公共文化服务平台

基于数据属性划分的递阶ELM研究及化工应用: 极限学习机(ELM)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM.该神经网络采用数据属性划分(DAD)方法对高维输入进行聚类、建立自联想子网,并将自联想...; 高慧慧贺彦林彭荻朱群雄; 关键词：化工过程高维数据自联想神经网络

工业过程报警管理研究进展被引量：23: 2017年; 作为现代工业过程运行的首道保护层,报警系统对保障过程安全、可靠和高效生产起着举足轻重的作用.然而,目前大多数工业报警系统存在着"报警泛滥"这一问题,严重影响了报警系统的应有功能.本文结合工业过程特点和报警管理生命周期,总结了导致"报警泛滥"的主要原因,并依据这些原因,从报警建模与报警根源分析、报警阈值设计、报警优先级划分、报警类型识别与处理、报警系统性能评估等分类综述了报警管理关键技术研究进展、报警管理框架以及工业报警规范、报警管理软件与应用现状.最后,探讨了报警管理领域存在的难题和新挑战.; 朱群雄高慧慧徐圆; 关键词：报警管理

基于数据属性划分的递阶ELM研究及化工应用被引量：5: 2013年; 针对极限学习机(ELM)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM。该神经网络采用数据属性划分(DAD)方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模。同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比。结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路。; 高慧慧贺彦林彭荻朱群雄; 关键词：极限学习机自联想神经网络高维数据

基于分步时空JITL-MKPLS的间歇过程故障监测被引量：2: 2021年; 针对多阶段时变的间歇过程难以用全局模型准确描述生产过程的动态变化及传统局部建模每个工作点都需要重新筛选样本建模导致计算量较大的问题,提出一种分步时空即时学习的局部建模策略。采用仿射传播(AP)聚类的方式对历史数据样本集中的数据进行初步分类,在当前输入样本数据到达后,确定当前样本数据所属的类别,在此类别所限定的子数据样本集中使用时间和空间相结合的即时学习策略确定出局部相似样本,建立多向核偏最小二乘监测模型。将该算法在青霉素发酵仿真数据和大肠杆菌发酵过程生产数据上进行验证,结果表明,所提方法不仅减少了不必要的计算量,还能够更加精准即时地进行故障监测。; 高学金高学金王豪孟令军; 关键词：故障监测

分层自适应小波阈值轴承故障信号降噪方法被引量：35: 2019年; 针对轴承振动信号易受到噪声干扰的问题,提出了一种分层自适应小波阈值降噪方法。首先将轴承振动信号进行小波分解,获得各分解层的小波系数;之后保留低频信号的小波系数,对高频信号的小波系数进行分层自适应阈值处理;最后将阈值处理后的小波系数进行小波重构,得到降噪后的信号。通过构建一种在阈值处连续且在小波域内可导的分层自适应阈值函数,可以改进传统阈值函数重构偏差和过度降噪的缺陷。轴承故障仿真信号的降噪实验结果表明,该方法的信噪比和均方根误差均优于其他方法,有更好地降噪效果;机械故障模拟实验台的轴承故障信号降噪实验结果表明,该方法在降噪的同时保留了更多的故障信息,能够有效提升故障诊断率,更有利于轴承故障信号的降噪。; 王普王普高学金高慧慧; 关键词：故障诊断轴承信号处理降噪

基于多变量卷积神经网络的发酵过程故障监测被引量：3: 2020年; 针对传统故障监测方法难以提取数据深层特征的问题,提出一种基于多变量深度卷积神经网络的故障监测方法,以提高监测精度。为捕获过程动态性,采用滑动窗技术对过程变量序列进行分割,利用希尔伯特-黄变换对分割后的序列进行分解,得到时频图,有效挖掘变量序列在幅值、频率、相位上的异常变化信息;以时频图为输入,基于深度卷积神经网络构建故障监测模型,提取故障信息深层特征,提高监测精度;利用青霉素发酵过程仿真数据和大肠杆菌生产数据进行实验验证,结果表明所提方法监测精度分别高达95%和93%以上。; 高学金高学金高慧慧; 关键词：卷积神经网络希尔伯特-黄变换特征提取发酵过程故障监测

基于离散傅里叶变换的过程工业报警泛滥序列聚类分析及应用被引量：4: 2016年; 报警泛滥是过程工业报警管理中普遍存在且难以解决的问题。报警泛滥序列聚类分析有助于报警根源分析和预警。针对目前报警泛滥序列相似度测量方法存在的缺陷,如对报警序列长度限制、计算复杂、依赖参数,采用基于离散傅里叶变换的方法在频域对报警泛滥序列进行相似性分析,提出了离散傅里叶功率谱的欧氏距离作为度量报警泛滥序列相似度距离的方法,计算不同报警泛滥的相似度距离,再通过非加权组平均法获得报警泛滥序列的聚类树状图,根据相似度距离,确定报警泛滥的模式,帮助操作员确定异常根源,做出快速响应。TE仿真过程在不同干扰下的应用实例验证了该方法的有效性、准确性。; 陈忠圣高慧慧徐圆朱群雄; 关键词：离散傅里叶变换相似度聚类分析

基于多源域自适应残差网络的滚动轴承故障诊断: 2024年; 针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network,MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference,LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。; 高学金高学金高慧慧齐咏生; 关键词：滚动轴承故障诊断领域自适应

基于批次图像化的卷积自编码故障监测方法被引量：3: 2021年; 针对间歇过程的非线性、多阶段性等特点及其三维数据形式,提出基于批次图像化的卷积自编码故障监测方法.首先,将每个批次数据看作一个灰度图,每个批次中数据变化可以看作图片的纹理变化,利用卷积自编码器(convolutional autoencoder,CAE)直接对间歇过程三维数据进行特征提取,避免三维数据展开成二维时导致的信息丢失,无需分阶段充分考虑批次全局信息,有效提取过程变量相关关系的动态变化;同时,利用卷积操作提取局部特征信息,自编码网络可以解决非线性问题,实现特征的无监督学习;然后,使用一类支持向量机(one-class support vector method,OCSVM)描述特征分布,构造新的统计量,确定控制限,实现故障监测;最后,通过将该方法应用到Pensim仿真平台及重组人粒细胞集落刺激因子发酵的实际生产数据,验证所提方法的准确性和有效性.; 张海利王普王普齐咏生高学金; 关键词：故障监测

基于离散傅立叶变换的过程工业报警泛滥序列聚类分析及应用: 报警泛滥是过程工业报警管理中普遍存在且难以解决的问题。报警泛滥序列聚类分析有助于报警根源分析和预警。针对目前报警泛滥序列相似度测量方法存在的缺陷,如对报警序列长度限制、计算复杂、依赖参数,本文采用基于离散傅里叶变换的方法...; 陈忠圣高慧慧徐圆朱群雄; 关键词：离散傅里叶变换相似度聚类分析; 文献传递

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

高慧慧

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

高慧慧

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈