据信息的损失，最后在各子领域内建立预测模型，将目标域数据通过建立的模型进行青霉素浓度预测，提高了预测精度。
-
公开(公告)号：CN114509939B
公开(公告)日：2023-04-07
申请号：CN202210033657.2
申请日：2022-01-12
Applicant: 江南大学
IPC: G05B13/04
Abstract: 本发明公开了一种I‑MOEAD算法的污水处理过程优化控制方法，包括：利用最小二乘支持向量机对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2与出水总能耗OCI、出水水质EQI建立多目标优化模型；基于多邻域策略优化所述多目标优化模型，通优化后的多目标优化模型对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的设定值进行寻优，达到出水总能耗OCI和出水水质EQI之间的最佳平衡；通过PID控制器对第五分区溶解氧浓度SO5、第二分区硝态氮浓度SNO2的最优值进行实时跟踪控制；本发明针对传统MOEA/D算法进行改进，并将其应用于污水处理过程对SO5和SNO2进行寻优，提升了出水水质和降低了能耗。
-
公开(公告)号：CN115081690A
公开(公告)日：2022-09-20
申请号：CN202210629371.0
申请日：2022-06-01
Applicant: 江南大学
Abstract: 本发明公开了基于TD‑LightGBM的铁水硅含量预测方法，属于工业过程监控技术领域。所述方法包括：首先，利用轻量化梯度促进机的决策树模型结构按照特征被用于分割训练数据的次数评判该特征重要性；然后，结合时间差分算法建立动态特征提取模型；最后，采用局部加权算法根据样本间的欧氏距离建立局部模型。基于该模型进行炼铁过程中铁水硅含量的预测，可以有效地去除高炉环境参数中的冗余项和漂移相，相比于现有的铁水中硅含量预测方案，本发明进一步提高了预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.025 seconds)
