CN119537927A 一种工业过程监测模型智能推 荐方法与系统 (浙江大学)_第1页
CN119537927A 一种工业过程监测模型智能推 荐方法与系统 (浙江大学)_第2页
CN119537927A 一种工业过程监测模型智能推 荐方法与系统 (浙江大学)_第3页
CN119537927A 一种工业过程监测模型智能推 荐方法与系统 (浙江大学)_第4页
CN119537927A 一种工业过程监测模型智能推 荐方法与系统 (浙江大学)_第5页
已阅读5页,还剩48页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种工业过程监测模型智能推荐方法与系统本发明公开了一种工业过程监测模型智能务相关特征以及外源知识嵌入四个角度提取出型增量以及推荐节点增量这三种情况设计了宽2q25-1.51QR和q75+1.51QR之外的异常点数量、处在q25-1.51QR和q75+1.51QR之外的异常点数量占比、处在q25-31QR和q75+31QR之外的异常点数量、处在q25-31QR和3所述任务相关特征包括第一个主成分的标准差、第一个主成分的偏度、第所述外源知识嵌入特征具体通过如下方法获取:将时间序列数据集所属;;;4;W=A+S;;得分矩阵,则新增的时间序列数据集所对应的特征节点和增强节点分别表示;;记新增的输入数据A8=[ZA"IH"],则更新后的完整输入数据为:;;;5;;;;;;;9.一种用于实现权利要求1_8中任一项所述的工业过程监测模型智能推荐方法的推荐案例库,由工业过程所涉及的工业设备的各类故障候选模型库,由不同类型以及不同超参数设定的工业过程监测模评分规则库,包括多种评分规则,所述评分规则用于对模型库中的不同数据集特征矩阵获取模块,用于调用故障案例库以获取N个工业对象的时间序列数据6数据集得分矩阵获取模块,用于使用故障案例库中的训练集宽度学习网络训练与更新模块,用于利用数据集特征矩阵于建立特征矩阵与得分矩阵的映射关系的宽度学习网络,以获取训练好的宽度学习网络;在线应用模块,用于采用数据集特征工程方法对目标数据集进;78获取N个工业对象的时间序列数据集,将每个时间序。集均值、中位数median(x)、标准差σ、最大值max(x)、最小值min(x)、四个样本分位数q1,q25,q50,q75、四分位距q75-q25、归一化均值u/max(x)、归一化中位数9(q75-q25)/(q75+q25)、方差系数o/u、处在q25-1.51QR和q75+1.51QR之外的异常点数量、处在q25-1.51QR和q75+1.51QR之外的异常点数量占比、处在q25-31QR和q75+31QR之外的异常点数量、处在q25-31QR和q75+31QR之外的异常点数量占比、处zr=([D,1]W)[0010]其中,zr表示第r个特征节点,表示激活函数,D表示数据集特征矩阵,1eRNX1表示一个所有元素全为1的向量,表示特征节点对应的一个随机初(3.2)将步骤(3.1)得到的R组特征节点进行拼接,得到拼接后的特征节点;(3.4)将特征节点和增强节点进行拼接,记为A=[ZZA,H]eR(10+8),将其作为W=A+SI表示单位矩阵。记新增的输入数据A8=[ZA"IH"],则更新后的完整输入数据为:w'表示更新后的待求解的线性映射。一组特征节点中节点的个数,表示第r'个新增的特征节点线性映射,w'表示更新后的线性映射。[0034]本发明实施例第二方面提供了一种用于实现上述的工业过程监测模型智能推荐数据集特征矩阵获取模块,用于调用故障案例库以获取N个工业对象的时间序列于根据故障发生时间和评分规则库评估模型库中各个F1=图7为本发明的工业过程监测模型智能推荐方法中推荐节点增量对推荐性能的影[0043]在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发含一个或多个相关联的列出项目的任何或所[0046]本发明的工业过程监测模型智能推荐方法的整体框架流程如图1所示,其工作原[0049]具体地,获取N个工业对象的时间序列数据集,将每个时间序列数据集记为。值、中位数median(x)、标准差σ、最大值max(x)、最小值min(x)、四个样本分位数q1,q25,q50,q75、四分位距q75-q25(InterquartileRange,IQR)、归一化均值差median(x-median(x))、绝对均值偏差mean(x-median(x))、分位数系数离散度(q75-q25)/(q75+q25)、方差系数o/u、处在q25-1.51QR和q75+1.51QR之外的异常点数量、处在q25-1.51QR和q75+1.51QR之外的异常点数量占比、处在q25-31QR和q75+31QR之外的异常点数量、处在q25-31QR和q75+31QR之外的异常点数量占比、处[0058]应当理解的是,此处的大语言模型可以使用现有预训练好的大语言模型,例如[0065]zr=([D,1]W)[0066]其中,zr表示第r个特征节点,表示激活函数,D表示数据集特征矩阵,1eRNX1表示一个所有元素全为1的向量,表示特征节点对应的一个随机初[0070](3.4)将特征节点和增强节点进行拼接,记为A=[ZZA,H]eR(10+8),将其作为W=A+SI表示单位矩阵。[0075]本实施例中,采用三重增量策略对训练好的宽度学习网DeR'XK和数据集得分矩阵,则新增的时间序列数据集所对应的特征节点和增强节点分别表示为:w'表示更新后的待求解的线性映射。在N个案例上利用每个案例的训练数据训练后,再利用每个案例的测试数据对(nD+E)X(M+M'),因此AW'的输出维度是NX(M+M'),因此模型的分数预测涵盖了M+M'模型,从而实现了候选模型从原本的M个到M+M'个的模型增量。一组特征节点中节点的个数,表示第r'个新增的特征节点线性映射,w'表示更新后的线性映射。用数据集特征工程方法对目标数据集进行处理,得到目标数据集对应的数据集特征向量,[0098]本实施例中,案例库由典型工业过程所涉及的典型工业设备的各类故障案例组F1=[0111]本实施例中,数据集特征矩阵获取模块用于调用故障案例库以获取N个工业对象规则对不同的模型进行性能评估,得到所有模型的性能评估结果组成的数据集得分向量,[0114]本实施例中,在线应用模块用于采用数据集特征工程方法对目标数据集进行处使得组内不同过程设置了不同的和更有效的模型,平均F1得分高于仅使用单一方法的得[0125]生物质燃料的切粒工艺是将生物质原料加工成具有高密度和标准尺寸的生物质[0130]为了全面评估三重增量策略的有效性,采用70%_30%的比[0133]表8列出了对不同组下候选模型增量对所推荐方法的性能影响。为每一组依次增加了候选模型的数量,从而得到了四组结果。依次增加的模型分别是convAE、GRU和[0135]图7展示了工业

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论