CN104931538A - 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法 - Google Patents
一种学习型的盐酸浓度铁离子浓度在线检测系统和方法 Download PDFInfo
- Publication number
- CN104931538A CN104931538A CN201510317124.7A CN201510317124A CN104931538A CN 104931538 A CN104931538 A CN 104931538A CN 201510317124 A CN201510317124 A CN 201510317124A CN 104931538 A CN104931538 A CN 104931538A
- Authority
- CN
- China
- Prior art keywords
- acid
- concentration
- data
- acid solution
- network 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
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及冷轧带钢酸洗技术领域,提供了一种学习型的盐酸浓度铁离子浓度在线检测系统和方法,在所述系统中服务器接收采集器获取的各传感器采集的样本数据;服务器接收样本数据,并存储到酸液化验样本数据库中;根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系;并依据映射关系更新酸液浓度支持数据;服务器接收实时采集的酸液温度、酸液密度和酸液电导率数据,匹配酸液浓度支持数据,求解盐酸浓度和铁离子浓度。本发明实施例系统建立的酸液浓度人工神经网络模型利用实际的化验数据作为酸液化验样本数据,贴近生产实际、泛化能力好、可信度高。
Description
【技术领域】
本发明涉及冷轧带钢酸洗技术领域,特别是涉及一种学习型的盐酸浓度铁离子浓度在线检测系统和方法。
【背景技术】
在冷轧带钢酸洗机组中,酸液浓度对带钢酸洗的质量影响很大,要实现对酸液浓度较高精度的控制,首先需要实现酸液浓度的检测。
目前,酸洗机组酸液浓度的检测主要采取人工取样化验的方式,这种方法化验时间长,化验结果出来,酸液的浓度可能已经有了较大的变化,需要能够实现酸液浓度的在线检测。
在一定温度下,酸液的密度、电导率与盐酸浓度和铁离子浓度有较强的相关关系,可以考虑利用这种相关关系,在线检测酸液的温度、密度和电导率,然后利用这种相关关系反求出盐酸浓度和铁离子浓度。
针对人工取样化验的不足,本发明设计一种学习型的盐酸浓度铁离子浓度在线检测系统解决上述方法存在的问题。
鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
【发明内容】
本发明要解决的技术问题是提供一种学习型的盐酸浓度铁离子浓度在线检测系统。
本发明进一步要解决的技术问题是提供一种学习型的盐酸浓度铁离子浓度在线检测系统。
本发明采用如下技术方案:
一方面,本发明实施例提供了一种学习型的盐酸浓度铁离子浓度在线检测系统,所述检测系统包括:酸液温度传感器、酸液密度传感器、酸液电导率传感器、采集器和服务器,其中,采集器连接所述温度传感器、密度传感器和电导率传感器,所述采集器通过以太网或者无线网络,与所述服务器建立连接,具体的:
所述服务器包括存储模块、酸液浓度人工神经网络模型训练模块和酸液支持数据生成模块和酸液浓度计算模块;其中,所述存储模块用于存储酸液化验样本数据库;所述酸液浓度人工神经网络模型训练模块,用于根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系;所述酸液支持数据生成模块生成依据所述映射关系更新酸液浓度支持数据;所述酸液浓度计算模块接收实时采集的酸液温度、酸液密度和酸液电导率数据,匹配酸液浓度支持数据,求解盐酸浓度和铁离子浓度。
优选的,所述根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系的方法,具体采用的是人工神经网模型方法。
优选的,所述人工神经网络模型主要由输入层、隐含层和输出层三层组成,具体的:
所述输入层,接收酸液温度、盐酸浓度和铁离子浓度样本数据的输入;所述隐含层,对输入数据进行转换;所述输出层,输出酸液密度和酸液电导率数据。
优选的,所述人工神经网络模型在使用时,需要预先设置酸液浓度参数,所述酸液浓度参数包括:
学习率、冲量因子、节点数和训练代数,通过调整节点数和训练代数,控制平均误差在5%之内,得到酸液温度、盐酸浓度、铁离子浓度三者与酸液密度、酸液电导率两者之间的映射关系。
优选的,在使用所述人工神经网络模型建立所述映射关系前,利用酸液浓度化验样本数据对酸液浓度人工神经网络模型进行训练,选择其中80%数据作为样本数据,20%数据作为验证数据,选择Sigmoid函数作为转换函数,采用BP算法对酸液浓度人工神经网络模型进行训练并验证,如果误差控制在5%之内,则训练得到人工神经网络模型可用于所述映射关系的建立。
优选的,所述在酸液浓度人工神经网络模型第二层的节点数为20,训练代数为1000时,得到平均误差在5%内的映射关系。
优选的,所述酸液支持数据生成模块生成依据所述映射关系更新酸液浓度支持数据,具体包括:
利用训练好的酸液浓度人工神经网络模型,对酸液样本数据进行更细粒度的插值计算,计算出相比样本数据更精细化的酸液浓度支持数据,为后续酸液浓度计算模块提供数据支持。
另一方面,本发明实施例还提供了一种学习型的盐酸浓度铁离子浓度在线检测方法,其特征在于,所述方法涉及酸液温度传感器、酸液密度传感器、酸液电导率传感器、采集器和服务器,其中,采集器连接所述温度传感器、密度传感器和电导率传感器,所述采集器通过以太网或者无线网络与所述服务器建立连接,则所述检测方法包括:
所述服务器接收采集器获取的各传感器采集的样本数据;服务器接收所述样本数据,并存储到酸液化验样本数据库中;所述服务器根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系;并依据所述映射关系更新酸液浓度支持数据;所述服务器接收实时采集的酸液温度、酸液密度和酸液电导率数据,匹配酸液浓度支持数据,求解盐酸浓度和铁离子浓度。
优选的,在使用所述人工神经网络模型建立所述映射关系前,利用酸液浓度化验样本数据对酸液浓度人工神经网络模型进行训练,选择其中80%数据作为样本数据,20%数据作为验证数据,选择Sigmoid函数作为转换函数,采用BP算法对酸液浓度人工神经网络模型进行训练并验证,如果误差控制在5%之内,则训练得到人工神经网络模型可用于所述映射关系的建立。
优选的,所述人工神经网络模型在使用时,需要预先设置酸液浓度参数,所述酸液浓度参数包括:
学习率、冲量因子、节点数和训练代数,通过调整节点数和训练代数,控制平均误差在5%之内,得到酸液温度、盐酸浓度、铁离子浓度三者与酸液密度、酸液电导率两者之间的映射关系。
与现有技术相比,本发明的有益效果在于:本发明实施例系统建立的酸液浓度人工神经网络模型利用实际的化验数据作为酸液化验样本数据,贴近生产实际;系统建立的酸液浓度人工神经网络模型能够通过训练不断的进行学习,从而达到高的精度;系统建立的酸液浓度人工神经网络模型具有好的非线性映射能力,泛化能力好;系统建立的酸液浓度计算模块以酸液支持数据为基础进行求解,可信度高。
【附图说明】
图1是本发明实施例提供的一种学习型的盐酸浓度铁离子浓度在线检测系统的架构示意图;
图2是本发明实施例提供的一种酸液浓度人工神经网络模型图的结构示意图;
图3是本发明实施例提供的一种学习型的盐酸浓度铁离子浓度在线检测方法的流程示意图;
图4是本发明实施例提供的一种学习型的盐酸浓度铁离子浓度在线检测方法的流程示意图。
【具体实施方式】
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
本发明实施例1提供了一种学习型的盐酸浓度铁离子浓度在线检测系统。所述检测系统包括:酸液温度传感器、酸液密度传感器、酸液电导率传感器、采集器和服务器,其中,采集器连接所述温度传感器、密度传感器和电导率传感器,所述采集器通过以太网或者无线网络,与所述服务器建立连接,如图1所示,具体包括
所述服务器包括存储模块、酸液浓度人工神经网络模型训练模块和酸液支持数据生成模块和酸液浓度计算模块;其中,所述存储模块用于存储酸液化验样本数据库;所述酸液浓度人工神经网络模型训练模块,用于根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系;所述酸液支持数据生成模块生成依据所述映射关系更新酸液浓度支持数据;所述酸液浓度计算模块接收实时采集的酸液温度、酸液密度和酸液电导率数据,匹配酸液浓度支持数据,求解盐酸浓度和铁离子浓度。
本发明实施例系统建立的酸液浓度人工神经网络模型利用实际的化验数据作为酸液化验样本数据,贴近生产实际;系统建立的酸液浓度人工神经网络模型能够通过训练不断的进行学习,从而达到高的精度;系统建立的酸液浓度人工神经网络模型具有好的非线性映射能力,泛化能力好;系统建立的酸液浓度计算模块以酸液支持数据为基础进行求解,可信度高。
结合本发明实施例,存在一种优选的方案,其中,所述根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系的方法,具体采用的是人工神经网模型方法。
结合本发明实施例,存在一种优选的方案,其中,所述人工神经网络模型主要由输入层、隐含层和输出层三层组成,如图2所示,具体的:
所述输入层,接收酸液温度、盐酸浓度和铁离子浓度样本数据的输入;所述隐含层,对输入数据进行转换;所述输出层,输出酸液密度和酸液电导率数据。
结合本发明实施例,存在一种优选的方案,其中,所述人工神经网络模型在使用时,需要预先设置酸液浓度参数,所述酸液浓度参数包括:
学习率、冲量因子、节点数和训练代数,通过调整节点数和训练代数,控制平均误差在5%之内,得到酸液温度、盐酸浓度、铁离子浓度三者与酸液密度、酸液电导率两者之间的映射关系。
结合本发明实施例,存在一种优选的方案,其中,在使用所述人工神经网络模型建立所述映射关系前,利用酸液浓度化验样本数据对酸液浓度人工神经网络模型进行训练,选择其中80%数据作为样本数据,20%数据作为验证数据,选择Sigmoid函数作为转换函数,采用BP算法对酸液浓度人工神经网络模型进行训练并验证,如果误差控制在5%之内,则训练得到人工神经网络模型可用于所述映射关系的建立。
结合本发明实施例,存在一种优选的方案,其中,所述在酸液浓度人工神经网络模型第二层的节点数为20,训练代数为1000时,得到平均误差在5%内的映射关系。
结合本发明实施例,存在一种优选的方案,其中,所述酸液支持数据生成模块生成依据所述映射关系更新酸液浓度支持数据,具体包括:
利用训练好的酸液浓度人工神经网络模型,对酸液样本数据进行更细粒度的插值计算,计算出相比样本数据更精细化的酸液浓度支持数据,为后续酸液浓度计算模块提供数据支持。
实施例2:
本发明实施例还提供了一种学习型的盐酸浓度铁离子浓度在线检测方法,其特征在于,所述方法涉及酸液温度传感器、酸液密度传感器、酸液电导率传感器、采集器和服务器,其中,采集器连接所述温度传感器、密度传感器和电导率传感器,所述采集器通过以太网或者无线网络与所述服务器建立连接,如图3所示,所述检测方法包括:
在步骤201中,所述服务器接收采集器获取的各传感器采集的样本数据;
在步骤202中,服务器接收所述样本数据,并存储到酸液化验样本数据库中;根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系;并依据所述映射关系更新酸液浓度支持数据;
在步骤203中,所述服务器接收实时采集的酸液温度、酸液密度和酸液电导率数据,匹配酸液浓度支持数据,求解盐酸浓度和铁离子浓度。
与现有技术相比,本发明的有益效果在于:本发明实施例系统建立的酸液浓度人工神经网络模型利用实际的化验数据作为酸液化验样本数据,贴近生产实际;系统建立的酸液浓度人工神经网络模型能够通过训练不断的进行学习,从而达到高的精度;系统建立的酸液浓度人工神经网络模型具有好的非线性映射能力,泛化能力好;系统建立的酸液浓度计算模块以酸液支持数据为基础进行求解,可信度高。
结合本发明实施例,存在一种优选的方案,其中,在使用所述人工神经网络模型建立所述映射关系前,利用酸液浓度化验样本数据对酸液浓度人工神经网络模型进行训练,选择其中80%数据作为样本数据,20%数据作为验证数据,选择Sigmoid函数作为转换函数,采用BP算法对酸液浓度人工神经网络模型进行训练并验证,如果误差控制在5%之内,则训练得到人工神经网络模型可用于所述映射关系的建立。
结合本发明实施例,存在一种优选的方案,其中,所述人工神经网络模型在使用时,需要预先设置酸液浓度参数,所述酸液浓度参数包括:
学习率、冲量因子、节点数和训练代数,通过调整节点数和训练代数,控制平均误差在5%之内,得到酸液温度、盐酸浓度、铁离子浓度三者与酸液密度、酸液电导率两者之间的映射关系。
实施例3:
本实施例将结合实施例1所述系统和实施例2所述方法,以涉及具体参数的方式,参数如何实现本发明所述的一种学习型的酸液浓度在线监测系统和方法。
在步骤301中,按照如图1所示的结构搭建酸液浓度在线检测系统,所述系统包括酸液温度传感器、酸液密度传感器、酸液电导率传感器、采集器、服务器和显示器,并将采集器和服务器通过工业以太网连接起来。
对酸液温度、盐酸浓度和铁离子浓度等参数进行划分,其中,酸液温度包括60℃、65℃、70℃、75℃、76℃、77℃、78℃、79℃、80℃、81℃、82℃、83℃、84℃、85℃和90℃,盐酸浓度包括10g/L、20g/L、30g/L、40g/L、50g/L、60g/L、70g/L、80g/L、90g/L、100g/L、110g/L、120g/L、130g/L、140g/L、150g/L和200g/L,铁离子浓度包括10g/L、20g/L、30g/L、40g/L、50g/L、60g/L、70g/L、80g/L、90g/L、100g/L、110g/L、120g/L、130g/L、140g/L、150g/L和200g/L,尽可能收集全面的酸液浓度化验样本数据,最后形成3840个酸液浓度化验样本数据。
在步骤302中,基于人工神经网络,在酸洗模型计算机上建立酸液浓度人工神经网络模型,模型如图2所示,主要由三层组成,第一层为输入层,接收酸液温度、盐酸浓度和铁离子浓度等样本数据输入,第二层为隐含层,对输入数据进行转换,第三层为输出层,输出酸液密度酸液电导率数据,另外,神经元之间存在多个连接,对应不同且可不断修正的权值。
利用酸液浓度化验样本数据对酸液浓度人工神经网络模型进行训练,选择其中80%数据作为样本数据,20%数据作为验证数据,选择Sigmoid函数作为转换函数,采用BP算法对酸液浓度人工神经网络模型进行训练并验证,如果误差控制在5%之内,则认为训练效果好。
设置酸液浓度人工神经网络模型参数,其中包括:学习率、冲量因子、S函数α值、节点数和训练代数,通过调整节点数和训练代数,在酸液浓度人工神经网络模型第二层的节点数为20,训练代数为1000时,最后将平均误差控制在5%之内,能够实现酸液温度、盐酸浓度、铁离子浓度与酸液密度酸液电导率之间高精度的映射。
利用训练好的酸液浓度人工神经网络模型,对酸液样本数据进行更细粒度的插值计算,计算出相比样本数据更精细化的酸液浓度支持数据,为后续酸液浓度计算模块提供数据支持。
在步骤303中,利用最优化理论,在酸液浓度在线求解计算机上建立酸液浓度求解目标函数,其中目标函数C主要考虑温度差值C1、密度差值C2和电导率差值C3,C=C1+C2+C3,其中差值均为绝对值。
在步骤304中,酸液浓度在线求解计算机接收从采集器传输过来的酸液温度、酸液密度和酸液电导率数据。
在步骤305中,在酸液浓度支持数据中寻找满足差值限定范围内的多组酸液浓度参数组合,将多组酸液浓度参数组合带入酸液浓度求解目标函数并计算各组合的目标函数值,比较各酸液浓度参数组合目标函数值的大小并获取其中最小值对应的酸液浓度参数组合,将其作为对应的盐酸浓度和铁离子浓度进行输出,部分求解结果如表1所示,与化验出的结果误差较小,可以用于酸液浓度在线检测。
表1 酸液浓度在线检测结果
值得说明的是,上述装置和系统内的模块、单元之间的信息交互、执行过程等内容,由于与本发明的处理方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种学习型的盐酸浓度铁离子浓度在线检测系统,其特征在于,所述检测系统包括:酸液温度传感器、酸液密度传感器、酸液电导率传感器、采集器和服务器,其中,采集器连接所述温度传感器、密度传感器和电导率传感器,所述采集器通过以太网或者无线网络,与所述服务器建立连接,具体的:
所述服务器包括存储模块、酸液浓度人工神经网络模型训练模块和酸液支持数据生成模块和酸液浓度计算模块;
其中,所述存储模块用于存储酸液化验样本数据库;
所述酸液浓度人工神经网络模型训练模块,用于根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系;
所述酸液支持数据生成模块生成依据所述映射关系更新酸液浓度支持数据;
所述酸液浓度计算模块接收实时采集的酸液温度、酸液密度和酸液电导率数据,匹配酸液浓度支持数据,求解盐酸浓度和铁离子浓度。
2.根据权利要求1所述的系统,其特征在于,所述根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系的方法,具体采用的是人工神经网模型方法。
3.根据权利要求2所述的系统,其特征在于,所述人工神经网络模型主要由输入层、隐含层和输出层三层组成,具体的:
所述输入层,接收酸液温度、盐酸浓度和铁离子浓度样本数据的输入;
所述隐含层,对输入数据进行转换;
所述输出层,输出酸液密度和酸液电导率数据。
4.根据权利要求3所述的系统,其特征在于,所述人工神经网络模型在使用时,需要预先设置酸液浓度参数,所述酸液浓度参数包括:
学习率、冲量因子、节点数和训练代数,通过调整节点数和训练代数,控制平均误差在5%之内,得到酸液温度、盐酸浓度、铁离子浓度三者与酸液密度、酸液电导率两者之间的映射关系。
5.根据权利要求3或4所述的系统,其特征在于,在使用所述人工神经网络模型建立所述映射关系前,利用酸液浓度化验样本数据对酸液浓度人工神经网络模型进行训练,选择其中80%数据作为样本数据,20%数据作为验证数据,选择Sigmoid函数作为转换函数,采用BP算法对酸液浓度人工神经网络模型进行训练并验证,如果误差控制在5%之内,则训练得到人工神经网络模型可用于所述映射关系的建立。
6.根据权利要求4所述的系统,其特征在于,所述在酸液浓度人工神经网络模型第二层的节点数为20,训练代数为1000时,得到平均误差在5%内的映射关系。
7.根据权利要求1-6任一所述的系统,其特征在,所述酸液支持数据生成模块生成依据所述映射关系更新酸液浓度支持数据,具体包括:
利用训练好的酸液浓度人工神经网络模型,对酸液样本数据进行更细粒度的插值计算,计算出相比样本数据更精细化的酸液浓度支持数据,为后续酸液浓度计算模块提供数据支持。
8.一种学习型的盐酸浓度铁离子浓度在线检测方法,其特征在于,所述方法涉及酸液温度传感器、酸液密度传感器、酸液电导率传感器、采集器和服务器,其中,采集器连接所述温度传感器、密度传感器和电导率传感器,所述采集器通过以太网或者无线网络与所述服务器建立连接,则所述检测方法包括:
所述服务器接收采集器获取的各传感器采集的样本数据;
所述服务器接收所述样本数据,并存储到酸液化验样本数据库中;根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系;并依据所述映射关系更新酸液浓度支持数据;
所述服务器接收实时采集的酸液温度、酸液密度和酸液电导率数据,匹配酸液浓度支持数据,求解盐酸浓度和铁离子浓度。
9.根据权利要求8所述的方法,其特征在于,所述根据样本数据建立酸液温度、酸液密度、酸液电导率三者和盐酸浓度、铁离子浓度两者之间的映射关系之前,还包括:
利用酸液浓度化验样本数据对酸液浓度人工神经网络模型进行训练,选择其中80%数据作为样本数据,20%数据作为验证数据,选择Sigmoid函数作为转换函数,采用BP算法对酸液浓度人工神经网络模型进行训练并验证,如果误差控制在5%之内,则训练得到人工神经网络模型可用于所述映射关系的建立。
10.根据权利要求8所述的方法,其特征在于,所述人工神经网络模型在使用时,需要预先设置酸液浓度参数,所述酸液浓度参数包括:
学习率、冲量因子、节点数和训练代数,通过调整节点数和训练代数,控制平均误差在5%之内,得到酸液温度、盐酸浓度、铁离子浓度三者与酸液密度、酸液电导率两者之间的映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510317124.7A CN104931538A (zh) | 2015-06-10 | 2015-06-10 | 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510317124.7A CN104931538A (zh) | 2015-06-10 | 2015-06-10 | 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104931538A true CN104931538A (zh) | 2015-09-23 |
Family
ID=54118807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510317124.7A Pending CN104931538A (zh) | 2015-06-10 | 2015-06-10 | 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104931538A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490142A (zh) * | 2018-11-28 | 2019-03-19 | 武汉钢铁有限公司 | 一种冷轧酸洗液的浓度分析仪 |
CN113155178A (zh) * | 2020-01-22 | 2021-07-23 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 传感器系统和方法 |
CN113570129A (zh) * | 2021-07-20 | 2021-10-29 | 武汉钢铁有限公司 | 带钢酸洗浓度的预测方法及计算机可读存储介质 |
CN115985822A (zh) * | 2023-03-21 | 2023-04-18 | 江苏凯威特斯半导体科技有限公司 | 一种集成电路芯片高精密表面质量控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1280633A (zh) * | 1997-11-06 | 2001-01-17 | 住友金属工业株式会社 | 酸浓度测定和自动控制的方法和装置 |
DE10135325A1 (de) * | 2001-07-19 | 2003-02-13 | Daimler Chrysler Ag | Verfahren zur Ermittlung von Werten einer raum- und zeitbezogenen Grösse |
WO2007106942A1 (en) * | 2006-03-21 | 2007-09-27 | Commonwealth Scientific And Industrial Research Organisation | Analysis of grape quality using neural network |
TW200934197A (en) * | 2008-01-31 | 2009-08-01 | Univ Yuan Ze | Real-time control system of dynamic petri recurrent-fuzzy-neural-network and its method |
CN101872433A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 一种基于神经网络技术的啤酒口味预估方法 |
CN101949892A (zh) * | 2010-08-20 | 2011-01-19 | 中国人民解放军第三军医大学第三附属医院 | 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法 |
CN101995891A (zh) * | 2010-09-17 | 2011-03-30 | 南京工业大学 | 一种芳香酸生产中母固料回收系统水分在线分析方法 |
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN104089979A (zh) * | 2014-07-17 | 2014-10-08 | 温州大学 | 一种海涂围堤堤身内部缺陷程度识别方法 |
-
2015
- 2015-06-10 CN CN201510317124.7A patent/CN104931538A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1280633A (zh) * | 1997-11-06 | 2001-01-17 | 住友金属工业株式会社 | 酸浓度测定和自动控制的方法和装置 |
DE10135325A1 (de) * | 2001-07-19 | 2003-02-13 | Daimler Chrysler Ag | Verfahren zur Ermittlung von Werten einer raum- und zeitbezogenen Grösse |
WO2007106942A1 (en) * | 2006-03-21 | 2007-09-27 | Commonwealth Scientific And Industrial Research Organisation | Analysis of grape quality using neural network |
TW200934197A (en) * | 2008-01-31 | 2009-08-01 | Univ Yuan Ze | Real-time control system of dynamic petri recurrent-fuzzy-neural-network and its method |
CN101872433A (zh) * | 2010-05-21 | 2010-10-27 | 杭州电子科技大学 | 一种基于神经网络技术的啤酒口味预估方法 |
CN101949892A (zh) * | 2010-08-20 | 2011-01-19 | 中国人民解放军第三军医大学第三附属医院 | 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法 |
CN101995891A (zh) * | 2010-09-17 | 2011-03-30 | 南京工业大学 | 一种芳香酸生产中母固料回收系统水分在线分析方法 |
CN102592171A (zh) * | 2011-12-30 | 2012-07-18 | 南京邮电大学 | 基于bp神经网络的认知网络性能预测方法及装置 |
CN104089979A (zh) * | 2014-07-17 | 2014-10-08 | 温州大学 | 一种海涂围堤堤身内部缺陷程度识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490142A (zh) * | 2018-11-28 | 2019-03-19 | 武汉钢铁有限公司 | 一种冷轧酸洗液的浓度分析仪 |
CN113155178A (zh) * | 2020-01-22 | 2021-07-23 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 传感器系统和方法 |
US11774348B2 (en) | 2020-01-22 | 2023-10-03 | Endress+Hauser Conducta Gmbh+Co. Kg | Sensor system and method |
CN113155178B (zh) * | 2020-01-22 | 2023-10-31 | 恩德莱斯和豪瑟尔分析仪表两合公司 | 传感器系统和方法 |
CN113570129A (zh) * | 2021-07-20 | 2021-10-29 | 武汉钢铁有限公司 | 带钢酸洗浓度的预测方法及计算机可读存储介质 |
CN115985822A (zh) * | 2023-03-21 | 2023-04-18 | 江苏凯威特斯半导体科技有限公司 | 一种集成电路芯片高精密表面质量控制系统 |
CN115985822B (zh) * | 2023-03-21 | 2023-06-09 | 江苏凯威特斯半导体科技有限公司 | 一种集成电路芯片高精密表面质量控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Review on the battery model and SOC estimation method | |
CN104931538A (zh) | 一种学习型的盐酸浓度铁离子浓度在线检测系统和方法 | |
CN103728431A (zh) | 基于极限学习机的工业污水cod在线软测量方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN104034794A (zh) | 一种基于极限学习机的管道漏磁缺陷检测方法 | |
CN103559542A (zh) | 基于先验知识的可拓神经网络模式识别方法 | |
CN116822380B (zh) | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 | |
CN115936061A (zh) | 基于数据驱动的火电厂烟气含氧量软测量方法及系统 | |
CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
CN103559642A (zh) | 基于云计算的金融数据挖掘方法 | |
CN107330550A (zh) | 基于二次退火教与学算法的空间圆柱度评定方法 | |
Li et al. | Analysis on the mechanism and influencing factors of the coordinated development of economy and environment in china’s resource-based cities | |
CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
CN106095746B (zh) | 文字情感辨识系统及方法 | |
Sarmas et al. | Baseline energy modeling for improved measurement and verification through the use of ensemble artificial intelligence models | |
CN105787507B (zh) | 基于预算支持向量集的LS‑SVMs在线学习方法 | |
CN112418623A (zh) | 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法 | |
Ahmad et al. | Energy demand forecasting of buildings using random neural networks | |
CN207336417U (zh) | 一种酸液浓度在线检测系统 | |
CN110263388A (zh) | 一种基于随机Petri网的多个无人机协同系统性能评估方法 | |
CN102567785A (zh) | 一种基于数值模型的煤元素分析方法 | |
CN105139025B (zh) | 基于非线性分析方法的气固流化床流型在线智能识别方法 | |
Krishansamy et al. | Multi constrained optimization combining ARMAX with differential search for damage assessment | |
CN113779871A (zh) | 一种电热耦合系统调度方法、装置、电子设备及其存储介质 | |
Balas et al. | Special issue on fuzzy theoretical model analysis for signal processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150923 |
|
WD01 | Invention patent application deemed withdrawn after publication |