CN116560277A - 一种基于图神经网络的冷轧工业过程监测方法 - Google Patents

一种基于图神经网络的冷轧工业过程监测方法 Download PDF

Info

Publication number
CN116560277A
CN116560277A CN202310564327.0A CN202310564327A CN116560277A CN 116560277 A CN116560277 A CN 116560277A CN 202310564327 A CN202310564327 A CN 202310564327A CN 116560277 A CN116560277 A CN 116560277A
Authority
CN
China
Prior art keywords
graph
neural network
cold rolling
industrial
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310564327.0A
Other languages
English (en)
Inventor
周晓敏
许涛
马兴隆
杨紫珩
王帅坤
张洪嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shunde Innovation School of University of Science and Technology Beijing
Original Assignee
Shunde Innovation School of University of Science and Technology Beijing
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shunde Innovation School of University of Science and Technology Beijing filed Critical Shunde Innovation School of University of Science and Technology Beijing
Priority to CN202310564327.0A priority Critical patent/CN116560277A/zh
Publication of CN116560277A publication Critical patent/CN116560277A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24024—Safety, surveillance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明公开了一种基于图神经网络的冷轧工业过程监测方法，包括：获取工业数据，对所述工业数据进行处理，建立行单位数据集；基于行单位数据集，依据带钢轧制过程时空图结合专家经验知识库建立冷轧过程的图结构数据集；构建图神经网络过程监测模型，根据数据特性确定统计量阈值的计算方法并计算异常阈值；根据所述监测模型的所得值与所述异常阈值进行比较，通过比较结果对冷轧工业过程进行监测。本发明通过构建与真实机理模型相符的图结构来提高模型精度，并对数据模型有一定的可解释性。

Description

一种基于图神经网络的冷轧工业过程监测方法
技术领域
本发明涉及冷轧带钢技术领域，尤其涉及一种基于图神经网络的冷轧工业过程监测方法。
背景技术
冷轧工业作为我国工业的重要组成部分，是我国保持经济快速发展的基石，冷轧带钢已经实现高度自动化，计算机数据存储技术以及数据处理技术不断突破，这大大降低了数据存储和分析的成本，基于数据驱动的冷轧工业过程监测得到蓬勃发展，促进工业数字化与智能化转型。
冷轧带钢数据中最重要的参数是板形偏差，其能够反映最终产品表面的不平坦度，如下式所示为板形偏差的计算公式：
其中，i代表将带钢横向划分为i条，λ(i)代表第i条划分后带钢的延伸率差，ΔL代表第i条带钢与基准带钢的长度差，L代表带钢的基准长度，通常以IU值作为延伸率差的单位，1IU的物理意义为在该卷带钢消除残余应力后带钢每米存在10μm的延伸差，实际生产过程常采用IU表示板形偏差。
随着市场对于冷轧产品产量需求的不断增加以及质量精度要求的不断提升，在保证产品拥有足够质量精度的前提下提高产量成了当前研究目标，冷轧生产过程逐渐向大型化、集成化、智能化方向发展，现如今工业生产流程逐渐复杂，多工况、多系统、相互耦合的生产系统使得冷轧工业生产过程极易发生异常与故障，一旦偏离正常工况，轻则严重影响产品质量与产品产量，重则造成重大经济损失、资源浪费乃至人身安全等重大生产事故。针对于这种情况，冷轧生产过程中的过程监测逐渐成为研究热点，在传统过程监测领域，基于机理模型的过程监测模型针对现代多系统、多变量拥有复杂机理模型的生产过程，了解生产过程中各变量之间的关系十分困难，导致其效果逐渐下降。现在基于数据驱动的过程监测模型逐渐发展，基于数据驱动的过程监测模型将冷轧工业生产系统作为黑箱，不分析内部机理，只根据研究对象中的输入输出数据之间的相互关系直接建模，模型的在线校正能力强，并能适用于高度非线性和严重不确定的系统，从而为解决复杂系统的建模问题提供了有效途径。
图神经网络旨在克服传统神经网络无法处理的图结构数据。图神经网络是一种对非标准化数据结构进行处理的神经网络，目前已广泛应用于包括应用物理、分子化学和知识图谱等领域。图神经网络是一种对图进行计算的神经网络。图(Graph)是能够高效表达大量事物间复杂关系的一种普适性模型，是由节点和边共同组成描述复杂事务的数据表示形式，数学上一般表述为图，其中的G＝(V，E)，V(Vertical)代表节点，在冷连轧过程中表征了各个运行时参数。而E(Edge)代表边，描述的是两参数之间的关系。目前流行的图神经网络主要有图卷积网络(Graph Convolution Networks，GCN)、图注意力网络(Graph AttentionNetworks，GAT)和GraphSAGE等，GCN可以同时学习节点的特征和结构的特征，并且GCN实用性较高，可用于任意拓扑结构的网络模型，是目前图神经网络研究最深入的主流应用方法。
冷连轧工业过程逐渐向大型化、复杂化发展，其过程变量逐渐增多，传统的多元统计分析方法在实际生产运用中存在运行时间较长，计算精度较低的问题，目前大量研究的神经网络算法，在通过大量数据的训练后得到的模型有较好的拟合度，训练好的模型有计算速度较快，计算精度较高等优点。
发明内容
为解决上述技术问题，本发明提出了一种基于图神经网络的冷轧工业过程监测方法，建立基于数据驱动的过程监测模型，基于图神经网络预测输出并监测故障，以提早发现并及时处理问题，避免干扰正常生产过程及产品质量。
为实现上述目的，本发明提供了一种基于图神经网络的冷轧工业过程监测方法，包括：
获取工业数据，对所述工业数据进行处理，建立行单位数据集；
基于所述行单位数据集，依据带钢轧制过程时空图结合专家经验知识库建立冷轧过程的图结构数据集；
构建图神经网络过程监测模型，根据数据特性确定统计量阈值的计算方法并计算异常阈值；根据所述监测模型的所得值与所述异常阈值进行比较，通过比较结果对冷轧工业过程进行监测。
优选地，对所述工业数据进行处理，包括：
对所述工业数据进行清洗，去除参考值与重复值；
对所述工业数据进行特征选择，去除与目标无关的低质特征。
优选地，采用皮尔森相关系数为标准对所述工业数据进行特征选择，所述皮尔森相关系数的计算方法为：
其中，X、Y为变量，N为样本量。
优选地，建立所述图结构数据集，包括：
将原始以行或列为单位的数据集转变为以图为单位的图结构，获取所述图结构数据集。
优选地，建立所述冷轧过程的图结构数据集，包括：
依据冷轧的轧制过程时空图结合专家经验知识库共享，建立冷轧过程的图结构数据集。
优选地，构建所述图神经网络过程监测模型前包括：
生成节点表征，确定激活函数进行非线性操作，包括；
根据GCN计算范式，生成节点特征，并将图卷积神经网络结果输入至LeakyReLU激活函数中，用于将使原本拟合线性映射的模型转变为可拟合非线性结果。
优选地，根据所述GCN计算范式的方法为：
其中，Hl为第l层的输入特征，Hl+1为第l层的输出特征；wl为线性变换矩阵；σ(·)为非线性的激活函数；为自连邻接矩阵；/>为自连矩阵的度矩阵；
所述LeakyReLU激活函数为：
其中，x为激活值，a为超参数。
优选地，构建所述图神经网络过程监测模型，包括：
基于传统多元统计方法中对于统计量阈值的确定方法，采用3σ法则确定冷轧带钢异常IU值阈值；
建立GCN过程预测模型，对任意两个时刻之后的板形IU值进行预估，若板形IU预估值超过阈值，则认为发生异常，进而构建所述图神经网络过程监测模型。
与现有技术相比，本发明具有如下优点和技术效果：
相较于传统故障监测模型采用的传统多元统计分析方法，图神经网络模型有较好的拟合度、计算速度快以及计算精度高等特点；本发明通过构建与真实机理模型相符的图结构来提高模型精度，对数据模型有一定的可解释性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中图神经网络消息传递范式示意图；
图2为本发明实施例中基于传统CNN的卷积操作示意图；
图3为本发明实施例中基于图结构的卷积操作示意图；
图4为本发明实施例中LeakyReLU激活函数示意图；
图5为本发明实施例中冷轧过程图结构示意图；
图6为本发明实施例中冷轧过程GCN模型图；
图7为本发明实施例中冷轧钢卷IU值实际值折线图；
图8为本发明实施例中冷轧钢卷IU值预测值折线图；
图9为本发明实施例中冷轧钢卷IU值预测值与实际值对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提出了一种基于图神经网络的冷轧工业过程监测方法，包括：
步骤一：数据清洗与特征选择
选取钢卷数据样本库作为工业数据集，数据样本库包含的具体钢卷数据如表1所示。
表1
工业数据集中存在参考变量与重复值等冗余信息，通过数据清洗删除数据冗余信息，保证训练速度与建模精度。
工业数据集中存在过多特征变量，选择更具代表性的部分特征，去除部分与目标特征无关的低质特征达到简化数据集的目的，最终减少训练时长并提高模型的精确度。目前采用皮尔森相关系数为标准选择代表性特征，具体介绍如下：
皮尔森相关系数(Pearson Correlation Coefficient)是一种主要用于衡量不同特征之间相关程度大小的统计量，在数据的预处理中可以用来计算输入参数两两之间的相关程度，可以通过剔除与另外输入参数皮尔森参数大的输入参数来减少输入参数的数量，皮尔森相关系数的计算方法如下：
步骤二：建立图结构数据集
依据冷轧的轧制过程时空图结合专家经验知识库共享建立冷轧过程的图结构。如图5所示为冷轧过程图结构示意图，其中各虚线框代表在空间上分离的各冷轧机架，每个机架中各色的点代表不同的传感器采集得到的特征，各点之间的连接线代表了所连接两点之间存在传递关系。
步骤三：生成节点表征
图神经网络主要目标是为节点生成节点表征(Node Representation)，图神经网络生成节点表征的范式又称消息传递(Message Passing)范式。消息传递范式是指在一个图网络中节点间传递消息的通用操作。如图1所示，节点h1每次更新都需要h1节点与其邻居集中所有节点先进行消息聚合操作。
将消息传递范式用函数表示如下所示：
式中，hv′——当前节点v的在这一层的输出特征；hv——当前节点v的输入特征；——表示对某个节点进行消息传递动作；Nv——节点v的邻居集；hu|u∈Nv——遍历节点v的邻居集；g(·)——消息聚合函数。
其中g(·)一般为Sum，Avg，Max函数，g(·)在GCN的网络层中是一个基于度的加权求和，而在图注意力神经网络中是基于注意力的加权求和，f(·)表示对消息聚合后的节点特征进行神经网络的激活操作。
GCN和卷积神经网络(CNN)类似，具有强大的特征学习能力，它们的实质也是类似的，某个点的卷积可以看成对该点邻居的加权求和。如图2所示为传统的图像(image)卷积操作，每个点表示一个像素，图像的像素也可以看成是一种图(graph)结构，相邻的像素之间有边连接，而卷积是对像素邻居进行加权平均得到的。
对于图结构，采取类似的方法进行卷积，如图3所示，图中红色的节点卷积就等于取其邻居节点进行加权平均。
一个图神经网络层的计算范式如下所示：
针对于GCN计算范式如下所示：
式中，Hl——第l层的输入特征；Hl+1——第l层的输出特征；wl——线性变换矩阵；σ(·)——非线性的激活函数；——自连邻接矩阵；/>——自连矩阵的度矩阵。
其中定义如下所示：
式中，I——单位矩阵；A——邻接矩阵。
其中定义如下所示：
步骤四：确定激活函数进行非线性操作
在对GCN进行计算后需要将计算结果输入至激活函数中，激活函数使得原本只能拟合线性映射关系的模型变得能拟合非线性问题，较为流行的激活函数有：Sigmoid、Tanh、Relu和LeakyRelu等。
传统ReLU激活函数如下所示：
从上式中可以得到，当x小于0时，经过激活函数后节点值为0，反向传播时权值更新为0，最终导致神经元失活，这会影响模型精度。LeakyRelu激活函数是针对Relu激活函数的一种改进形式，如图4所示，两者不同的地方在于LeakyRelu激活函数在负数区域内存在一个较小的斜率，这样就可以避免Relu在输入为负数时输出都为0的问题。
LeakyReLU激活函数，公式如下所示：
从上式中可得到，当x小于0时，赋予一个较小权值，这样能有效在反向传播更新权值时避免神经元失活，提升模型精度，基于此模型最终选择LeakyReLU函数作为激活函数。
步骤五：建立图神经网络过程监测模型
借鉴传统多元统计方法中对于统计量阈值的确定方法，采用3σ法则对冷轧带钢进行异常IU值阈值的确定。运用当前时刻所有参数值建立GCN过程监测模型，对两个时刻之后的板形IU值进行预估，再与IU控制限进行比较，当预估的两个时刻后IU值大于IU控制限时，即判断在未来两个时刻后板形发生异常，从而实现对实际冷轧生产过程的过程监测。
通过图卷积神经网络建立板形偏差值的GCN预测模型，GCN预测模型包括一层输入层、三层图卷积层、一层全连接层以及一层输出层，如图6所示。此模型对于板形IU具有良好的预测精度，如图7、图8、图9所示。输入数据为当前时刻的各参数值，输出数据为两个时刻后的IU值，将输出数据与异常阈值进行比较，构建图神经网络过程监测模型。
对样本库所有测试集基于GCN进行过程监测，测试集基于GCN过程监测模型的结果良好，其监测准确率都保持在98.7％以上，平均监测准确率为99.3％。
与现有技术相比，基于图神经网络过程监测模型可以实现对现有生产过程中的异常进行准确地定位。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于图神经网络的冷轧工业过程监测方法，其特征在于，包括：
获取工业数据，对所述工业数据进行处理，建立行单位数据集；
基于所述行单位数据集，依据带钢轧制过程时空图结合专家经验知识库建立冷轧过程的图结构数据集；
构建图神经网络过程监测模型，根据数据特性确定统计量阈值的计算方法并计算异常阈值；根据所述监测模型的所得值与所述异常阈值进行比较，通过比较结果对冷轧工业过程进行监测。
2.根据权利要求1所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，对所述工业数据进行处理，包括：
对所述工业数据进行清洗，去除参考值与重复值；
对所述工业数据进行特征选择，去除与目标无关的低质特征。
3.根据权利要求2所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，采用皮尔森相关系数为标准对所述工业数据进行特征选择，所述皮尔森相关系数的计算方法为：
其中，X、Y为变量，N为样本量。
4.根据权利要求1所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，建立所述图结构数据集，包括：
将原始以行或列为单位的数据集转变为以图为单位的图结构，获取所述图结构数据集。
5.根据权利要求1所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，建立所述冷轧过程的图结构数据集，包括：
依据冷轧的轧制过程时空图结合专家经验知识库共享，建立冷轧过程的图结构数据集。
6.根据权利要求1所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，构建所述图神经网络过程监测模型前包括：
生成节点表征，确定激活函数进行非线性操作，包括；
根据GCN计算范式，生成节点特征，并将图卷积神经网络结果输入至LeakyReLU激活函数中，用于将使原本拟合线性映射的模型转变为可拟合非线性结果。
7.根据权利要求6所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，根据所述GCN计算范式的方法为：
其中，Hl为第l层的输入特征，Hl+1为第l层的输出特征；wl为线性变换矩阵；σ(·)为非线性的激活函数；为自连邻接矩阵；/>为自连矩阵的度矩阵；
所述LeakyReLU激活函数为：
其中，x为激活值，a为超参数。
8.根据权利要求1所述的基于图神经网络的冷轧工业过程监测方法，其特征在于，构建所述图神经网络过程监测模型，包括：
基于传统多元统计方法中对于统计量阈值的确定方法，采用3σ法则确定冷轧带钢异常IU值阈值；
建立GCN过程预测模型，对任意两个时刻之后的板形IU值进行预估，若板形IU预估值超过阈值，则认为发生异常，进而构建所述图神经网络过程监测模型。
CN202310564327.0A 2023-05-17 2023-05-17 一种基于图神经网络的冷轧工业过程监测方法 Pending CN116560277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310564327.0A CN116560277A (zh) 2023-05-17 2023-05-17 一种基于图神经网络的冷轧工业过程监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310564327.0A CN116560277A (zh) 2023-05-17 2023-05-17 一种基于图神经网络的冷轧工业过程监测方法

Publications (1)

Publication Number Publication Date
CN116560277A true CN116560277A (zh) 2023-08-08

Family

ID=87487700

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310564327.0A Pending CN116560277A (zh) 2023-05-17 2023-05-17 一种基于图神经网络的冷轧工业过程监测方法

Country Status (1)

Country Link
CN (1) CN116560277A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113468479A (zh) * 2021-06-16 2021-10-01 北京科技大学 一种基于数据驱动的冷连轧工业过程监测与异常检测方法
CN113705888A (zh) * 2021-08-27 2021-11-26 浙江工业大学 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统
CN114077811A (zh) * 2022-01-19 2022-02-22 华东交通大学 一种基于图神经网络的电力物联网设备异常检测方法
CA3131843A1 (en) * 2020-09-25 2022-03-25 Royal Bank Of Canada System and method for structure learning for graph neural networks
CN114881115A (zh) * 2022-04-02 2022-08-09 中国科学院计算技术研究所 一种基于图神经网络的多变量时间序列异常检测方法及系统
CN115127192A (zh) * 2022-05-20 2022-09-30 中南大学 基于图神经网络的半监督的冷水机组故障诊断方法及系统
CN115293280A (zh) * 2022-08-17 2022-11-04 西安交通大学 基于时空特征分割重构的动力装备系统异常检测方法
CN115758697A (zh) * 2022-11-09 2023-03-07 北京科技大学顺德创新学院 基于分布式典型相关性分析的动态系统数据驱动故障检测方法
CN115906954A (zh) * 2022-12-09 2023-04-04 北京数洋智慧科技有限公司 一种基于图神经网络的多变量时间序列预测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3131843A1 (en) * 2020-09-25 2022-03-25 Royal Bank Of Canada System and method for structure learning for graph neural networks
CN113468479A (zh) * 2021-06-16 2021-10-01 北京科技大学 一种基于数据驱动的冷连轧工业过程监测与异常检测方法
CN113705888A (zh) * 2021-08-27 2021-11-26 浙江工业大学 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统
CN114077811A (zh) * 2022-01-19 2022-02-22 华东交通大学 一种基于图神经网络的电力物联网设备异常检测方法
CN114881115A (zh) * 2022-04-02 2022-08-09 中国科学院计算技术研究所 一种基于图神经网络的多变量时间序列异常检测方法及系统
CN115127192A (zh) * 2022-05-20 2022-09-30 中南大学 基于图神经网络的半监督的冷水机组故障诊断方法及系统
CN115293280A (zh) * 2022-08-17 2022-11-04 西安交通大学 基于时空特征分割重构的动力装备系统异常检测方法
CN115758697A (zh) * 2022-11-09 2023-03-07 北京科技大学顺德创新学院 基于分布式典型相关性分析的动态系统数据驱动故障检测方法
CN115906954A (zh) * 2022-12-09 2023-04-04 北京数洋智慧科技有限公司 一种基于图神经网络的多变量时间序列预测方法及装置

Similar Documents

Publication Publication Date Title
Gao et al. A semi-supervised convolutional neural network-based method for steel surface defect recognition
Bai et al. Barriers for green supplier development programs in manufacturing industry
Liu et al. Single-machine-based joint optimization of predictive maintenance planning and production scheduling
CN111340282B (zh) 基于da-tcn的设备剩余使用寿命的估计方法及系统
CN110705710A (zh) 一种基于知识图谱的工业故障分析专家系统
US10963990B2 (en) Automated image measurement for process development and optimization
Bouhouche et al. Evaluation using online support-vector-machines and fuzzy reasoning. Application to condition monitoring of speeds rolling process
CN113536670B (zh) 一种群体产品剩余寿命预测的联邦迁移学习方法
US20180259921A1 (en) Data-Difference-Driven Self-Learning Dynamic Optimization Method For Batch Process
CN109472097B (zh) 一种输电线路在线监测设备故障诊断方法
Xiao et al. A fusion data preprocessing method and its application in complex industrial power consumption prediction
Maged et al. Uncertainty utilization in fault detection using Bayesian deep learning
CN111597229A (zh) 一种基于高维点过程的金融时间序列的因果关系学习方法
CN115115113A (zh) 基于图注意力网络关系嵌入的设备故障预测方法及系统
Acosta et al. Machine learning-based control charts for monitoring fraction nonconforming product in smart manufacturing
CN105741184B (zh) 一种变压器状态评估方法及装置
CN116560277A (zh) 一种基于图神经网络的冷轧工业过程监测方法
CN113536671A (zh) 一种基于lstm的锂电池寿命预测方法
ul Hassan et al. Online static security assessment for cascading failure using stacked De-noising Auto-encoder
Tirovolas et al. Introducing fuzzy cognitive map for predicting engine’s health status
EP4246375A1 (en) Model processing method and related device
Lechwar et al. Use of artificial intelligence in classification of mill scale defects
CN115578325A (zh) 一种基于通道注意配准网络的图像异常检测方法
CN114819262A (zh) 基于非线性退化的轧辊剩余寿命预测实现方法
JPH10122917A (ja) 設備及び製品プロセス異常状態の診断方法及び診断装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination