LU601247B1 - Ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz - Google Patents
Ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen IntelligenzInfo
- Publication number
- LU601247B1 LU601247B1 LU601247A LU601247A LU601247B1 LU 601247 B1 LU601247 B1 LU 601247B1 LU 601247 A LU601247 A LU 601247A LU 601247 A LU601247 A LU 601247A LU 601247 B1 LU601247 B1 LU 601247B1
- Authority
- LU
- Luxembourg
- Prior art keywords
- module
- parameter
- multimodal
- generates
- artificial intelligence
- Prior art date
Links
Classifications
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Die vorliegende Erfindung stellt ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz bereit und bezieht sich auf das Gebiet der industriellen Intelligenztechnologie. Das industrielle Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz umfasst die folgenden Schritte: S1: auf der Grundlage von heterogenen Daten aus mehreren Quellen von Industrieanlagen werden Schwingungssignale verarbeitet, um Spektrogramme zu erzeugen, Bildmerkmale zu extrahieren, Textprotokolle semantisch zu kodieren, verschiedene modale Merkmalsverteilungen auszurichten und multimodale gemeinsame Merkmalsvektoren zu erzeugen. Das Vibrationssignal wird durch einen multimodalen adversen Domänenanpassungsalgorithmus in ein Spektrogramm umgewandelt, und Bildmerkmale werden durch die Kombination eines neuronalen Faltungsnetzwerks extrahiert, während die Textprotokolle mit Hilfe eines bidirektionalen Lang- und Kurzzeitgedächtnisnetzwerks semantisch kodiert werden, um die Interferenz von Geräteunterschieden zu eliminieren, eine effektive Ausrichtung von modalübergreifenden Merkmalen zu erreichen, das Problem der Heterogenität industrieller Multi-Source-Daten zu lösen und die Qualität der Datenfusion zu verbessern.
Description
Ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage LU601247 von Algorithmen der künstlichen Intelligenz
Technischer Bereich
Die vorliegende Erfindung bezieht sich auf das Gebiet der industriellen
Intelligenztechnologie, insbesondere auf ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz.
Technologie im Hintergrund
Industrielle Intelligenz ist ein technologieübergreifender Bereich, der künstliche
Intelligenz, Big-Data-Analyse und Industriemechanik integriert und sich auf die Optimierung von Fertigungsprozessen, die Vorhersage von Anlagenausfällen und die Verbesserung der
Ressourcennutzung durch datengesteuerte intelligente Technologien konzentriert. Sein Kernziel ist der Aufbau eines industriellen Systems mit autonomer Wahrnehmung, Echtzeitanalyse und dynamischer Entscheidungsfindung. Die Schlüsseltechnologien umfassen maschinelles Lernen,
Deep Learning, industrielle Wissensgraphen und Edge Computing sowie Anwendungsszenarien wie das Gesundheitsmanagement von Anlagen, die Optimierung von Produktionsprozessen und die Zusammenarbeit in der Lieferkette. Die auf Algorithmen der künstlichen Intelligenz basierende Methode und das System zur industriellen Big-Data-Verarbeitung beziehen sich auf die Verarbeitung heterogener industrieller Daten aus mehreren Quellen mit Hilfe von Modellen des maschinellen Lernens sowie auf den Aufbau einer durchgängigen Datenanalyse- und
Entscheidungskette. Ziel ist die Überwachung und Vorhersage des Betriebszustands von
Industrieanlagen in Echtzeit, die Optimierung der Konfiguration von
Produktionsprozessparametern, die Ermittlung der Ursachen von Qualitätsmängeln und die dynamische Anpassung der Produktionsstrategie zur Verbesserung der Fertigungseffizienz und der Ressourcennutzung, um die Nachfrage nach präzisen Entscheidungen, Kostensenkungen und Effizienzsteigerungen bei der intelligenten Transformation von Unternehmen zu unterstützen.
Beim Umgang mit heterogenen Daten aus mehreren Quellen in der Industrie stützt sich die multimodale Merkmalsfusion in der Regel auf einfaches Splicing oder eine gewichtete
Mittelwertbildung, mit der sich die durch die unterschiedlichen Anlagentypen verursachte
Verteilungsverzerrung nur schwer beseitigen lässt, was zu einer geringeren Genauigkeit der geräteübergreifenden Zustandsvorhersage führt. Die meisten Methoden zur Bewertung des
Gerätezustands basieren auf einer isolierten Modellanalyse, bei der die topologischen
Beziehungen zwischen den Geräten und die Fehlerausbreitungswege nicht explizit modelliert werden und die dynamische Korrelation zwischen den Knoten in einem komplexen
Industriesystem nicht erfasst wird, was zu einer verzerrten Lokalisierung der Fehlerursache führt.
Inhalt der Erfindung
Mit Blick auf die Mängel des Standes der Technik stellt die vorliegende Erfindung ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz bereit, das das Problem löst, dass im Stand der Technik beim
Umgang mit heterogenen industriellen Daten aus mehreren Quellen die multimodale
Merkmalsfusion in der Regel auf einfachem Spleißen oder gewichteter Mittelwertbildung beruht, was es schwierig macht, Verteilungsfehler, die durch Unterschiede in den Gerätetypen verursacht werden, wirksam zu beseitigen, was zu einer Abnahme der Genauigkeit der geräteübergreifenden Zustandsvorhersage führt.
Um den oben genannten Zweck zu erreichen, wird die vorliegende Erfindung durch di&Ue01247 folgende technische Losung erreicht: ein industrielles Big-Data-Verarbeitungsverfahren auf der
Grundlage eines Algorithmus der künstlichen Intelligenz, das die folgenden Schritte umfasst:
S1: Auf der Grundlage von heterogenen Daten aus mehreren Quellen von Industrieanlagen werden Vibrationssignale verarbeitet, um Spektrogramme zu erzeugen, Bildmerkmale zu extrahieren, Textprotokolle ~~ semantisch zu kodieren, verschiedene = modale
Merkmalsverteilungen auszurichten und multimodale gemeinsame Merkmalsvektoren zu erzeugen;
S2: Auf der Grundlage des multimodalen gemeinsamen Merkmalsvektors wird die
Topologiekarte der Ausrüstung konstruiert, das Gesetz über die Entwicklung des
Ausrüstungszustands extrahiert, die Daten über den Arbeitszustand integriert, um die
Gewichtung des Gesundheitszustands des Knotens zu berechnen und die Bewertung des
Gesundheitszustands der Ausrüstung zu erstellen;
S3: Kombinieren Sie die Ausrüstungszustandsbewertung und die Prozessparameter, trainieren Sie den intelligenten Körper, um die Prozessvariablen zu kontrollieren, simulieren Sie die extremen Arbeitsbedingungsdaten, um das Strategienetzwerk anzupassen, und erzeugen Sie den dynamisch optimierten Prozessparametersatz;
S4: Konstruktion des Kausaldiagramms von Prozessparametern und Qualitätsindikatoren,
Simulation der Auswirkungen von Parameteranpassungen, iterative Suche nach dem optimalen
Wertebereich von Schlüsselparametern und Erstellung kausal gesteuerter
Prozessverbesserungspläne.
Vorzugsweise umfasst die Erzeugung eines multimodalen gemeinsamen Merkmalsvektors auf der Grundlage von S1 die folgenden Schritte:
S101: Verarbeiten des Vibrationssignals zur Erzeugung eines Spektrogramms, Extrahieren lokaler Merkmale, Eliminieren von Sensorrauschen und Erzeugen des gemeinsamen Vibrations- und Bildmerkmalsvektors;
S102: semantische Kodierung der Betriebs- und Wartungsprotokolle, Kombination der gemeinsamen Vibrations- und Bildmerkmalsvektoren, um die Verteilung auszurichten, und
Erzeugung des multimodalen gemeinsamen Merkmalsvektors.
Vorzugsweise umfasst das Erzeugen der Bewertung des Anlagenzustands auf der
Grundlage von S2 die folgenden Schritte:
S201: Konstruieren von Geräteknotenbeziehungen, Berechnen von
Fehlerausbreitungsgewichten und Erzeugen einer topologischen
Gerätebeziehungsmerkmalskarte;
S202: Segmentierung der Betriebsdaten der Ausrüstung, Verschmelzung der historischen
Betriebszustandsdaten, dynamische Gewichtung der Zeitschrittmerkmale und Erzeugung der
Bewertung des Gesundheitszustands der Ausrüstung.
Vorzugsweise umfasst die Erzeugung eines dynamisch optimierten Satzes von
Prozessparametern auf der Grundlage der dynamischen Optimierung in S3 die folgenden
Schritte:
S301: Zuweisung von Prozessparameter-Intelligenzen, Initialisierung des
Strategie-Netzwerks und Erzeugung eines kooperativen
Mehrparameter-Regelungs-Strategie-Netzwerks;
S302: Simulieren extremer Betriebsbedingungsdaten, Anpassen der Randbedingungen des
Strategienetzes und Erzeugen des dynamisch optimierten Prozessparametersatzes.
Vorzugsweise umfasst die Erzeugung eines kausal gesteuertes+/601 247
Prozessverbesserungsschemas auf der Grundlage von S4 die folgenden Schritte:
S401: Erstellen einer Kausalkarte von Prozessparametern und Qualitätsindikatoren,
Eliminieren pseudokorrelierter Variablen und Erzeugen eines kausalen Prozessparameter- und
Qualitätsnetzwerks:;
S402: Simulation der Auswirkung von Parametereingriffen, Suche nach der optimalen
Kombination von Parametern, die die Beschränkungen erfüllen, und Erzeugung eines kausalitätsgesteuerten Prozessverbesserungsschemas.
Fin industrielles Big-Data-Verarbeitungssystem auf der Grundlage von Algorithmen der künstlichen Intelligenz basiert, wobei das industrielle Big-Data-Verarbeitungssystem die folgenden Module umfasst: ein Modul zur Verarbeitung multimodaler Merkmale, ein Modul zur
Bewertung des Gerätezustands, ein Modul zur Entscheidungsfindung bei der
Prozessoptimierung und ein Modul zur Verbesserung der Kausalanalyse;
Das Modul zur Verarbeitung multimodaler Merkmale verarbeitet Schwingungssignale, um
Spektrogramme zu erzeugen, extrahiert Bildmerkmale, kodiert Textprotokolle, gleicht multimodale Verteilungen ab und erzeugt multimodale gemeinsame Merkmalsvektoren;
Das Modul zur Verarbeitung multimodaler Merkmale umfasst ein Untermodul zur
Verarbeitung von Vibrationsbildern, ein Untermodul zur semantischen Textkodierung und ein
Untermodul zur Merkmalsausrichtung;
Modul zur Bewertung des Gerätezustands, das topologische Beziehungsgraphen des
Geräts konstruiert, Ausbreitungsgewichte berechnet, Zeitserien-Arbeitszustandsdaten fusioniert und Bewertungen des Gerätezustands erzeugt;
Das Modul zur Bewertung des Anlagenzustands umfasst ein Untermodul zur Erstellung topologischer Beziehungen und ein Untermodul zur Faltung von Zeitreihengraphen;
Prozessoptimierungs-Entscheidungsfindungsmodul, das
Prozessparameter-Kontrollstrategien zuweist, intelligente Körper trainiert, um an
Optimierungszielen zusammenzuarbeiten, extreme Arbeitsbedingungen simuliert, um Parameter anzupassen, und dynamisch optimierte Prozessparametersätze erzeugt;
Das Prozessoptimierungs-Entscheidungsfindungsmodul umfasst ein Untermodul für die
Zusammenarbeit mehrerer intelligenter Körper und ein Untermodul für die Simulation extremer
Arbeitsbedingungen;
Das Kausalanalyse- und Verbesserungsmodul konstruiert ein Parameter- und
Qualitätskausalnetzwerk, simuliert die Wirkung von Parametereingriffen, sucht iterativ nach der optimalen Lösung und erzeugt ein kausal gesteuertes Prozessverbesserungsschema;
Das Modul zur Verbesserung der Kausalanalyse umfasst ein Untermodul zur
Kausalerkennung und ein Untermodul zur kontrafaktischen Optimierung.
Vorzugsweise ein Untermodul zur Verarbeitung von Schwingungsbildern, das ein
Spektrogramm erzeugt, Frequenzbereichsmerkmale extrahiert, Rauschen eliminiert und gemeinsame Schwingungs- und Bildmerkmalsvektoren erzeugt;
Untermodul zur semantischen Textkodierung, das kontextuelle Semantik kodiert,
Fehlerbeschreibungs-Zeitkorrelationsmerkmale extrahiert und textuelle Merkmalsvektoren erzeugt;
Teilmodul für die Merkmalsausrichtung, das die Verteilungen von Vibrations-, Bild- und
Textmerkmalen ausrichtet, multimodale gemeinsame Merkmalsvektoren erzeugt, multimodale gemeinsame Merkmalsvektoren erzeugt.
Vorzugsweise konstruiert das Submodul für die Konstruktion der topologischen Beziehung /601 247 die Beziehung zwischen den Geräteknoten, definiert die Gewichte der Fehlerausbreitungspfade und erzeugt die Merkmalskarte für die topologische Beziehung der Geräte;
Ein Zeitschrittgraphenfaltungs-Submodul, das historische Betriebszustandsdaten verschmilzt, Zeitschrittmerkmale dynamisch gewichtet und Ausrüstungszustandsbewertungen erzeugt.
Vorzugsweise ein Multi-Intelligenz-Synergie-Submodul, das den Prozessparametern unabhängige Intelligenzen zuordnet und ein Multiparameter-Synergie-Kontrollstrategienetz erzeugt;
Untermodul für die Simulation extremer Betriebsbedingungen, das Daten über extreme
Betriebsbedingungen erzeugt, das Strategie-Netzwerk optimiert und einen dynamisch optimierten Satz von Prozessparametern erzeugt.
Vorzugsweise ein Untermodul zur Kausalitätserkennung, das Parameter- und
Qualitätskausaldiagramme erstellt, pseudokorrelierte Variablen eliminiert und kausale
Prozessparameter- und Qualitätsnetzwerke erzeugt;
Untermodul für die kontrafaktische Optimierung, das Parametereingriffe simuliert, nach optimalen Parameterkombinationen sucht, die Beschränkungen erfüllen, und kausal gesteuerte
Prozessverbesserungsschemata erzeugt.
Die vorliegende Erfindung stellt ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz. Die folgenden vorteilhaften Effekte werden bereitgestellt:
Die vorliegende Erfindung konvertiert Vibrationssignale in Spektrogramme durch einen multimodalen adversen Domänenanpassungsalgorithmus und extrahiert Bildmerkmale in
Kombination mit einem neuronalen Faltungsnetzwerk, während sie ein bidirektionales Lang- und Kurzzeitgedächtnisnetzwerk für die semantische Kodierung von Textprotokollen einsetzt,
Störungen durch Geräteunterschiede eliminiert, den effektiven Abgleich von cross-modalen
Merkmalen realisiert, das Problem der Heterogenität von industriellen Multiquellendaten löst und die Qualität der Datenfusion verbessert. Auf der Grundlage des durch den Wissensgraphen erweiterten Graphenaufmerksamkeitsnetzes wird die Knotenverbindungsbeziehung durch die
Kombination der topologischen Beziehungsabbildung der Geräte definiert, und das Gesetz über die Entwicklung des Gerätezustands wird durch den zeitlichen Schiebefenstermechanismus extrahiert, um die räumlich-zeitliche Modellierungsfähigkeit der Bewertung des Gerätezustands zu verbessern und die Mängel der traditionellen Methoden zu überwinden, die bei der
Modellierung der Gerätekorrelation unzureichend sind. Die Annahme der Multi-Intelligenz
Körper tief Verstärkungslernen Rahmen, kombiniert mit dem generativen kontradiktorischen
Netzwerk, um die extreme Arbeitsbedingungen Daten zu simulieren, dynamisch die Balance der Exploration und Nutzung der Strategie-Netzwerk, das Erreichen der dynamischen optimale
Konfiguration der Prozessparameter und die Vermeidung des Problems der lokalen Optimalität durch menschliche Erfahrung Intervention verursacht. Das strukturelle Kausalmodell wird eingeführt, um das Kausaldiagramm von Prozessparametern und Qualitätsindikatoren zu konstruieren, die Auswirkungen der Parameteranpassung auf der Grundlage kontrafaktischer
Überlegungen zu simulieren und iterativ nach dem optimalen Wertebereich von
Schlüsselparametern zu suchen, indem es mit der Bayes‘schen Optimierung kombiniert wird, um die Fehlerhäufung in der traditionellen statistischen Korrelationsanalyse zu beseitigen und die — Interpretierbarkeit und Zuverlässigkeit = der Entscheidungsfindung des
Prozessverbesserungsplans zu verbessern. Die oben genannten technischen Mittel bilden einer 601247 geschlossenen Prozess der mehrdimensionalen synergetischen Optimierung, der von der
Datenfusion über die Zustandsbewertung und die Parameteroptimierung bis hin zur kausalen
Entscheidungsfindung reicht und letztlich die Verbesserung der Präzision, der dynamischen 5 Anpassungsfähigkeit und der Optimierung der Ressourcennutzung im gesamten
Lebenszyklusmanagement von Industrieanlagen ermöglicht.
Beschreibung der beigefügten Zeichnungen
Bild 1 zeigt ein Blockdiagramm des Systems der vorliegenden Erfindung;
Bild 2 zeigt ein schematisches Diagramm der wichtigsten Schritte der vorliegenden
Erfindung;
Bild 3 zeigt ein schematisches Diagramm der S1-Veredelung der vorliegenden Erfindung;
Bild 4 zeigt ein schematisches Diagramm der S2-Veredelung der vorliegenden Erfindung;
Bild 5 zeigt ein schematisches Diagramm der S3-Veredelung der vorliegenden Erfindung;
Bild 6 zeigt ein schematisches Diagramm der S4-Verfeinerung der vorliegenden
Erfindung.
Detaillierte Beschreibung
Die technischen Lösungen in den Ausführungsformen der vorliegenden Erfindung werden im Folgenden in Verbindung mit den beigefügten Zeichnungen in den Ausführungsformen der vorliegenden Erfindung klar und vollständig beschrieben, und es ist offensichtlich, dass die beschriebenen Ausführungsformen nur einen Teil der Ausführungsformen der vorliegenden
Erfindung und nicht alle Ausführungsformen darstellen. Ausgehend von den
Ausführungsformen der vorliegenden Erfindung fallen alle anderen Ausführungsformen, die von einem Fachmann ohne schöpferische Arbeit erreicht werden, in den Schutzbereich der vorliegenden Erfindung.
Ausführungsform
Wie in Bilder 1-6 gezeigt, stellt eine Ausführungsform der vorliegenden Erfindung ein industrielles Big Data-Verarbeitungsverfahren auf der Grundlage eines Algorithmus der künstlichen Intelligenz bereit, das die folgenden Schritte umfasst:
S1: Basierend auf heterogenen Daten aus mehreren Quellen von Industrieanlagen wird das
Schwingungssignal verarbeitet, um ein Spektrogramm zu erzeugen, Bildmerkmale zu extrahieren, das Textprotokoll semantisch zu kodieren, verschiedene modale
Merkmalsverteilungen abzugleichen und einen gemeinsamen multimodalen Merkmalsvektor zu erzeugen;
Das Vibrationssignal wird durch Kurzzeit-Fourier-Transformation in ein
Zeit-Frequenz-Spektrogramm umgewandelt, und Frequenzbereich-Merkmale werden mit Hilfe eines neuronalen Faltungsnetzwerks extrahiert; die Semantik des Textprotokolls wird mit Hilfe eines bidirektionalen Lang- und Kurzzeitgedächtnis-Netzwerks kodiert, und die multimodalen
Verteilungen werden mit Hilfe eines Algorithmus zur adversen Bereichsanpassung abgeglichen, um multimodale gemeinsame Merkmalsvektoren zu erzeugen.
S2: Auf der Grundlage des multimodalen gemeinsamen Merkmalsvektors konstruieren Sie die topologische Beziehungskarte der Ausrüstung, extrahieren Sie das Gesetz zur Entwicklung des Ausrüstungszustands, fusionieren Sie die Arbeitszustandsdaten, um das Gewicht des
Gesundheitszustands des Knotens zu berechnen, und erzeugen Sie die Bewertung des
Gesundheitszustands der Ausrüstung;
Anwendung des Graph-Attention-Netzes, um die Adjazenzmatrix der Anlagentopologie zu erstellen, Kombination des Lang- und Kurzzeitgedächtnis-Netzes, um die Zeitsequenzdaten des V601 247
Arbeitszustands zu verarbeiten und die Bewertung des Gesundheitszustands der Anlage durch die Verschmelzung von Merkmalen über den Mechanismus der Selbstaufmerksamkeit zu erstellen.
S3: Kombinieren Sie die Werte für den Gesundheitszustand der Ausrüstung mit den
Prozessparametern, trainieren Sie intelligente Kôrper, um die Prozessvariablen zu kontrollieren, simulieren Sie die Daten der extremen Arbeitsbedingungen, um das Strategienetzwerk anzupassen, und erzeugen Sie dynamisch optimierte Prozessparametersätze;
Konstruktion eines tiefgehenden deterministischen Strategie-Gradienten-Rahmens mit mehreren intelligenten Körpern, Simulation von Daten über extreme Arbeitsbedingungen durch ein adversarisches Netzwerk der bedingten Generation und Anwendung der proximalen
Strategieoptimierung zur Aktualisierung der Kontrollstrategie.
S4: Konstruktion des Kausaldiagramms von Prozessparametern und Qualitätsindikatoren,
Simulation der Auswirkungen der Parameteranpassung, iterative Suche nach dem optimalen
Wertebereich der Schlüsselparameter und Erstellung des kausal gesteuerten
Prozessverbesserungsplans.
Konstruieren Sie ein Kausaldiagramm auf der Grundlage eines Bayes'schen Netzwerks, verwenden Sie kontrafaktische Überlegungen zur Simulation von Parametereingriffen und kombinieren Sie diese mit einem Algorithmus zur Mehrzieloptimierung, um ein
Prozessverbesserungsprogramm zu erstellen.
Die Erzeugung eines multimodalen gemeinsamen Merkmalsvektors auf der Grundlage von
S1 umfasst die folgenden Schritte:
S101: Verarbeitung des Vibrationssignals zur Erzeugung eines Spektrogramms, Extraktion lokaler Merkmale, Eliminierung von Sensorrauschen und Erzeugung eines gemeinsamen
Vibration-Bild-Merkmalsvektors;
Durchführen einer Wavelet-Paket-Zerlegung des Vibrationssignals, Extrahieren von
Meier-Frequenz-Cepstrum-Merkmalen und Anwenden einer nicht-lokalen
Mittelwert-Entrauschung, um Vibrations- und Bildverbindungs-Merkmalsvektoren zu erzeugen.
S102: Semantische Kodierung von Betriebs- und Wartungsprotokollen, kombiniert mit
Vibrations- und gemeinsamen Bildmerkmalsvektoren, die an der Verteilung ausgerichtet sind, um multimodale gemeinsame Merkmalsvektoren zu erzeugen.
Auf der Grundlage des vergleichenden Lernsystems werden die Vibrations- und
Bildmerkmale mit den im Transformer kodierten Textmerkmalen abgeglichen, um einen gemeinsamen multimodalen Merkmalsvektor zu erzeugen.
Das Erzeugen einer Bewertung des Gerätezustands auf der Grundlage von S2 umfasst die folgenden Schritte:
S201: Konstruieren von Geräteknotenbeziehungen, Berechnen von
Fehlerfortpflanzungsgewichten und Erzeugen eines topologischen
Gerätebeziehungsmerkmalsgraphen;
Konstruieren der topologischen Graphenstruktur, Berechnen des in den Knoten eingebetteten Fehlerausbreitungseinflussfaktors und Extrahieren kritischer Pfadmerkmale, um die topologische Beziehungsmerkmalskarte zu erzeugen.
Zeichen, um eine topologische Beziehungsmerkmalskarte zu erzeugen.
S202: Segmentieren Sie die Betriebsdaten der Anlage, verschmelzen Sie die historischen
Betriebszustandsdaten und gewichten Sie die Zeitschrittmerkmale dynamisch, um die
Bewertung des Anlagenzustands zu erzeugen. LU601247
Die topologische Merkmalskarte wird in ein räumlich-zeitliches Graphenfaltungsnetz eingegeben, das die Zeitschrittsegmente der Betriebsdaten fusioniert und dynamisch gewichtet, um eine Zustandsbewertung zu erzeugen.
Das Erzeugen eines dynamisch optimierten Satzes von Prozessparametern auf der
Grundlage der dynamischen Optimierung in S3 umfasst die folgenden Schritte:
S301: Zuweisung von Prozessparameter-Intelligenzen, Initialisierung des Strategienetzes und Erzeugung eines kooperativen Mehrparameter-Regelungsstrategienetzes;
Zuweisung unabhängiger Wertnetzwerke fiir Prozessparameter und Aufbau eines
Ko-Optimierungsstrategienetzwerks durch einen Parameter-Sharing-Mechanismus.
S302: Simulation extremer Arbeitsbedingungsdaten, Anpassung der Randbedingungen des
Strategienetzes und Erzeugung eines dynamisch optimierten Prozessparametersatzes.
Das Strategienetz wird aufgerufen, um extreme Störungen der Betriebsbedingungen aufzuerlegen, und die Optimierung des Vertrauensbereichs wird angewendet, um die
Parametereinschrankungen anzupassen.
Die Generierung eines kausalitätsgesteuerten Prozessverbesserungsschemas auf der
Grundlage von S4 umfasst die folgenden Schritte:
S401: Konstruktion eines kausalen Graphen von Prozessparametern und
Qualitatsindikatoren, Eliminierung pseudokorrelierter Variablen und Generierung kausaler
Netzwerke von Prozessparametern und Qualitätsindikatoren;
Anwendung eines kausalen Entdeckungsalgorithmus, um einen gerichteten azyklischen
Graphen zu konstruieren, wobei pseudokorrelierte Variablen eliminiert werden, um ein kausales
Netzwerk zu erzeugen.
S402: Simulation der Auswirkungen von Parametereingriffen, Suche nach den optimalen
Parameterkombinationen, die die Randbedingungen erfüllen, und Erstellung eines kausal gesteuerten Prozessverbesserungsplans.
Umsetzung von Maßnahmen auf der Grundlage von Strukturgleichungsmodellen und
Suche nach Pareto-optimalen Lösungen durch eingeschränkte Bayes'sche Optimierung.
Ein industrielles Big-Data-Verarbeitungssystem auf der Grundlage von Algorithmen der künstlichen Intelligenz, das die folgenden Module umfasst: ein Modul zur Verarbeitung multimodaler Merkmale, ein Modul zur Bewertung des Anlagenzustands, ein Modul zur
Entscheidungsfindung bei der Prozessoptimierung und ein Modul zur Verbesserung der
Kausalanalyse;
Das Modul zur Verarbeitung multimodaler Merkmale verarbeitet Schwingungssignale, um
Spektrogramme zu erzeugen, extrahiert Bildmerkmale, kodiert Textprotokolle, gleicht multimodale Verteilungen ab und erzeugt multimodale gemeinsame Merkmalsvektoren;
Das Modul zur Verarbeitung multimodaler Merkmale umfasst ein Untermodul zur
Verarbeitung von Vibrationsbildern, ein Untermodul zur semantischen Textkodierung und ein
Untermodul zur Merkmalsausrichtung;
Modul zur Bewertung des Gerätezustands, das topologische Beziehungsgraphen des
Geräts konstruiert, Ausbreitungsgewichte berechnet, Zeitserien-Arbeitszustandsdaten fusioniert und Bewertungen des Gerätezustands erzeugt;
Das Modul zur Bewertung des Anlagenzustands umfasst ein Untermodul zur Erstellung topologischer Beziehungen und ein Untermodul zur Faltung von Zeitreihengraphen;
Das Prozessoptimierungs-Entscheidungsfindungsmodul, das
Prozessparameter-Kontrollstrategien zuweist, intelligente Körper trainiert, um at 601247
Optimierungszielen zusammenzuarbeiten, extreme Arbeitsbedingungen simuliert, um Parameter anzupassen, und dynamisch optimierte Prozessparametersätze erzeugt;
Das Prozessoptimierungs-Entscheidungsfindungsmodul umfasst ein Untermodul für die
Zusammenarbeit mehrerer intelligenter Körper und ein Untermodul für die Simulation extremer
Arbeitsbedingungen;
Das Kausalanalyse- und Verbesserungsmodul konstruiert ein Parameter- und
Qualitätskausalnetzwerk, simuliert die Wirkung von Parametereingriffen, sucht iterativ nach der optimalen Lösung und erzeugt ein kausal gesteuertes Prozessverbesserungsschema;
Das Modul zur Verbesserung der Kausalanalyse umfasst ein Untermodul zur
Kausalerkennung und ein Untermodul zur kontrafaktischen Optimierung.
Untermodul zur Verarbeitung von Schwingungsbildern, das Spektrogramme erzeugt,
Frequenzbereichsmerkmale extrahiert, Rauschen eliminiert und gemeinsame Schwingungs- und
Bildmerkmalsvektoren erzeugt;
Generierung eines Zeit-Frequenz-Spektrogramms des Vibrationssignals durch
Kurzzeit-Fourier-Transformation, Extraktion von Frequenzbereichsmerkmalen durch ein neuronales Faltungsnetzwerk, Kombination mit einem Algorithmus zur Rauschunterdrückung (non-local mean denoising) und Ausgabe eines gemeinsamen Merkmalsvektors von Vibration und Bild.
Untermodul zur semantischen Kodierung von Text, Kodierung von Kontextsemantik,
Extraktion von Fehlerbeschreibungs-Zeitkorrelationsmerkmalen, Erzeugung eines
Textmerkmalvektors;
Basierend auf dem bidirektionalen Netzwerk des Lang- und Kurzzeitgedächtnisses werden
Betriebs- und Wartungsprotokolle kodiert, zeitliche Assoziationssemantiken durch den
Aufmerksamkeitsmechanismus extrahiert und Textmerkmalsvektoren erzeugt.
Untermodul für den Merkmalsabgleich, Abgleich von Vibrations-, Bild- und
Textmerkmalsverteilungen, Erzeugung multimodaler gemeinsamer Merkmalsvektoren,
Erzeugung multimodaler gemeinsamer Merkmalsvektoren.
Übernahme des Algorithmus zur multimodalen adversen Domänenanpassung,
Angleichung der cross-modalen Verteilung durch Wasserstein-Abstandsoptimierung im gemeinsamen verborgenen Raum, Ausgabe eines 256-dimensionalen multimodalen gemeinsamen Merkmalsvektors.
Submodul für die Konstruktion der topologischen Beziehung, konstruiert die Beziehung zwischen den Geräteknoten, definiert die Gewichte der Fehlerausbreitungspfade und generiert eine Feature-Map für die topologische Beziehung der Geräte;
Konstruktion des topologischen Graphen der Ausrüstung, basierend auf dem
Graph-Attention-Network = Berechnung der Fehlerausbreitungsgewichte zwischen den Knoten,
Generierung von Merkmalskarten der topologischen Beziehung der Ausrüstung.
Submodul für die Faltung des Zeitdiagramms, das historische Arbeitszustandsdaten fusioniert, Zeitschrittmerkmale dynamisch gewichtet und Bewertungen des Anlagenzustands generiert.
Eingabe der Topologiekarte in das räumlich-zeitliche Faltungsnetzwerk, Verschmelzung der historischen Zeitreihendaten der Arbeitsbedingungen und Ausgabe der 0-1-Intervall-Gesundheitszustandsbewertung durch dynamische Gewichtung der
Zeitschrittmerkmale über die Gating-Cycle-Einheit.
Multi-Intelligenz-Körper-Synergie-Submodul, weist den Prozessparametern unabhängig&-V601 247
Intelligenzen zu und erzeugt ein synergistisches Multi-Parameter-Kontrollstrategienetz;
Weisen Sie tiefe deterministische Strategie-Gradienten-Intelligenzen für Prozessparameter zu, um ein kollaboratives Multiparameter-Kontrollstrategienetzwerk durch den
Parameter-Sharing-Mechanismus zu konstruieren.
Untermodul für die Simulation von Extrembedingungen, das Daten für
Extrembedingungen erzeugt, das Strategienetz optimiert und dynamisch optimierte
Prozessparametersätze erzeugt.
Generierung von Daten über extreme Arbeitsbedingungen auf der Grundlage eines adversen Netzwerks der bedingten Generation, Verwendung eines Algorithmus zur proximalen
Strategieoptimierung, um die Einschränkungen des strategischen Netzwerks anzupassen, und
Ausgabe dynamisch optimierter Prozessparametersätze.
Kausalentdeckungs-Submodul, Konstruktion von Parameter- und Qualitätskausalgraphen,
Eliminierung von Pseudokorrelationsvariablen und Generierung von Prozessparameter- und
Qualitätskausalnetzwerken:
Der PC-Kausalerkennungsalgorithmus wird verwendet, um einen gerichteten azyklischen
Graphen von Parametern und Qualität zu konstruieren, pseudokorrelierte Kanten durch einen bedingten Unabhängigkeitstest zu eliminieren und ein kausales Prozessparameter- und
Qualitätsnetzwerk zu erzeugen.
Untermodul für die kontrafaktische Optimierung zur Simulation von Parametereingriffen, zur Suche nach optimalen Parameterkombinationen, die Einschränkungen erfüllen, und zur
Erstellung von kausal gesteuerten Prozessverbesserungsplänen.
Auf der Grundlage des Kausalnetzwerks wird ein Strukturgleichungsmodell erstellt, der
Interventionseffekt wird durch Do-acting simuliert, und ein Bayes'scher
Optimierungsalgorithmus wird kombiniert, um eine Pareto-optimale Lösung zu finden und ein kausal gesteuertes Prozessverbesserungsschema auszugeben.
Obwohl Ausführungsformen der vorliegenden Erfindung gezeigt und beschrieben wurden, ist es für eine Person mit gewöhnlichem Fachwissen auf dem Gebiet der Technik verständlich, dass eine Vielzahl von Änderungen, Modifikationen, Substitutionen und Variationen an diesen
Ausfithrungsformen vorgenommen werden können, ohne von den Grundsätzen und dem Geist der vorliegenden Erfindung abzuweichen, und der Umfang der vorliegenden Erfindung wird durch die beigefügten Ansprüche und deren Äquivalente begrenzt.
Claims (10)
1. Ein industrielles Big-Data-Verarbeitungsverfahren auf der Grundlage von Algorithmen der künstlichen Intelligenz, dadurch gekennzeichnet, dass es die folgenden Schritte umfasst: S1: Basierend auf heterogenen Daten aus mehreren Quellen von Industrieanlagen, Verarbeitung von Vibrationssignalen zur Erzeugung von Spektrogrammen, Extraktion von Bildmerkmalen, semantische Kodierung von Textprotokollen, Angleichung verschiedener modaler Merkmalsverteilungen und Erzeugung von multimodalen gemeinsamen Merkmalsvektoren; S2: Auf der Grundlage des multimodalen gemeinsamen Merkmalsvektors wird die topologische Beziehungskarte der Ausrüstung konstruiert, das Gesetz über die Entwicklung des Ausrüstungszustands extrahiert, die Daten über den Arbeitszustand integriert, um die Gewichtung des Gesundheitszustands des Knotens zu berechnen und die Bewertung des Gesundheitszustands der Ausrüstung zu erstellen; S3: Kombinieren Sie die Ausrüstungszustandsbewertung und die Prozessparameter, trainieren Sie den intelligenten Körper, um die Prozessvariablen zu kontrollieren, simulieren Sie die extremen Arbeitsbedingungsdaten, um das Strategienetzwerk anzupassen, und erzeugen Sie den dynamisch optimierten Prozessparametersatz; S4: Konstruktion des Kausaldiagramms von Prozessparametern und Qualitätsindikatoren, Simulation der Auswirkungen von Parameteranpassungen, iterative Suche nach dem optimalen Wertebereich von Schlüsselparametern und Erstellung kausal gesteuerter Prozessverbesserungspläne.
2. Ein industrielles Big-Data-Verarbeitungsverfahren auf der Grundlage von Algorithmen der künstlichen Intelligenz nach Anspruch 1, dadurch gekennzeichnet, dass: die Erzeugung eines multimodalen gemeinsamen Merkmalsvektors auf der Grundlage von S1 die folgenden Schritte umfasst: S101: Verarbeiten des Vibrationssignals zur Erzeugung eines Spektrogramms, Extrahieren lokaler Merkmale, Eliminieren von Sensorrauschen und Erzeugen eines gemeinsamen Merkmalsvektors von Vibration und Bild; S102: Semantisches Codieren der Betriebs- und Wartungsprotokolle, Kombinieren der gemeinsamen Merkmalsvektoren von Vibration und Bild, um die Verteilung abzugleichen, und Erzeugen des multimodalen gemeinsamen Merkmalsvektors.
3. Ein industrielles Big-Data-Verarbeitungsverfahren auf der Grundlage von Algorithmen der künstlichen Intelligenz nach Anspruch 1, dadurch gekennzeichnet, dass: das Erzeugen einer Bewertung des Gesundheitszustands der Ausrüstung auf der Grundlage der Ausrüstung in S2 die folgenden Schritte umfasst: S201: Konstruieren von Ausristungsknotenbeziehungen, Berechnen von Fehlerfortpflanzungsgewichten und Erzeugen eines topologischen Ausrüstungsbeziehungsmerkmalsgraphen; S202: Segmentieren der Betriebsdaten der Anlage, Verschmelzen historischer Betriebszustandsdaten, dynamisches Gewichten von Zeitschrittmerkmalen und Erzeugen einer Anlagenzustandsbewertung.
4. Ein Industrielles Big-Data-Verarbeitungsverfahren auf der Grundlage von Algorithmen der künstlichen Intelligenz nach Anspruch 1, dadurch gekennzeichnet, dass: die Erzeugung eines dynamisch optimierten Satzes von Prozessparametern auf der Grundlage der dynamischen
Optimierung in S3 die folgenden Schritte umfasst: LUB01247 S301: Zuordnen von Prozessparameter-Intelligenzen, Initialisieren eines Strategie-Netzwerks und Erzeugen eines Multi-Parameter-K ooperationssteuerungs-Strategie-Netzwerks; S302: Simulieren extremer Arbeitsbedingungsdaten, Anpassen der Randbedingungen des Strategienetzes und Erzeugen des dynamisch optimierten Prozessparametersatzes.
5. Ein Industrielles Big-Data-Verarbeitungsverfahren auf der Grundlage von Algorithmen der künstlichen Intelligenz nach Anspruch 1, dadurch gekennzeichnet, dass: die Erzeugung eines kausalitätsgesteuerten Prozessverbesserungsschemas auf der Grundlage von S4 die folgenden Schritte umfasst: S401: Konstruieren einer Kausalkarte von Prozessparametern und Qualitätsindikatoren, Eliminieren von pseudokorrelierten Variablen und Erzeugen eines kausalen Prozessparameter- und Qualitätsnetzwerks; S402: Simulation der Auswirkung von Parametereingriffen, Suche nach den optimalen Parameterkombinationen, die die Beschränkungen erfüllen, und Erzeugung eines kausalitätsgesteuerten Prozessverbesserungsschemas.
6. Ein industrielles Big-Data-Verarbeitungssystem auf der Grundlage von Algorithmen der künstlichen Intelligenz, dadurch gekennzeichnet, dass das industrielle Big-Data-Verarbeitungssystem die folgenden Module umfasst: ein Modul zur Verarbeitung multimodaler Merkmale, ein Modul zur Bewertung des Anlagenzustands, ein Modul zur Entscheidungsfindung für die Prozessoptimierung und ein Modul zur Verbesserung der Kausalanalyse; Das Modul zur Verarbeitung multimodaler Merkmale verarbeitet Schwingungssignale, um Spektrogramme zu erzeugen, extrahiert Bildmerkmale, kodiert Textprotokolle, gleicht multimodale Verteilungen ab und erzeugt multimodale gemeinsame Merkmalsvektoren; Das Modul zur Verarbeitung multimodaler Merkmale umfasst ein Untermodul zur Verarbeitung von Vibrationsbildern, ein Untermodul zur semantischen Textkodierung und ein Untermodul zur Merkmalsausrichtung; Das Modul zur Bewertung des Gerätezustands, das topologische Beziehungsgraphen des Geräts konstruiert, Ausbreitungsgewichte berechnet, Zeitserien-Arbeitszustandsdaten fusioniert und Werte für den Gerätezustand erzeugt; Das Modul zur Bewertung des Gerätezustands umfasst ein Untermodul zur Konstruktion topologischer Beziehungen und ein Untermodul zur Faltung von Zeitreihengraphen; Das Prozessoptimierungs-Entscheidungsfindungsmodul, das Prozessparameter-Kontrollstrategien zuweist, Intelligenzen trainiert, um an Optimierungszielen zusammenzuarbeiten, extreme Arbeitsbedingungen simuliert, um Parameter anzupassen, und dynamisch optimierte Prozessparametersätze erzeugt; Das Prozessoptimierungs-Entscheidungsfindungsmodul umfasst ein Untermodul für die Zusammenarbeit mehrerer intelligenter Körper und ein Untermodul für die Simulation extremer Arbeitsbedingungen; Das Kausalanalyse- und Verbesserungsmodul konstruiert ein kausales Parameter- und Qualitätsnetzwerk, simuliert die Auswirkungen von Parametereingriffen, sucht iterativ nach der optimalen Lösung und erzeugt ein kausal gesteuertes Prozessverbesserungsschema; Das Modul zur Verbesserung der Kausalanalyse umfasst ein Untermodul zur Kausalerkennung und ein Untermodul zur kontrafaktischen Optimierung.
7. Ein industrielles Big-Data-Verarbeitungssystem auf der Grundlage von Algorithmen de} 4601247 künstlichen Intelligenz nach Anspruch 6, dadurch gekennzeichnet, dass: ein Untermodul zur Verarbeitung von Vibrationsbildern ein Spektrogramm erzeugt, Frequenzbereichsmerkmale extrahiert, Rauschen eliminiert und einen gemeinsamen Vibrations- und Bildmerkmalsvektor erzeugt; Ein Untermodul zur semantischen Codierung von Text, das kontextuelle Semantik codiert, zeitliche Assoziationsmerkmale der Fehlerbeschreibung extrahiert und Textmerkmalsvektoren erzeugt; Ein WUntermodul zur Merkmalsausrichtung, das Vibrations-, Bild- und Textmerkmalsverteilungen ausrichtet, multimodale gemeinsame Merkmalsvektoren erzeugt, multimodale gemeinsame Merkmalsvektoren erzeugt.
8. Ein industrielles Big-Data-Verarbeitungssystem auf der Grundlage von Algorithmen der künstlichen Intelligenz nach Anspruch 6, dadurch gekennzeichnet, dass: ein Untermodul für die Konstruktion topologischer Beziehungen, das Verbindungsverhältnisse zwischen Geräteknoten konstruiert, Gewichte für Fehlerfortpflanzungspfade definiert und Merkmalskarten für topologische Beziehungen zwischen Geräten erzeugt; Ein Zeitsequenzgraphenfaltungs-Submodul, das historische Betriebszustandsdaten fusioniert, Zeitschrittmerkmale dynamisch gewichtet und eine Ausrüstungszustandsbewertung erzeugt.
9. Ein industrielles Big-Data-Verarbeitungssystem auf der Grundlage von Algorithmen der künstlichen Intelligenz nach Anspruch 6, dadurch gekennzeichnet, dass: ein synergistisches Untermodul mit mehreren Intelligenzen, das unabhängige Intelligenzen den Steuerprozessparametern zuordnet und ein synergistisches Mehrparameter-Steuerungsstrategienetz erzeugt; Ein Untermodul für die Simulation extremer Betriebsbedingungen, das Daten über extreme Betriebsbedingungen erzeugt, das Strategie-Netzwerk optimiert und einen dynamisch optimierten Satz von Prozessparametern erzeugt.
10. Ein industrielles Big-Data-Verarbeitungssystem auf der Grundlage von Algorithmen der künstlichen Intelligenz nach Anspruch 6, dadurch gekennzeichnet, dass: ein Untermodul zur kausalen Entdeckung, das kausale Graphen für Parameter und Qualität konstruiert, pseudokorrelierte Variablen eliminiert und kausale Netzwerke für Prozessparameter und Qualität erzeugt; Untermodul für die kontrafaktische Optimierung, das Parametereingriffe simuliert, nach optimalen Parameterkombinationen sucht, die Beschränkungen erfüllen, und kausal gesteuerte Prozessverbesserungsschemata erzeugt.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| LU601247A LU601247B1 (de) | 2025-04-22 | 2025-04-22 | Ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| LU601247A LU601247B1 (de) | 2025-04-22 | 2025-04-22 | Ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| LU601247B1 true LU601247B1 (de) | 2025-10-22 |
Family
ID=97406074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| LU601247A LU601247B1 (de) | 2025-04-22 | 2025-04-22 | Ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz |
Country Status (1)
| Country | Link |
|---|---|
| LU (1) | LU601247B1 (de) |
-
2025
- 2025-04-22 LU LU601247A patent/LU601247B1/de active IP Right Grant
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Attention-guided joint learning CNN with noise robustness for bearing fault diagnosis and vibration signal denoising | |
| CN112085124B (zh) | 一种基于图注意力网络的复杂网络节点分类方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN109000930B (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
| CN117172413B (zh) | 基于多模态数据联合表征和动态权重学习的电网设备运行状态监测方法 | |
| CN116304089B (zh) | 一种融合权重与时态信息的知识图谱补全方法 | |
| CN117640342B (zh) | 一种电力监控系统主体异常检测方法、装置、设备和介质 | |
| WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
| CN118157132A (zh) | 基于神经网络的电压监测系统数据挖掘方法及装置 | |
| CN113671421A (zh) | 一种变压器状态评估与故障预警方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| CN120689141A (zh) | 一种金融大数据分析中基于人工智能的风险评估模型 | |
| CN120408301A (zh) | 一种水轮机状态智能预测方法 | |
| DE112021002866T5 (de) | Modelltreueüberwachung und -neuerstellung zur entscheidungsunterstützung eines fertigungsverfahrens | |
| CN111507046A (zh) | 一种电动闸阀剩余使用寿命预测方法及系统 | |
| CN120806570B (zh) | 一种基于负荷预测的智慧楼宇热平衡动态调控方法及系统 | |
| CN121071825B (zh) | 一种对桥梁结构多源数据进行融合的系统和方法 | |
| CN120672191A (zh) | 一种多工况工业过程质量指标预测方法 | |
| LU601247B1 (de) | Ein industrielles Big-Data-Verarbeitungsverfahren und -system auf der Grundlage von Algorithmen der künstlichen Intelligenz | |
| CN120974144B (zh) | 基于振动分析的磨煤机核心部件故障预测方法 | |
| CN116962462A (zh) | 多智能体协同的数据传输分析装置及系统 | |
| CN120449115A (zh) | 一种基于库普曼理论和卡尔曼滤波的时间序列概率预测方法、系统及应用 | |
| CN112488202A (zh) | 基于互信息和投影字典对学习的分布式过程监测方法 | |
| CN120996080B (zh) | 电力知识图谱驱动的智能体对话系统及方法 | |
| LU600539B1 (de) | Verfahren und System zur Bearbeitung von Aufgaben der künstlichen Intelligenz |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG | Patent granted |
Effective date: 20251022 |