针对伺服阀生产过程中存在的设备种类繁多、不同供应商设备之间无法交换数据、数据集成工作复杂困难的问题,提出基于OPC UA (Object Linking and Embedding for Process Control Unified Architecture)和ETL (Extract-Transform-Load)...针对伺服阀生产过程中存在的设备种类繁多、不同供应商设备之间无法交换数据、数据集成工作复杂困难的问题,提出基于OPC UA (Object Linking and Embedding for Process Control Unified Architecture)和ETL (Extract-Transform-Load)的综合解决方案。该方案使用OPC UA作为通信协议完成设备之间的高效通信,利用ETL技术设计并实现了伺服阀综合应用系统。样机试验验证了方案的有效性。该方案实现了产线信息化过程中的设备互操作能力,是确保伺服阀质量可靠性和性能一致性的关键基础技术。展开更多
针对电厂气体污染监测的需要,该文提出了一种融合多源无线传感器网络(Wireless Sensor Networks,WSN)与改进长短期记忆网络(Long Short Term Memory,LSTM)的气体污染监测与预警模型。通过设计多源WSN污染气体采集框架,实现了对电厂多种...针对电厂气体污染监测的需要,该文提出了一种融合多源无线传感器网络(Wireless Sensor Networks,WSN)与改进长短期记忆网络(Long Short Term Memory,LSTM)的气体污染监测与预警模型。通过设计多源WSN污染气体采集框架,实现了对电厂多种污染气体的高效采集,为预测模型提供高质量的数据输入。所设计的改进LSTM模型融合了模拟退火算法(Simulated Annealing,SA)和SVM模块,其中SA用于优化LSTM的超参数,SVM则作为分类器有效避免过拟合问题,使改进后的LSTM能够充分提取多源传感器数据的特征并进行准确预测。实验结果表明,结合SA和SVM模块有效提升了LSTM的预测性能,与其他分类算法相比表现出了明显的优势,准确率高达97.83%,相比于对比算法中表现最佳的BiLSTM提高了9.64%。展开更多
针对振弦传感器在应力监测过程中,受到埋设不良、接线过长、激振不足等影响,可能会无法准确测量的问题,提出了一种基于一维卷积神经网络(1D-CNN)的振弦传感器故障诊断方法,以振弦传感器输出信号幅值为输入,能快速准确诊断故障。同时,采...针对振弦传感器在应力监测过程中,受到埋设不良、接线过长、激振不足等影响,可能会无法准确测量的问题,提出了一种基于一维卷积神经网络(1D-CNN)的振弦传感器故障诊断方法,以振弦传感器输出信号幅值为输入,能快速准确诊断故障。同时,采用短时傅里叶变换,找到信号中的衰减分量,实现了对一种振弦传感器故障的修复,使得传感器重新投入运行。最后构建了振弦传感器的故障预测与健康管理(Prognostics and Health Management,PHM)系统,对振弦传感器故障识别、诊断与修复具有一定意义。展开更多
文摘针对伺服阀生产过程中存在的设备种类繁多、不同供应商设备之间无法交换数据、数据集成工作复杂困难的问题,提出基于OPC UA (Object Linking and Embedding for Process Control Unified Architecture)和ETL (Extract-Transform-Load)的综合解决方案。该方案使用OPC UA作为通信协议完成设备之间的高效通信,利用ETL技术设计并实现了伺服阀综合应用系统。样机试验验证了方案的有效性。该方案实现了产线信息化过程中的设备互操作能力,是确保伺服阀质量可靠性和性能一致性的关键基础技术。
文摘针对电厂气体污染监测的需要,该文提出了一种融合多源无线传感器网络(Wireless Sensor Networks,WSN)与改进长短期记忆网络(Long Short Term Memory,LSTM)的气体污染监测与预警模型。通过设计多源WSN污染气体采集框架,实现了对电厂多种污染气体的高效采集,为预测模型提供高质量的数据输入。所设计的改进LSTM模型融合了模拟退火算法(Simulated Annealing,SA)和SVM模块,其中SA用于优化LSTM的超参数,SVM则作为分类器有效避免过拟合问题,使改进后的LSTM能够充分提取多源传感器数据的特征并进行准确预测。实验结果表明,结合SA和SVM模块有效提升了LSTM的预测性能,与其他分类算法相比表现出了明显的优势,准确率高达97.83%,相比于对比算法中表现最佳的BiLSTM提高了9.64%。
文摘针对振弦传感器在应力监测过程中,受到埋设不良、接线过长、激振不足等影响,可能会无法准确测量的问题,提出了一种基于一维卷积神经网络(1D-CNN)的振弦传感器故障诊断方法,以振弦传感器输出信号幅值为输入,能快速准确诊断故障。同时,采用短时傅里叶变换,找到信号中的衰减分量,实现了对一种振弦传感器故障的修复,使得传感器重新投入运行。最后构建了振弦传感器的故障预测与健康管理(Prognostics and Health Management,PHM)系统,对振弦传感器故障识别、诊断与修复具有一定意义。
