CN103869783B - 一种精矿产量在线预测方法 - Google Patents
一种精矿产量在线预测方法 Download PDFInfo
- Publication number
- CN103869783B CN103869783B CN201410101747.6A CN201410101747A CN103869783B CN 103869783 B CN103869783 B CN 103869783B CN 201410101747 A CN201410101747 A CN 201410101747A CN 103869783 B CN103869783 B CN 103869783B
- Authority
- CN
- China
- Prior art keywords
- concentrate
- concentrate yield
- index data
- sigma
- rightarrow
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 161
- 239000012141 concentrate Substances 0.000 title claims abstract description 153
- 238000012549 training Methods 0.000 claims abstract description 38
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 23
- 239000011707 mineral Substances 0.000 claims description 23
- 238000000926 separation method Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 abstract description 2
- 230000004048 modification Effects 0.000 abstract description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000010878 waste rock Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007885 magnetic separation Methods 0.000 description 1
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种精矿产量在线预测方法,该方法包括:步骤1:采集选矿各工序的工艺指标数据及相应的精矿产量实际值;步骤2:对已采集的选矿各工序的工艺指标数据及相应的精矿产量实际值进行组合处理;步骤3:在线实时预测精矿产量值;本发明方法基于参数自整定,在选矿生产过程中采集的各工序的工艺指标数据更新后及时加入训练样本集中参与训练,实现模型的在线更新;根据各工序的工艺指标数据自身属性的不同,自适应调整精矿产量预测模型的参数,实现模型参数的在线修改,可以使预测模型更好的适应多变的工况条件,进一步提高了精矿产量的预测精度,选矿工程师可以给出更加合理的决策,从而使得企业效益最大化。
Description
技术领域
本发明属于预测控制领域,具体涉及一种精矿产量在线预测方法。
背景技术
选矿过程是一个极其复杂的工业过程,涉及到竖炉、磨矿及磁选等多选矿过程工序,同时各个工序之间交互耦合,涉及物理、化学等多个领域,而选矿过程中精矿产量的预测结果是选矿过程岗位工人生产操作及工程师调整生产计划指标的重要决策依据,如果不能根据当前的生产工况来精确的预测精矿产量,就会严重影响精矿产量的实际生产值。可以说,精矿产量的预测结果对选矿厂的实际精矿生产产量和岗位平稳操作有着重要影响。但是,选矿过程中的精矿产量难以实时获得,而是要经过一段时间生产累加后才能获得,在整个生产过程中具有一定的滞后性,因此,就需要使用精矿产量预测技术。
传统的精矿产量预测方法,虽然在选矿过程中获得了一定应用,但是其是根据历史生产数据通过分批次训练建立产量预测模型,然后用得到的预测模型预测当前变化工况下的精矿产量。因为历史生产数据为离线数据,而离线数据建立的模型面临的问题是随着新工况样本数据的到来,预测模型并没有得到实时更新,而仍然用历史数据来预测新样本,因此,随着工况条件的变化其预测精度也会随着发生变化,甚至变得较差。另外,即使有些预测模型是采用的在线训练、在线预测的方法,比如在线支持向量机的预测方法,但是传统的基于在线支持向量机的选矿过程精矿产量预测模型中的惩罚参数C是固定不变的,也就是说当训练误差超过软间隔ε时,模型将会对样本给予同等力度的惩罚,即将样本重要性视为相同,也就默认工况条件是相同的。但是,对于复杂工业过程来说,工况条件不可能是一成不变的,因此这种做法实际上是不合理的。
发明内容
针对现有技术存在的不足,本发明提供一种精矿产量在线预测方法。
本发明的技术方案:
一种精矿产量在线预测方法,包括如下步骤:
步骤1:采集选矿各工序的工艺指标数据及相应的精矿产量实际值;
为第i组选矿各工序的工艺指标数据;yi为与对应的精矿产量实际值;其中,其包含了各个不同工序的工艺指标;X为选矿工序的工艺指标数据组的集合;n为输入的维数;Rn为n维的实数集合;R为实数集合;l为选矿各工序的工艺指标数据规模大小,即选矿各工序的工艺指标数据组数;,Y为精矿产量实际值的集合;
步骤2:对已采集的选矿各工序的工艺指标数据及相应的精矿产量实际值进行组合处理;
将已采集的选矿各工序的工艺指标数据及与对应的精矿产量实际值yi进行组合得到训练样本集V为,
步骤3:在线实时预测精矿产量值;
根据选矿各工序的工艺指标数据及相应的精矿产量实际值的组合,建立精矿产量预测模型,且根据优化目标要求,建立优化目标函数及预测精度约束条件对所述的精矿产量预测模型进行优化,并通过在线实时采集的新的各工序的工艺指标数据,在线实时预测精矿产量值;
步骤3.1:根据训练样本集V,建立精矿产量预测模型;
在高维空间F内构造一个线性回归函数即初始精矿产量预测模型函数,其表达式如下:
其中,W为F中的向量,WT为的权重系数;为输入空间X中的映射到高维空间F后所得;b为偏移量;
通过引入拉格朗日函数将式(1)转化为式(2),
其中,m=1,2,…l,它包含了各个不同工序的工艺指标;
为核函数,该核函数选用高斯核函数,即 αm≥0和均表示引入的拉格朗日乘子,
θm=αm-αm *,且满足
步骤3.2:根据优化目标要求,建立优化目标函数及预测精度约束条件对所述的精矿产量预测模型进行优化;
优化目标为选矿过程风险最小化,则精矿产量预测模型的优化目标函数J为
其中,J为选矿过程风险最小化目标值;λi为动态惩罚参数C的修正系数,λi由下式确定,
其中,xik,xjk,xck均为不同工序的工艺指标,i=1,…,l,j=1,…,l,c=1,…,l,k=1,…,n;
精矿产量预测的精度约束条件为,
其中,为精矿产量预测值与精矿产量实际值的差值;ξi和ξi *均为松弛变量;
步骤3.3:将训练样本集V分划分为三个子集:支持向量集合S、错误向量集合E和保留向量集合R;
其中,αi≥0和均为引入的拉格朗日乘子,满足ε为误差精度,且 其中 C为动态惩罚参数,
步骤3.4:在线采集新的各工序的工艺指标数据,且通过精矿产量预测模型得到精矿产量预测值;
为在线采集的新的工艺指标数据,为与对应的精矿产量预测值;
步骤3.5:待精矿产量实际值产生后,并将在线采集的新的各工序的工艺指标数据及其对应的精矿产量实际值加入到训练样本集V中,对训练样本集V进行更新;
yc为与对应的精矿产量实际值,将和yc加入训练样本集V中,对训练样本集V进行更新;并根据更新后的训练样本集V分别对支持向量集合S、错误向量集合E和保留向量集合R进行更新;
步骤3.6:在线更新精矿产量预测模型中的参数,进而在线对精矿产量预测模型进行更新;
判断在线实时采集新的工艺指标数据属于更新后的支持向量集合S、错误向量集合E和保留向量集合R中的哪一个集合,若则按照式(9)以θc更新θm而保持的变化量不变,从而也更新了精矿产量预测模型中的参数b,进而对精矿产量预测模型进行更新;若则按照式(10)更新Δh(xi)而保持θm不变,从而也更新了精矿产量预测模型中的参数b,进而对精矿产量预测模型进行更新;
其中,为支持向量集合S中的各工序的工艺指标数据的序数,是集合N中的各工序的工艺指标数据的序数;为精矿产量预测值与精矿产量实际值的差值;为的变化量;αc≥0和均为引入的拉格朗日乘子,满足c=1,2,…,l,Δθc为θc的变化量;
步骤3.7:在线实时采集各工序的工艺指标数据,根据更新后的精矿产量预测模型得到相应的精矿产量预测值,并转去执行步骤3.5。
有益效果:
(1)本发明采用参数自整定模型的预测方法对选矿过程精矿产量进行预测,该方法基于参数自整定,在选矿生产过程中采集的各工序的工艺指标数据更新后及时加入训练样本集中参与训练,实现模型的在线更新;根据各工序的工艺指标数据自身属性的不同,自适应调整精矿产量预测模型的参数,实现模型参数的在线修改,可以使预测模型更好的适应多变的工况条件,进一步提高了精矿产量的预测精度,选矿工程师可以给出更加合理的决策,从而使得企业效益最大化。
(2)本发明针对利用离线数据建立选矿过程精矿产量预测模型不能随着新工况样本数据的到来得到在线更新的问题,提出使用参数自整定的回归模型,将新采样的样本即时用回归模型进行预测,待精矿产量实际值产生之后,立即将该组样本通过在线训练的模式加入到样本集中,实现样本的在线训练与预测,具有较高的预测精度、较短的训练时间和较少的迭代次数等优点。
(3)本发明采用参数自整定模型进行选矿过程精矿产量预测,是基于风险最小化的智能方法,具有较高的泛化能力,并且它的解具有稀疏性,该方法明显提高了精矿产量预测的准确度。
附图说明
图1为本发明一种实施方式的精矿产量在线预测方法的流程图;
图2为本发明一种实施方式的精矿产量预测值与精矿产量实际值的对照关系图;
图3为本发明一种实施方式的精矿产量预测值与精矿产量实际值的相关性分析图;
图4为本发明一种实施方式的精矿产量预测过程迭代次数示意图。
具体实施方式
下面结合附图对本发明的一种实施方式作详细说明。
本实施方式的精矿产量在线预测方法是根据某选矿厂8个月共170组合格选矿各工序的工艺指标数据、14个工艺指标来预测精矿产量。其中,14个工艺指标为:一次溢流回收率、强磁磨矿粒度、弱磁磨矿粒度、强磁精矿品位、弱磁精矿品位、强磁尾矿品位、弱磁尾矿品位、弱磁入磨品位、强磁入磨品位、强磁球磨机处理量、弱磁球磨机处理量、废石品位、强磁球磨机运行时间和弱磁球磨机运行时间;从所述的170组选矿各工序的工艺指标数据中选取120组进行组合处理,如表1所示,从所述的170组合格样本数据中选取50组合格样本数据作为用于精矿产量预测的新采集的选矿各工序的工艺指标数据,如表2所示,所有样本都采用在线输入的方式依次加入到训练集中。
表1训练样本数据
表2用于预测精矿产量的新增样本数据
本实施方式的精矿产量在线预测方法,如图1所示,包括如下步骤:
步骤1:采集选矿各工序的工艺指标数据及相应的精矿产量实际值;
为第i组工艺指标样本数据;yi为与对应的精矿产量实际值;其中,n=14,其包含了14个工序的工艺指标;X为选矿工序的工艺指标样本数据组的集合;Rn为14维的实数集合;R为实数集合;l为样本初始规模大小,l=120;,Y为精矿产量实际值的集合。
本实施方式的工艺指标xi1为一次溢流回收率、xi2为强磁磨矿粒度、xi3为弱磁磨矿粒度、xi4为强磁精矿品位、xi5为弱磁精矿品位、xi6为强磁尾矿品位、xi7为弱磁尾矿品位、xi8为弱磁入磨品位、xi9为强磁入磨品位、xi10为强磁球磨机处理量、xi11为弱磁球磨机处理量、xi12为废石品位、xi13为强磁球磨机运行时间、xi14为弱磁球磨机运行时间。
步骤2:对已采集的选矿各工序的工艺指标数据及相应的精矿产量实际值进行组合处理;
将已采集的选矿各工序的工艺指标数据及与对应的精矿产量实际值yi进行组合得到训练样本集V为,
步骤3:在线实时预测精矿产量值;
根据选矿各工序的工艺指标数据及相应的精矿产量实际值的组合,建立精矿产量预测模型,且根据优化目标要求,建立优化目标函数及预测精度约束条件对所述的精矿产量预测模型进行优化,并通过在线实时采集的新的各工序的工艺指标数据,在线实时预测精矿产量值;
步骤3.1:根据训练样本集V,建立精矿产量预测模型;
在高维空间F内构造一个线性回归函数即初始精矿产量预测模型函数,其表达式如下:
其中,W为F中的向量,WT为的权重系数;为输入空间X中的映射到高维空间F后所得;b为偏移量;
通过引入拉格朗日函数将式(1)转化为式(2),
其中,m=1,2,…,120,它包含了14个工序的工艺指标;
为核函数,该核函数选用高斯核函数,即 αm≥0和均表示引入的拉格朗日乘子,
θm=αm-αm *,且满足
步骤3.2:根据优化目标要求,建立优化目标函数及预测精度约束条件对所述的精矿产量预测模型进行优化;
优化目标为选矿过程风险最小化,则精矿产量预测模型的优化目标函数J为
其中,J为选矿过程风险最小化目标值;λi为动态惩罚参数C的修正系数,λi由下式确定,
其中,xik,xjk,xck均为不同工序的工艺指标,i=1,…,120,j=1,…,120,c=1,…,120,k=1,…,14。
精矿产量预测的精度约束条件为,
其中,为精矿产量预测值与精矿产量实际值的差值;ξi和ξi *均为松弛变量。
步骤3.3:将训练样本集V分划分为三个子集:支持向量集合S、错误向量集合E和保留向量集合R;
其中,αi≥0和均为引入的拉格朗日乘子,满足ε为误差精度,且 其中 C为动态惩罚参数,
步骤3.4:在线采集新的各工序的工艺指标数据,且通过精矿产量预测模型得到精矿产量预测值;
为在线采集的新的工艺指标数据,为与对应的精矿产量预测值;
为所述用于精矿产量预测的50组新采集的各工序的工艺指标数据中的某一组数据,这里选取的是进行实施的,
步骤3.5:待精矿产量实际值产生后,并将在线采集的新的各工序的工艺指标数据及其对应的精矿产量实际值加入到训练样本集V中,对训练样本集V进行更新;
与对应的新的精矿产量实际值y125=8158,将和y125加入训练样本集V中对训练样本集V进行更新;并根据更新后的训练样本集V分别对支持向量集合S、错误向量集合E和保留向量集合R进行更新;
步骤3.6:在线更新精矿产量预测模型中的参数,进而在线对精矿产量预测模型进行更新;
判断在线实时采集新的工艺指标数据属于更新后的支持向量集合S、错误向量集合E和保留向量集合R中的哪一个集合,若则按照式(9)以θc更新θm而保持的变化量不变,从而也更新了精矿产量预测模型中的参数b,进而对精矿产量预测模型进行更新;若则按照式(10)更新Δh(xi)而保持θm不变,从而也更新了精矿产量预测模型中的参数b,进而对精矿产量预测模型进行更新;
其中,为支持向量集合S中的各工序的工艺指标数据的序数,是集合N中的各工序的工艺指标数据的序数;为精矿产量预测值与精矿产量实际值的差值;为的变化量; 均为引入的拉格朗日乘子,满足c=1,2,…,120,Δθc为θc的变化量;
步骤3.7:在线实时采集各工序的工艺指标数据,根据更新后的精矿产量预测模型得到相应的精矿产量预测值,并转去执行步骤3.5。
在线实时采集各工序的工艺指标数据 加入预测模型时,与对应的精矿产量预测值为8121。并转去执行步骤3.5,随着新的工艺指标样本数据逐个加入,重复执行步骤3.5-步骤3.7,会在线逐个得到分别对应的精矿产量预测值,实现了在线更新精矿产量预测模型,在线实时得到精矿产量预测值。随着新选矿各工序的工艺指标数据的增加,对应的精矿产量实际值和对应的精矿产量预测值之间的对比关系如图2所示,可以看出,精矿产量预测值与精矿产量实际值曲线十分相似。对应的精矿产量实际值和对应的精矿产量预测值的相关性分析如图3所示,可以看出,精矿产量预测值与精矿产量实际值的相关性可达98.346%。求取精矿产量预测值过程的迭代次数如图4所示,从图中可以看出,随着样本数量的增加,迭代次数变化量不是很明显,可见本发明在迭代次数方面也有很好的优点。
Claims (2)
1.一种精矿产量在线预测方法,其特征在于:包括如下步骤:
步骤1:采集选矿各工序的工艺指标数据及相应的精矿产量实际值;
为第i组选矿各工序的工艺指标数据;yi为与对应的精矿产量实际值;其中,其包含了各个不同工序的工艺指标;X为选矿工序的工艺指标数据组的集合;n为输入的维数;Rn为n维的实数集合;R为实数集合;l为选矿各工序的工艺指标数据规模大小,即选矿各工序的工艺指标数据组数;Y为精矿产量实际值的集合;
步骤2:对已采集的选矿各工序的工艺指标数据及相应的精矿产量实际值进行组合处理;
将已采集的选矿各工序的工艺指标数据及与对应的精矿产量实际值yi进行组合得到训练样本集为,
步骤3:在线实时预测精矿产量值;
根据选矿各工序的工艺指标数据及相应的精矿产量实际值的组合,建立精矿产量预测模型,且根据优化目标要求,建立优化目标函数及预测精度约束条件对所述的精矿产量预测模型进行优化,并通过在线实时采集的新的各工序的工艺指标数据,在线实时预测精矿产量值;
步骤3.1:根据训练样本集V,建立精矿产量预测模型;
在高维空间F内构造一个线性回归函数即初始精矿产量预测模型函数,其表达式如下:
其中,W为F中的向量,WT为的权重系数;为X中的映射到高维空间F后所得;b为偏移量;
通过引入拉格朗日函数将式(1)转化为式(2),
其中, 它包含了各个不同工序的工艺指标;为核函数,该核函数选用高斯核函数,即 αm≥0和均表示引入的拉格朗日乘子,θm=αm-αm *,且满足
步骤3.3:将训练样本集V分划分为三个子集:支持向量集合S、错误向量集合E和保留向量集合R;
其中,αi≥0和均为引入的拉格朗日乘子,满足ε为误差精度,且 其中 C为动态惩罚参数,
步骤3.4:在线采集新的各工序的工艺指标数据,且通过精矿产量预测模型得到精矿产量预测值;
为在线采集的新的工艺指标数据,为与对应的精矿产量预测值;
步骤3.5:待精矿产量实际值产生后,并将在线采集的新的各工序的工艺指标数据及其对应的精矿产量实际值加入到训练样本集V中,对训练样本集V进行更新;
yc为与对应的精矿产量实际值,将和yc加入训练样本集V中,对训练样本集V进行更新;并根据更新后的训练样本集V分别对支持向量集合S、错误向量集合E和保留向量集合R进行更新;
步骤3.6:在线更新精矿产量预测模型中的参数,进而在线对精矿产量预测模型进行更新;
判断在线实时采集新的工艺指标数据属于更新后的支持向量集合S、错误向量集合E和保留向量集合R中的哪一个集合,若则按照式(9)以θc更新θm而保持的变化量不变,从而也更新了精矿产量预测模型中的参数b,进而对精矿产量预测模型进行更新;若则按照式(10)更新Δh(xi)而保持θm不变,从而也更新了精矿产量预测模型中的参数b,进而对精矿产量预测模型进行更新;
其中,为支持向量集合S中的各工序的工艺指标数据的序数,是集合N中的各工序的工艺指标数据的序数;为精矿产量预测值与精矿产量实际值的差值;为的变化量;αc≥0和均为引入的拉格朗日乘子,满足c=1,2,…,l,Δθc为θc的变化量;
步骤3.7:在线实时采集各工序的工艺指标数据,根据更新后的精矿产量预测模型得到相应的精矿产量预测值,并转去执行步骤3.5。
2.根据权利要求1所述的精矿产量在线预测方法,其特征在于:步骤3所述的建立精矿产量预测模型的目标函数及其预测精度约束条件的过程如下:
步骤3.2:根据优化目标要求,建立优化目标函数及预测精度约束条件对所述的精矿产量预测模型进行优化;
优化目标为选矿过程风险最小化,则精矿产量预测模型的优化目标函数J为
其中,J为选矿过程风险最小化目标值;λi为动态惩罚参数C的修正系数,λi由下式确定,
其中,xik,xjk,xck均为不同工序的工艺指标,i=1,…,l,j=1,…,l,c=1,…,l,k=1,…,n;精矿产量预测的精度约束条件为,
其中,为精矿产量预测值与精矿产量实际值的差值;ξi和均为松弛变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410101747.6A CN103869783B (zh) | 2014-03-18 | 2014-03-18 | 一种精矿产量在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410101747.6A CN103869783B (zh) | 2014-03-18 | 2014-03-18 | 一种精矿产量在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103869783A CN103869783A (zh) | 2014-06-18 |
CN103869783B true CN103869783B (zh) | 2016-07-13 |
Family
ID=50908426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410101747.6A Active CN103869783B (zh) | 2014-03-18 | 2014-03-18 | 一种精矿产量在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103869783B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281134B (zh) * | 2014-09-26 | 2017-01-11 | 东北大学 | 基于人机交互的原矿选别过程多生产指标优化系统及方法 |
CN107679103B (zh) * | 2017-09-08 | 2020-08-04 | 口碑(上海)信息技术有限公司 | 用于实体的属性分析方法及系统 |
CN108573275B (zh) * | 2018-03-07 | 2020-08-25 | 浙江大学 | 一种在线分类微服务的构建方法 |
CN112295732B (zh) * | 2020-09-27 | 2022-11-25 | 国家能源集团国源电力有限公司 | 一种磁铁矿粉的分选方法、装置及电子设备 |
CN116884623B (zh) * | 2023-09-06 | 2023-12-15 | 西南医科大学附属医院 | 基于激光扫描成像的医疗康复预测系统 |
CN117706376B (zh) * | 2024-02-04 | 2024-05-24 | 深圳海辰储能科技有限公司 | 电池容量预测方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551829A (zh) * | 2009-05-15 | 2009-10-07 | 中南大学 | 一种氧化铝蒸发装备出口碱液浓度的在线预测方法 |
CN101780488A (zh) * | 2010-03-01 | 2010-07-21 | 南京航空航天大学 | 内螺纹冷挤压加工质量在线预测方法 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7657494B2 (en) * | 2006-09-20 | 2010-02-02 | Chevron U.S.A. Inc. | Method for forecasting the production of a petroleum reservoir utilizing genetic programming |
US9069345B2 (en) * | 2009-01-23 | 2015-06-30 | Mks Instruments, Inc. | Controlling a manufacturing process with a multivariate model |
-
2014
- 2014-03-18 CN CN201410101747.6A patent/CN103869783B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551829A (zh) * | 2009-05-15 | 2009-10-07 | 中南大学 | 一种氧化铝蒸发装备出口碱液浓度的在线预测方法 |
CN101780488A (zh) * | 2010-03-01 | 2010-07-21 | 南京航空航天大学 | 内螺纹冷挤压加工质量在线预测方法 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103869783A (zh) | 2014-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103869783B (zh) | 一种精矿产量在线预测方法 | |
CN110378044B (zh) | 基于注意力机制的多时间尺度卷积神经网络软测量方法 | |
CN104460319B (zh) | 多批次间歇反应过程二维多模型预测迭代学习控制方法 | |
Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
CN102778843B (zh) | 一种强磁选别过程运行控制方法 | |
CN105574297B (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
CN102626557B (zh) | 基于ga-bp算法的分子蒸馏工艺参数优化方法 | |
CN103472723A (zh) | 基于多模型广义预测控制器的预测控制方法及系统 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN102880046B (zh) | 一种化工多变量过程解耦预测函数控制方法 | |
CN106354017A (zh) | 一种稀土萃取分离过程组分含量区间控制方法 | |
CN102663235B (zh) | 一种变种群规模dna遗传算法的催化裂化主分馏塔建模方法 | |
CN112149342B (zh) | 一种优化水泥生料质量的模型方法 | |
CN102004444A (zh) | 稀土萃取过程组分含量多模型预测控制方法 | |
CN104318090A (zh) | 基于最小二乘法支持向量机的溶菌酶发酵过程中的广义预测方法 | |
CN104375478A (zh) | 一种轧钢生产过程产品质量在线预测与优化的方法及装置 | |
CN105159071A (zh) | 一种迭代学习策略下工业模型预测控制系统的经济性能评估方法 | |
CN101765258A (zh) | 电熔镁炉熔炼过程中三相电极的定位装置及其控制方法 | |
CN103792845B (zh) | 一种金霉素发酵过程补糖速率优化控制的方法和系统 | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
Li et al. | Learning-based adaptive optimal control for flotation processes subject to input constraints | |
Jiang et al. | Compensation-signal-based dual-rate operational feedback decoupling control for flotation processes | |
CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
CN106874568A (zh) | 一种球磨过程的物料粒径分布预测方法 | |
CN100370453C (zh) | 稀土串级萃取分离组分含量软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |