2  
  首页 新闻公告 研究方向 研究成果 科研团队 项目案例 论文发表

招聘信息


  研究成果   有限数据条件下的动态迁移学习技术  
 

时序预测



模型迁移



机理发现



持续学习



故障诊断


 
 

 

在模型迁移方面,提出了基于辅助学习微调机制的工业关键参数预测模型迁移、基于领域自适应和知识蒸馏的神经网络迁移、基于时间卷积网络和迁移学习技术的多区炉温预测等新方法,解决了特征分布差异导致的工业时序预测模型难以复用,多设备模型复用难和计算资源不足,工业过程原料来源多样、生产条件多变、工况波动频繁等问题。

 

 

[1] Zhai Naiju, Zhou Xiaofeng*, Li Shuai, Shi Haibo, Auxiliary Knowledge-based Fine-tuning Mechanism for Industrial Time-Lag Parameter Prediction, IEEE Transactions on Automation Science and Engineering, 2024, 1-13. (IF=5.6, 中国科学院2区top)
[2] Zhai Naiju, Zhou Xiaofeng*, Li Shuai, Shi Haibo, Soft Sensor Model for Billet Temperature in Multiple Heating Furnaces Based on Transfer Learning, IEEE Transactions on Instrumentation and Measurement, 2023, 72: 3513613. (IF=5.6, 中国科学院2区top)
[3] Zhai Naiju, Zhou Xiaofeng*, Temperature prediction of heating furnace based on deep transfer learning, Sensors, 2020, 20: 4676.(IF=3.9, 中国科学院3区)

 
 


 
       
         
地址:中国・辽宁省沈阳市沈河区南塔街114号 沈阳自动化研究所  邮编:110016  电话:024-23970263  
版权所有:中国科学院沈阳自动化研究所 大数据与智能决策组