工业过程中半监督多单元软测量的深度潜变量模型
本文介绍使用基于化学工程知识和强化学习算法的动态模拟器进行预测并作为软传感器来估计化工厂内部状态变量的方法,并探讨了使用这种软传感器进行化工厂操作和控制的前景及其所需预测模型的方法。
Aug, 2022
本文提出了一种名为SensorSCAN的新型无监督故障检测和诊断方法,主要应用于化学传感器数据的处理,实验结果表明,该方法在公开数据集上的表现优于现有算法,能够有效检测出工业生产中的故障。
Aug, 2022
本文提出了一种将主动学习方法和半监督学习结合的数据驱动软测量方法,通过正交自编码器学习低维特征,以预测化工过程中难以测量的过程变量,实验证明,在流式数据下,该方法可以选择最具信息量的数据点,与传统离线环境相比获得更好的预测表现。
Dec, 2022
本文提出一种适用于多个质量变量的多变量软测量方法,通过改良神经网络结构和优化目标函数,实现了对质量变量的准确估计。在这个方法中,作者利用目标专家混合模块(OMoE)和帕累托目标路由模块(POR)解决了模型中存在的负面迁移和平衡问题,实验结果表明,该模型表现出了先进的性能。
Feb, 2023
本文提出了一个基于深度粒子流Bayes(DPFB)框架的交叉域软传感建模方法,利用物理启发粒子流实现对目标状态的无标签监督下的跨域学习,从而实现有效的时间序列无监督域自适应。
Jun, 2023
通过使用一个液压系统测试数据集,本研究聚焦于传感器基于的状态监测,并探索了使用深度学习技术的应用。我们比较了三种模型的性能:一个使用常规方法的基准模型,一个具有早期传感器融合的单一卷积神经网络模型,以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的1%测试误差率,其中对每个传感器进行了单独的特征提取。然而,由于传感器特征的多样性,卷积神经网络模型遇到了挑战,导致了20.5%的误差率。为了进一步调查这个问题,我们对每个传感器进行了单独的训练,并观察到了准确性的变化。此外,我们还评估了2L-CNN模型的性能,在考虑最不理想和最理想传感器的组合时,错误率降低了33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。
Aug, 2023
利用深度学习技术,本研究旨在探索数据驱动感知、优化和控制在工艺产业中的应用及相关挑战,并提出基于统计和机器学习的混合建模方法与领域知识相结合的数据驱动方案。
Jan, 2024
基于物理增强的图神经网络的软测量方法在区域供热网络案例研究中表现出显著的改进,即使在存在噪声和参数不准确性的情况下,这种方法克服了传统深度学习模型无法明确表示各种传感器之间复杂相互作用的限制。
Apr, 2024
工业大数据建模中的动态特性带来了重大挑战。本文介绍了一种因果驱动的序列分割(CDSS)模型,该模型通过识别变量之间的因果关系的局部动态特性和阶段转变时因果关系的突变,将序列分割成不同的阶段,并利用建立的时态因果图和时态因果图卷积网络(TC-GCN)模型对每个阶段进行软传感建模,实现了对稳定和不稳定多相序列的优秀分割和预测能力的验证。
Jun, 2024