基于堆叠有监督降噪自编码的运行状态评价

本文针对非线性和噪声干扰的工业生产数据,提出一种基于堆叠有监督降噪自编码(SSDAE)的过程运行状态评价方法。首先,提出一种有监督降噪自编码模型,将状态等级标签引入到模型训练中,使得有监督DAE学习与过程运行状态密切相关的特征并具备较强的状态等级区分能力。其次,利用由多个有监督DAE模型堆叠而成的SSDAE提取过程数据中与运行状态密切相关的深层特征,并作为SoftMax分类器的输入建立过程运行状态评价模型。最后,将所提方法应用于湿法冶金过程运行状态评价,仿真结果表明,对数据按30%比例随机置零的方式进行损坏后,该方法的评价准确率高达95%,明显优于其他几种比较方法,验证了所提方法在强噪声干扰条件下良好的性能和可行性。     

基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法.首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征...     

一种振动信号降噪的堆叠降噪自编码器方法

为了解决振动信号降噪问题,提出一种基于堆叠降噪自编码器的方法.结合PReLU激活函数和批标准化对传统堆叠降噪自编码器进行改进,增强了模型的特征提取和信号重构能力.堆叠降噪自编码器方法使用编码器提取含噪振动信号中的特征,使用解码器进行信号重构,从而实现振动信号降噪.在正弦信号、调幅信号和轴承故障仿真信号下进行降噪实验,取...     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。     

基于SAE-DBN的联合收割机液压系统运行状态监测

液压系统是联合收割机重要的组成系统之一,针对收割机液压系统故障特征提取困难以及多种故障场景下的预警准确率低等问题,提出了一种基于堆叠自编码器和深度信念神经网络融合(SAE-DBN)的联合收割机液压系统运行状态监测方法。在SAE-DBN模型训练过程中,依次训练AE层和RBM层并堆叠,分别得到SAE和DBN,再将SAE和DBN进行连接并微调模型参数。将液压系统中关键部位的参数作为SAE-DBN的输入,进行二次特征提取,然后对液压系统的运行状态进行分类。雷沃GM80型联合收割机的作业运行试验表明:基于SAE-DBN联合收割机液压系统运行状态监测的准确率达到了91.88%,与SAE和BP神经网络等方法相比分别提高了3.82%和8.09%,为液压系统故障诊断提供了一种新的思路。     

基于多源异构信息自适应融合的镁砂熔炼过程运行状态评价

本文针对镁砂熔炼过程中的电流、声音和图像信息,提出了一种基于多源异构信息自适应加权融合的过程运行状态评价方法。首先,针对镁砂熔炼过程中的多源异构信息进行数据预处理,采用深度学习方法建立基于不同信息的运行状态评价子模型;其次,利用注意力机制建立各子模型决策层自适应融合网络,以综合分析不同熔炼状态下的多源异构信息对评价结果的影响;最后,将融合结果输入SoftMax分类器,建立镁砂熔炼过程运行状态评价模型。仿真结果显示,相比于仅依赖单一种类信息建立的评价模型以及现有的深度学习多源异构信息评价模型,本文所提方法综合考虑多源异构信息的共同作用,基于仿真平台数据与实际生产数据的评价准确率分别达99.5%与98.44%,优于其他被比较的方法,验证了所提方法的有效性和优越性。     

基于变分自编码器的轴承健康状态评估

针对现有数据驱动型轴承健康状态评估方法普遍存在的特征信息损失大、泛化能力弱和数据依赖强等问题,提出了一种面向高熵特征数据的变分自编码器(variational auto--encoder, 简称VAE)轴承健康状态评估模型。该模型通过学习健康状态下轴承振动信号频谱在特征空间中的高维潜在概率分布,实现对轴承运行健康状态的定量评估。首先,对基于VAE的健康状态评估模型进行理论阐述;其次,建立基于变分证据下界的状态评估指标;最后,通过对比实验证明：变分自编码器在处理轴承运行状态评估方面具有良好的准确度,对异常状态更为敏感;无需人为提取特征和复杂的参数设置,不需对特定的系统进行针对性的参数设置和调校;在小容量训练数据集上仍具备良好的鲁棒性,在工程应用上具有一定的推广价值。     

基于改进堆栈降噪自编码器的锅炉设备在线监测数据清洗方法

数据清洗过程是对锅炉设备在线监测数据预处理的一个重要环节,针对数据清洗步骤繁琐,易导致连续性数据被破坏等问题,提出一种基于混合自适应性矩估计和随机梯度下降算法优化的堆栈降噪自编码器的数据清洗方法。首先,引入自适应性矩阵估计和随机梯度下降的混合算法,以不断调整堆栈降噪自编码器模型的网络参数。其次,利用模型训练正常状态数据,获取数据的隐藏特征,得到正常状态下的重构误差。再次,用该模型检测异常状态数据,根据其重构误差分析各种类型的数据对模型的影响,并对"脏数据"和反映设备故障的异常数据进行快速分类清洗修复。通过某电厂锅炉监测数据的清洗修补实验,证明了该方法能准确识别出"脏数据",修补后的数据亦能遵循数据整体的分布规律,满足了数据的清洗要求,为后续数据分析挖掘和设备故障诊断工作奠定了良好的基础。     

复杂工业过程的运行优化与控制

随着时代的进步,我国的工业化进程也在不断被推进,尤其是那些复杂工业,工业的发展关系着我国社会经济的发展,因此要对运行复杂工业的过程进行优化并对其加以控制。本文首先对工业过程的特点进行了分析,并对目前控制复杂工业过程的现状进行了总结,对预测控制模型与整定PID控制器参数的概念和具体内容进行了阐述,对控制工业过程内容的核心与未来将会产生的经济效益进行了讨论,唯有严格控制复杂工业的运行控制,对其进行优化,才能保证其正常运行和长远的发展。     

自相关过程的统计控制方法研究

对自相关数据的产生及自相关过程的统计控制状态和失控状态的意义进行了阐述,根据自相关过程控制理论及方法的不同,进行分类和总结,讨论其应用局限性,并展望自相关过程统计控制理论的研究方向及重点。     

Relevant and independent multi-block approach for plant-wide process and quality-related monitoring based on KPCA and SVDD

Due to prior knowledge being often unavailable in practice, a multi-block strategy totally based on data-driven analytics is an appropriate alternative for plant-wide processes. However, most recent multi-block methods are relatively vague or insufficient for dividing up the process space and lack the comprehensive fault information for quality-related monitoring. This work intends to develop a more reasonable multi-block method and demonstrate the negative impacts of quality-unrelated variables. Both motivations are entirely dependent on the correlation between variables. A major innovation is to determine those independent or related sets of variables, and to provide a more precise indication for those quality-related faults. Sub-blocks with related variables are each modeled by the KPCA, and the rest of the independent variables are treated as an input for a SVDD model. Finally, all of the statistical indicators are aggregated into a single statistic through Bayesian inference. The benefits of the proposed multi-block scheme (MKPCA-SVDD) are elaborated on in detail using numerical simulation, TE benchmark and industrial p-xylene oxidation process.     

基于多智能体的设备性能退化评估系统建模

为解决设备性能退化评估与预测系统的建模问题,提出了一种基于多智能体的分层次模型。在该模型中,给出了系统的整体构架;根据设备的功能结构,划分了多个层次的性能退化评估与预测智能体,定义了各层次智能体的具体功能。该模型为系统的实施提供了指导模板。     

基于IDEF的分层递阶工艺成熟度建模技术及应用

根据产品开发过程中存在的产品设计和工艺设计并行性,以及产品设计信息由粗渐细的递进规律,将产品工艺设计过程划分为概要工艺层、初步工艺层、详细工艺层和改进工艺层.利用集成定义建模理论对各层主要工艺活动进行建模,构建出四梯级的分层递阶工艺成熟度模型.针对概要工艺层的信息粗粒度,提出基于主要产品特征的成熟度评估,而对于信息细粒度的工艺改进层,则采用工艺失效知识进行工艺成熟度评估.所提方法在某汽车零配件产品工艺设计中得到应用验证,有助于工艺设计阶段的前移和制造可靠性的提高.     

基于模糊层次分析法的在线定制方案优选模型

利用多决策者不同风险偏好的模糊层次分析模型对在线定制方案进行优选。建立了在线定制方案总效用评价指标体系,运用基于模糊有序加权平均算子的三角模糊数互补判断矩阵排序法,求得各层效用的权重,并用模糊语言变量表示各备选在线定制方案的二级准则层子效用的满意度,得到多决策者不同风险偏好下的各方案的综合模糊评分。最后,综合考虑三角模糊数的均值位置和左右扩散情况,对各方案三角模糊数进行排序得到最优方案,并用实例证明了该模型的可行性和合理性。     

基于分级递阶结构的铁矿石烧结过程智能控制

针对铁矿石烧结过程具有强非线性、大滞后、强耦合性的特点,提出一种基于分级递阶结构的烧结过程智能控制方法,建立具有智能控制层和基础自动化层的递阶控制系统。在智能控制层,首先融合灰色理论与BP神经网络方法建立烧结终点预测模型;然后建立烧结终点混杂模糊-预测控制模型;最后提出基于满意度的协调控制方法,实现烧结终点与混合料料槽料位之间的智能协调。基础自动化层实现对操作参数的稳定化跟踪控制。实际运行结果表明,该系统有效地抑制了烧结终点的波动,提高了烧结矿产量质量。     

基于自适应滤波器的最小方差性能评价方法

控制器性能评价是工业过程控制中的重要研究课题,工业应用结果表明:性能评价技术可以有效提高工业过程的性能。这篇论文基于最小方差准则来评价控制器的性能,在具体评价过程中提出了使用自适应滤波器,通过训练建立系统输出和噪声的自适应线性系统模型,实验结果证明,自适应滤波器技术在控制器性能评价中是一种简单的实现方法。     

基于图像质量评价的ICCD性能比较

像增强型电荷耦合器件(intensified charge coupled device,ICCD)是激光主动成像系统中的关键器件,其噪声水平影响着整个系统性能的发挥。为了比较测试不同ICCD的噪声性能,采用图像信息容量、伪信噪比和无参考图像峰值信噪比(no-reference peak signal-noise-ratio,NPSNR)三个指标对ICCD输出的单帧图像进行图像质量评价。实验在相同实验条件,不同ICCD之间进行。结果表明4Quik E的噪声性能优于PI-MAX2:512。     

基于性能评估的EWMA控制器在线优化方法

为解决半导体制造业中小批量、多品种的生产特性和设备老化造成的控制器性能下降的问题,针对最常用的指数加权移动平均控制器,提出一种基于性能评估的在线优化方法。在性能评估过程中,以时间序列分析中定义的输出均方差作为评判基准,提出一种新的性能评价指标。通过评估EWMA控制器的性能得到控制器当前的最优参数并自动整定,同时结合移动窗口技术实现在线优化,使控制器性能始终保持在最佳状态。为验证方法的可行性和有效性,以化学机械抛光过程的在线优化问题为实例进行了仿真实验。