CN109101683A - 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 - Google Patents

燃煤分质利用与清洁预处理系统热解釜的模型更新方法 Download PDF

Info

Publication number
CN109101683A
CN109101683A CN201810700351.1A CN201810700351A CN109101683A CN 109101683 A CN109101683 A CN 109101683A CN 201810700351 A CN201810700351 A CN 201810700351A CN 109101683 A CN109101683 A CN 109101683A
Authority
CN
China
Prior art keywords
model
prediction
coal
data
value
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.)
Granted
Application number
CN201810700351.1A
Other languages
English (en)
Other versions
CN109101683B (zh
Inventor
王春林
梁莹
柏建军
张日东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810700351.1A priority Critical patent/CN109101683B/zh
Publication of CN109101683A publication Critical patent/CN109101683A/zh
Application granted granted Critical
Publication of CN109101683B publication Critical patent/CN109101683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种燃煤分质利用与清洁预处理系统热解釜的模型更新方法。本发明通过分析原有模型预测超出误差限度的数据，对不同情况的预测错误做出不同的模型更新策略，实现模型更新，减小了大部分情况下的模型更新工作量和所用更新时间，利用该方法可以快速、高效的实现模型的更新；本发明具体是对超出原有模型预测误差限度的数据进行分析分类，对不同的预测错误情况采用不同的模型更新方法，实现模型更新。该方法减小了模型更新的工作量，提高了模型更新的速度，缩短了模型更新的计算工作量和时间。

Description

燃煤分质利用与清洁预处理系统热解釜的模型更新方法
技术领域
本发明属于信息控制技术领域，涉及到数据建模技术，特别是涉及一种一种燃煤分质利用清洁处理系统中热解釜的模型更新方法。
背景技术
燃煤分质利用清洁处理系统中热解釜的控制是燃煤分质利用清洁处理系统中热解反应和不同产品质量保障的最重要技术关键，其目标是在一定生产条件和要求下，根据热解釜进煤量及煤质参数的情况，通过调整热解釜各燃烧器运行参数，可以获得最优的热解釜状态特征指标，从而使产品符合生产需求的基础上利益最大化。不同的给煤量、不同的煤质情况及热解釜的各燃烧器的给风和给燃气等运行参数的不同，都对热解釜内的温度分布和压力分布有直接的影响，不同的燃烧器的给油和给风的配合会直接导致不同的反应釜内的温度和压力分布的情况，进而决定了燃煤分质利用清洁处理系统的产品情况和产量情况，尤其是在有扰动的情况下，温度和压力分布更不稳定。在一定的设备条件和产品需求下，针对热解釜存在一种最优的运行参数配置(包括各燃烧器运行参数)方案，能够使相应的热解釜的状态特征指标最优，从而达到生产效率和效益最大化的目标。但是，热解釜内的温度与压力分布与各燃烧器运行参数、热解釜进煤量、煤质参数及热解釜不同段产品量及品质参数有着非常复杂的耦合关系，要找到最优的运行参数的配置并不容易。燃煤分质利用清洁处理系统是一种新生的工艺生产过程，主要针对燃煤的分质利用提高其利用效率，同时降低燃煤的污染排放，其运行优化控制问题还没有得到解决。
实际生产中，由于其是新兴的生产技术，燃煤分质利用清洁处理系统的运行主要还是靠工作人员摸索，其目标也只是维持生产正常进行，因此其生产过程中运行状态还有很大的可提升空间。
通过数据建模，在大量不同的生产运行参数组合中，应用建模算法，回归出各燃烧器运行参数、热解釜进煤量、煤质参数与热解釜内轴向温度和压力分布间的关系模型，为下一步的运行优化打下坚实的基础。如何使该方法真正达到燃煤分质利用清洁处理系统生产实际的要求，是该技术的关键，主要难题包括，如何提高模型的预测能力和泛化能力。
由于燃烧设备的燃烧特性及热解釜传热特性随着时间的增长会有所改变，从而使运行规律变化，而且进煤量和煤质参数(废塑料种类)有时也会变化，因此如何保证模型能够快速、高效的更新以适应新的情况成为了这种方法的关键问题。该问题与建模方法、样本数据选取及更新策略等都有很大关系。
发明内容
本发明的目的是针对燃煤分质利用清洁处理系统运行优化中瓶颈问题，提出一种兼顾历史学习结果与新的变化情况的模型更新方法。
本发明的技术方案是通过分析原有模型预测超出误差限度的数据，对不同情况的预测错误做出不同的模型更新策略，实现模型更新，减小了大部分情况下的模型更新工作量和所用更新时间，利用该方法可以快速、高效的实现模型的更新。
本发明方法的步骤包括：
步骤(1)建立原有模型的预测错误标准并采集预测错误数据。根据燃煤分质利用与清洁预处理系统热解釜的工艺要求，设定模型的预测允许误差限ψ，燃煤分质利用与清洁预处理系统热解釜的检测目标为轴向温度和压力分布(反应釜内壁轴向取M个温度和压力监测点，M≥3)，当模型对热解釜轴向分布的M个温度和压力检测点有一个点误差大于允许误差限ψ时，则采集该组数据，以便模型更新用。
步骤(2)对模型预测错误误差进行分析分类，以确定不同情况下模型更新方法。针对模型的预测误差可分为以下三种类型：①整体预测偏大或偏小。这种情况是由于燃煤分质利用与清洁预处理系统热解釜的运行规律的变化或测量导致；②在某种运行条件(参数)下预测误差偏大或偏小，例如对于特定煤质(参数)的运行情况。这种情况是由于模型对该运行条件(参数)包含不充分造成；③除以上两种情况外的复杂预测错误误差。这种情况说明原有模型已不能完全适应燃煤分质利用与清洁预处理系统热解釜的运行预测。
步骤(3)针对以上三种情况进行不同策略的模型更新，以建立新模型更好的预测燃煤分质利用与清洁预处理系统热解釜运行工况。对于情况①原模型需要更新时，根据采集错误预测数据的预测值与真实值的比值k进行修正，对模型预测值乘以修正系数k以减小预测误差，使修正后的预测值达到工艺要求。对于情况②可总结或回归该运行条件(参数)与目标值间的经验公式，并将该公式与原模型耦合，在该运行条件下对原模型预测进行纠正，以使模型在全工况条件下的预测均可达到生产工艺要求。对于情况③可进行重新建模以替代原模型，使预测达到工艺要求。对于重建模型进行更新的方法，其重点再如何设定训练样本，本专利中选取步骤(1)所采集的预测错误数据中的数据及采集最新的运行数据相混合作为训练样本，其数据比例为4：6致6：4之间。新模型采用基于数据的建模方法，在此本专利以BP神经网络为例进行建模说明。数据样本可以表示为其中xi表示第i组作为输入数据参数(包括各燃烧器运行参数、热解釜进煤量、煤质参数)，yi表示第i组作为输出参数的表征热解釜状态特征指标的参数向量(M个反应釜轴向的温度值和压力值)，N为样本数量，采用学习能力和函数逼近能力强的BP神经网络建模，其影射函数取为径向基函数
对于n个隐节点的3层BP神经网络，影射函数取为径向基函数后，其输出为：wi为权重系数，x为m维输入向量，ci为第i个基函数的中心，ρi为函数的基宽度参数。建立此BP神经网络模型的关键在于确定基函数的中心ci，基宽度ρi，权重系数wi及隐含节点数n。本专利采用遗传算法迭代训练神经网络，定义遗传算法初始群体A向量的各维分量，分别为基函数中心ci、隐节点个n、函数的基宽度ρi和权重系数wi，目标函数为：其中为第i个样本的神经网络输出值，yi为第i个样本的实际值。当J达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得神经网络模型。用此新模型替代原有模型即实现模更新。若原模型中还含有有用规律信息，则可将新模型与原模型进行集成实现模型更新：采集新的燃煤分质利用与清洁预处理系统热解釜不同运行状态下的数据k组作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即yi＝λEn+γEo，其中yi为第i组检验样本工况的目标预测值，En为新模型预测值，Eo为原有模型预测值，λ为新模型预测值权重系数，γ为原有模型的预测权重系数，且λ+γ＝1；λ与γ的确定也采用遗传算法寻优确定，初始化遗传算法初始向量Z的各维分量，分别为新模型权重λ和原有模型权重γ，目标函数为：其中k为新采集的检验数据量，yoi为第i组检验数据工况实际目标值。当L达到设定值或完成迭代次数时，寻优完成，获得新模型和已有模型的比例系数λ和γ。并按比例集成新模型和原有模型，实现模型更新。
本发明方法既可以在线优化也可以离线优化，本发明具体是对超出原有模型预测误差限度的数据进行分析分类，对不同的预测错误情况采用不同的模型更新方法，实现模型更新。该方法减小了模型更新的工作量，提高了模型更新的速度，缩短了模型更新的计算工作量和时间。
具体实施方式
一种燃煤分质利用与清洁预处理系统热解釜的模型更新方法，具体是以下步骤：
(1)建立原有模型的预测错误标准并采集预测错误数据。根据燃煤分质利用与清洁预处理系统热解釜的工艺要求，设定模型的预测允许误差限ψ，燃煤分质利用与清洁预处理系统热解釜的检测目标为轴向温度和压力分布(反应釜内壁轴向取M个温度和压力监测点，M≥3)，当模型对热解釜轴向分布的M个温度和压力检测点有一个点误差大于允许误差限ψ时，则采集该组数据，以便模型更新用。
(2)对模型预测错误误差进行分析分类，以确定不同情况下模型更新方法。针对模型的预测误差可分为以下三种类型：①整体预测偏大或偏小。这种情况是由于燃煤分质利用与清洁预处理系统热解釜的运行规律的变化或测量导致；②在某种运行条件(参数)下预测误差偏大或偏小，例如对于特定煤质(参数)的运行情况。这种情况是由于模型对该运行条件(参数)包含不充分造成；③除以上两种情况外的复杂预测错误误差。这种情况说明原有模型已不能完全适应燃煤分质利用与清洁预处理系统热解釜的运行预测。
(3)针对以上三种情况进行不同策略的模型更新，以建立新模型更好的预测燃煤分质利用与清洁预处理系统热解釜运行工况。对于情况①原模型需要更新时，根据采集错误预测数据的预测值与真实值的比值k进行修正，对模型预测值乘以修正系数k以减小预测误差，使修正后的预测值达到工艺要求。对于情况②可总结或回归该运行条件(参数)与目标值间的经验公式，并将该公式与原模型耦合，在该运行条件下对原模型预测进行纠正，以使模型在全工况条件下的预测均可达到生产工艺要求。对于情况③可进行重新建模以替代原模型，使预测达到工艺要求。对于重建模型进行更新的方法，其重点再如何设定训练样本，本专利中选取步骤(1)所采集的预测错误数据中的数据及采集最新的运行数据相混合作为训练样本，其数据比例为4：6致6：4之间。新模型采用基于数据的建模方法，在此本专利以BP神经网络为例进行建模说明。数据样本可以表示为其中xi表示第i组作为输入数据参数(包括各燃烧器运行参数、热解釜进煤量、煤质参数)，yi表示第i组作为输出参数的表征热解釜状态特征指标的参数向量(M个反应釜轴向的温度值和压力值)，N为样本数量，采用学习能力和函数逼近能力强的BP神经网络建模，其影射函数取为径向基函数
对于n个隐节点的3层BP神经网络，影射函数取为径向基函数后，其输出为：wi为权重系数，x为m维输入向量，ci为第i个基函数的中心，ρi为函数的基宽度参数。建立此BP神经网络模型的关键在于确定基函数的中心ci，基宽度ρi，权重系数wi及隐含节点数n。本专利采用遗传算法迭代训练神经网络，定义遗传算法初始群体A向量的各维分量，分别为基函数中心ci、隐节点个n、函数的基宽度ρi和权重系数wi，目标函数为：其中为第i个样本的神经网络输出值，yi为第i个样本的实际值。当J达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得神经网络模型。用此新模型替代原有模型即实现模更新。若原模型中还含有有用规律信息，则可将新模型与原模型进行集成实现模型更新：采集新的燃煤分质利用与清洁预处理系统热解釜不同运行状态下的数据k组作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即yi＝λEn+γEo，其中yi为第i组检验样本工况的目标预测值，En为新模型预测值，Eo为原有模型预测值，λ为新模型预测值权重系数，γ为原有模型的预测权重系数，且λ+γ＝1；λ与γ的确定也采用遗传算法寻优确定，初始化遗传算法初始向量Z的各维分量，分别为新模型权重λ和原有模型权重γ，目标函数为：其中k为新采集的检验数据量，yoi为第i组检验数据工况实际目标值。当L达到设定值或完成迭代次数时，寻优完成，获得新模型和已有模型的比例系数λ和γ。并按比例集成新模型和原有模型，实现模型更新。

Claims (1)

1.燃煤分质利用与清洁预处理系统热解釜的模型更新方法，其特征在于：该方法的步骤包括：
步骤(1)建立原有模型的预测错误标准并采集预测错误数据；根据燃煤分质利用与清洁预处理系统热解釜的工艺要求，设定模型的预测允许误差限ψ，燃煤分质利用与清洁预处理系统热解釜的检测目标为轴向温度和压力分布，反应釜内壁轴向取M个温度和压力监测点，M≥3，当模型对热解釜轴向分布的M个温度和压力检测点有一个点误差大于允许误差限ψ时，则采集该组数据，以便模型更新用；
步骤(2)对模型预测错误误差进行分析分类，以确定不同情况下模型更新方法；针对模型的预测误差可分为以下三种类型：①整体预测偏大或偏小；这种情况是由于燃煤分质利用与清洁预处理系统热解釜的运行规律的变化或测量导致；②在某种运行条件下预测误差偏大或偏小，；这种情况是由于模型对该运行条件包含不充分造成；③除以上两种情况外的复杂预测错误误差；这种情况说明原有模型已不能完全适应燃煤分质利用与清洁预处理系统热解釜的运行预测；
步骤(3)针对以上三种情况进行不同策略的模型更新，以建立新模型更好的预测燃煤分质利用与清洁预处理系统热解釜运行工况；对于情况①原模型需要更新时，根据采集错误预测数据的预测值与真实值的比值k进行修正，对模型预测值乘以修正系数k以减小预测误差，使修正后的预测值达到工艺要求；对于情况②可总结或回归该运行条件与目标值间的经验公式，并将该公式与原模型耦合，在该运行条件下对原模型预测进行纠正，以使模型在全工况条件下的预测均可达到生产工艺要求；对于情况③进行重新建模以替代原模型，使预测达到工艺要求；对于重建模型进行更新的方法，其重点再如何设定训练样本，选取步骤(1)所采集的预测错误数据中的数据及采集最新的运行数据相混合作为训练样本，其数据比例为4：6至6：4之间；
新模型采用基于数据的建模方法，以BP神经网络进行建模；数据样本表示为其中xi表示第i组作为输入数据参数，包括各燃烧器运行参数、热解釜进煤量、煤质参数，yi表示第i组作为输出参数的表征热解釜状态特征指标的参数向量，即M个反应釜轴向的温度值和压力值，N为样本数量，采用学习能力和函数逼近能力强的BP神经网络建模，其影射函数取为径向基函数
对于n个隐节点的3层BP神经网络，影射函数取为径向基函数后，其输出为：wi为权重系数，x为m维输入向量，ci为第i个基函数的中心，ρi为函数的基宽度参数；建立此BP神经网络模型的关键在于确定基函数的中心ci，基宽度ρi，权重系数wi及隐含节点数n；采用遗传算法迭代训练神经网络，定义遗传算法初始群体A向量的各维分量，分别为基函数中心ci、隐节点个n、函数的基宽度ρi和权重系数wi，目标函数为：其中为第i个样本的神经网络输出值，yi为第i个样本的实际值；当J达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得神经网络模型；用此新模型替代原有模型即实现模更新；若原模型中还含有有用规律信息，则将新模型与原模型进行集成实现模型更新：采集新的燃煤分质利用与清洁预处理系统热解釜不同运行状态下的数据k组作为检验样本，应用原有模型预测与新模型加权平均的预测方法，对检验数据进行预测，即yi＝λEn+γEo，其中yi为第i组检验样本工况的目标预测值，En为新模型预测值，Eo为原有模型预测值，λ为新模型预测值权重系数，γ为原有模型的预测权重系数，且λ+γ＝1；λ与γ的确定也采用遗传算法寻优确定，初始化遗传算法初始向量Z的各维分量，分别为新模型权重λ和原有模型权重γ，目标函数为：minL，其中k为新采集的检验数据量，yoi为第i组检验数据工况实际目标值；当L达到设定值或完成迭代次数时，寻优完成，获得新模型和已有模型的比例系数λ和γ；并按比例集成新模型和原有模型，实现模型更新。
CN201810700351.1A 2018-06-29 2018-06-29 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 Active CN109101683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810700351.1A CN109101683B (zh) 2018-06-29 2018-06-29 燃煤分质利用与清洁预处理系统热解釜的模型更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810700351.1A CN109101683B (zh) 2018-06-29 2018-06-29 燃煤分质利用与清洁预处理系统热解釜的模型更新方法

Publications (2)

Publication Number Publication Date
CN109101683A true CN109101683A (zh) 2018-12-28
CN109101683B CN109101683B (zh) 2022-03-18

Family

ID=64845193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810700351.1A Active CN109101683B (zh) 2018-06-29 2018-06-29 燃煤分质利用与清洁预处理系统热解釜的模型更新方法

Country Status (1)

Country Link
CN (1) CN109101683B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110095988A (zh) * 2019-05-27 2019-08-06 杭州电子科技大学 一种连续搅拌反应釜状态估计器的参数优化方法
CN111612212A (zh) * 2020-04-10 2020-09-01 杭州电子科技大学 一种磨煤机煤粉细度的在线优化模型更新方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194057A (zh) * 2011-05-05 2011-09-21 浙江宜景环保科技有限公司 一种废塑料炼油燃烧优化的模型更新方法
US20110276164A1 (en) * 2010-05-04 2011-11-10 Bourg Jr Wilfred Marcellien Advanced batch control
CN106594794A (zh) * 2016-12-22 2017-04-26 杭州电子科技大学 一种混合智能锅炉效率燃烧优化模型更新方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110276164A1 (en) * 2010-05-04 2011-11-10 Bourg Jr Wilfred Marcellien Advanced batch control
CN102194057A (zh) * 2011-05-05 2011-09-21 浙江宜景环保科技有限公司 一种废塑料炼油燃烧优化的模型更新方法
CN106594794A (zh) * 2016-12-22 2017-04-26 杭州电子科技大学 一种混合智能锅炉效率燃烧优化模型更新方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUN-LIN WANG: "The study of building model to predict ash fusion temperature", 《IEEE XPLORE》 *
辜浣珊 等: "发电厂燃煤计量的误差分析", 《万方数据库》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110095988A (zh) * 2019-05-27 2019-08-06 杭州电子科技大学 一种连续搅拌反应釜状态估计器的参数优化方法
CN111612212A (zh) * 2020-04-10 2020-09-01 杭州电子科技大学 一种磨煤机煤粉细度的在线优化模型更新方法

Also Published As

Publication number Publication date
CN109101683B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN109814513B (zh) 一种基于数据模型的催化裂化装置优化方法
CN106872658B (zh) 一种基于向量时间序列模型的污水cod负荷预测的方法
Wang et al. A deep learning based dynamic COD prediction model for urban sewage
CN114692265B (zh) 一种基于深度强化学习的零碳建筑优化设计方法
KR102440372B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
CN102184287B (zh) 一种废塑料炼油燃烧优化的建模方法
CN103543719B (zh) 一种基于工况的流程行业操作模式自适应调整方法
CN116224947B (zh) 可主动融入领域规则知识的深度学习工业控制系统
CN111142494B (zh) 一种胺液再生装置的智能控制方法及系统
JP5698576B2 (ja) グラフ編集型シミュレーション装置、グラフ編集型シミュレーションプログラム、及びプラント維持管理システム
CN117787508B (zh) 基于模型预测的建筑施工过程碳排放处理方法及系统
CN109101683A (zh) 燃煤分质利用与清洁预处理系统热解釜的模型更新方法
CN102842066A (zh) 一种生物质炉燃烧优化的建模方法
CN118350678B (zh) 基于物联网与大数据的水环境监测数据处理方法及系统
CN114707120A (zh) 一种测算碳排放规模的统计学建模方法
CN114944203A (zh) 基于自动寻优算法与深度学习的废水处理监控方法及系统
CN117474173B (zh) 一种用于平原河网地区多水源动态调配装置及系统
CN116085823A (zh) 锅炉燃烧控制方法及系统
Ye et al. Prediction of effluent total nitrogen and energy consumption in wastewater treatment plants: Bayesian optimization machine learning methods
CN103793582B (zh) 圆柱壳大开孔接管结构优化方法
CN101301538A (zh) 水处理药剂投加模糊智能控制系统
CN114971258B (zh) 基于焦炭质量预测的工业流程优化方法及系统
CN114740713B (zh) 一种湿法烟气脱硫过程的多目标优化控制方法
CN109858707A (zh) 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法
Qiang et al. The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant