CN109165798A - 一种水泥熟料游离氧化钙含量在线预测方法及系统 - Google Patents
一种水泥熟料游离氧化钙含量在线预测方法及系统 Download PDFInfo
- Publication number
- CN109165798A CN109165798A CN201811218283.1A CN201811218283A CN109165798A CN 109165798 A CN109165798 A CN 109165798A CN 201811218283 A CN201811218283 A CN 201811218283A CN 109165798 A CN109165798 A CN 109165798A
- Authority
- CN
- China
- Prior art keywords
- network model
- vector
- biasing
- calcium oxide
- belief network
- 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
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 239000000292 calcium oxide Substances 0.000 title claims abstract description 79
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 239000004568 cement Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 133
- 239000002002 slurry Substances 0.000 claims description 19
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 11
- 239000003245 coal Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000000377 silicon dioxide Substances 0.000 claims description 8
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- FAHBNUUHRFUEAI-UHFFFAOYSA-M hydroxidooxidoaluminium Chemical compound O[Al]=O FAHBNUUHRFUEAI-UHFFFAOYSA-M 0.000 claims description 6
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 5
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 5
- 239000004571 lime Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims 1
- 229910052782 aluminium Inorganic materials 0.000 claims 1
- 239000004411 aluminium Substances 0.000 claims 1
- 208000011580 syndromic disease Diseases 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 6
- PNEYBMLMFCGWSK-UHFFFAOYSA-N Alumina Chemical compound [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 229910052791 calcium Inorganic materials 0.000 description 3
- 239000011575 calcium Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000001354 calcination Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种水泥熟料游离氧化钙含量在线预测方法及系统。方法包括：获取深度信念网络模型的输入向量和输出向量；根据输入向量和输出向量构建氧化钙含量预测的深度信念网络模型；获取深度信念网络模型的多个训练样本；训练样本包括输入样本和输出样本；根据多个训练样本对深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型；获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量，输入向量为引入时间序列的输入向量；将当前输入向量输入训练后的深度信念网络模型进行预测，得到水泥熟料游离氧化钙的含量。本发明能够解决水泥烧成过程中变量数据与游离氧化钙指标之间存在时变时延的问题。
Description
技术领域
本发明涉及水泥生产游离氧化钙含量预测领域，特别是涉及一种水泥熟料游离氧化钙含量在线预测方法及系统。
背景技术
水泥烧成过程中熟料游离氧化钙的含量是衡量水泥质量的一个重要标准，它表示生料煅烧中氧化钙与氧化硅、氧化铝、氧化铁结合后剩余的程度，它的高低直接影响水泥熟料的强度。所以对水泥熟料游离氧化钙含量进行准确的预测可以为进一步的水泥熟料质量优化提供依据。目前水泥熟料氧化钙的含量难以在线检测，其含量获取主要依靠人工采样化验得出，具有很大滞后性，难以保证对水泥质量的实时优化。针对上述问题，一些学者采用了不同的算法来研究水泥熟料氧化钙的软测量模型，一些学者采用最小二乘支持向量机用于水泥熟料游离氧化钙的预测，但是最小二乘支持向量机适合小数据进行计算，并且需要进行复杂的数据清洗。一些学者采用BP神经网络对水泥熟料游离氧化钙含量进行预测，但是BP神经网络难以解决上述研究由于自身局限性难以解决时变时延的问题，并且难以应用于大数据建模，因此在解决时变时延问题的同时进行在线的预测，显得尤为重要。
发明内容
本发明的目的是提供一种水泥熟料游离氧化钙含量在线预测方法及系统，解决了水泥烧成过程中变量数据与游离氧化钙指标之间存在时变时延的问题。
为实现上述目的，本发明提供了如下方案：
一种水泥熟料游离氧化钙含量在线预测方法，所述方法包括：
获取深度信念网络模型的输入向量和输出向量；
根据所述输入向量和所述输出向量构建氧化钙含量预测的深度信念网络模型；
获取所述深度信念网络模型的多个训练样本；所述训练样本包括输入样本和输出样本；
根据多个所述训练样本对所述深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型；
获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量；
将所述当前输入向量输入所述训练后的深度信念网络模型进行预测，得到所述水泥熟料游离氧化钙的含量。
可选的，所述获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量，具体包括：
选取14个与能耗相关的输入变量，所述输入变量包括：分解炉出口温度X1、喂料量X2、二次风温X3、窑头负压X4、一级筒出口温度X5、窑尾温度X6、高温风机转速X7、窑头喂煤量X8、分解炉喂煤量X9、窑电流平均值X10、水泥生料硅酸率X11、水泥生料铝酸率X12、水泥生料石灰饱和系数X13、水泥熟料氯离子含量X14；
选取包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于一个时刻t的游离氧化钙含量，设时间区间为n，将所述输入变量按行依次输入形成矩阵；
所述时间序列通过下列公式表示：
Xi＝(Xi(t),Xi(t+1),…,Xi(t+n))T,i＝1,2,3,…,14。
可选的，所述根据多个所述训练样本对所述深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型，具体包括：
根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置；其中，v表示可见层的状态向量，h表示隐含层的状态向量，a表示可见层v的偏置，b表示隐含层h的偏置；w表示可见层v与隐含层h之间的权值向量；
初始化所述权值向量，所述可见层偏置和所述隐含层偏置；
对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量、所述可见层偏置和所述隐含层偏置；
根据所述权值向量、所述可见层偏置和所述隐含层偏置确定当前深度信念网络模型；
获取所述当前深度信念网络模型的实际输出；
根据所述实际输出确定全局误差；
判断所述全局误差是否小于预设误差值，获得第一判断结果；
若所述第一判断结果为所述全局误差小于预设误差值，确定所述当前深度信念网络模型为所述训练后的深度信念网络模型；
若所述第一判断结果为所述全局误差不小于预设误差值，则根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置。
可选的，所述对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量、所述可见层偏置和所述隐含层偏置，具体包括：
根据下列公式更新所述权值向量、所述可见层偏置和所述隐含层偏置：
bj＝P(hj＝1|v(0))-P(hj＝1|v(1))
其中，表示可见层，表示采样得到的隐含层，表示隐含层，表示采样更新得到的可见层，P(hj|v(1))表示隐含层激活概率，P(vi|h(1))表示可见层的激活概率。
可选的，所述根据所述实际输出确定全局误差之后还包括；
对所述全局误差采用带有动量项的梯度下降法进行微调，得到微调后的全局误差。
一种水泥熟料游离氧化钙含量在线预测系统，所述系统包括：
输入向量和输出向量获取模块，用于获取深度信念网络模型的输入向量和输出向量；
深度信念网络模型构建模块，用于根据所述输入向量和所述输出向量构建氧化钙含量预测的深度信念网络模型；
输入样本和输出样本获取模块，用于获取所述深度信念网络模型的多个训练样本；所述训练样本包括输入样本和输出样本；
深度信念网络模型训练模块，用于根据多个所述训练样本对所述深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型；
输入向量获取模块，用于获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量；
氧化钙含量预测模块，用于将所述当前输入向量输入所述训练后的深度信念网络模型进行预测，得到所述水泥熟料游离氧化钙的含量。
可选的，所述当前输入向量获取模块，具体包括：
输入变量选取单元，用于选取14个与能耗相关的输入变量，所述输入变量包括：分解炉出口温度X1、喂料量X2、二次风温X3、窑头负压X4、一级筒出口温度X5、窑尾温度X6、高温风机转速X7、窑头喂煤量X8、分解炉喂煤量X9、窑电流平均值X10、水泥生料硅酸率X11、水泥生料铝酸率X12、水泥生料石灰饱和系数X13、水泥熟料氯离子含量X14；
时间区间选取单元，用于选取包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于一个时刻t的游离氧化钙含量，设时间区间为n，将所述输入变量按行依次输入形成矩阵；
所述时间序列通过下列公式表示：
Xi＝(Xi(t),Xi(t+1),…,Xi(t+n))T,i＝1,2,3,…,14。
可选的，所述深度信念网络模型训练模块，具体包括：
参数确定单元，用于根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置；其中，v表示可见层的状态向量，h表示隐含层的状态向量，a表示可见层v的偏置，b表示隐含层h的偏置；w表示可见层v与隐含层h之间的权值向量；
初始化单元，用于初始化所述权值向量，所述可见层偏置和所述隐含层偏置；
更新单元，用于对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量，所述可见层偏置和所述隐含层偏置；
当前深度信念网络模型构建单元，用于根据所述权值向量、所述可见层偏置和所述隐含层偏置确定当前深度信念网络模型；
实际输出确定单元，用于获取所述当前深度信念网络模型的实际输出；
全局误差确定单元，用于根据所述实际输出确定全局误差；
判断单元，用于判断所述全局误差是否小于预设误差值，获得第一判断结果；
若所述第一判断结果为所述全局误差小于预设误差值，确定所述当前深度信念网络模型为所述训练后的深度信念网络模型；
若所述第一判断结果为所述全局误差不小于预设误差值，则根据公式Eθ(v,h)＝-aTv-bTh-hTWw确定权值向量、可见层偏置和隐含层偏置。
可选的，所述更新单元，具体包括：
更新子单元，用于根据下列公式更新所述权值向量、所述可见层偏置和所述隐含层偏置：
bj＝P(hi＝1|v(0))-P(hj＝1|v(1))
其中，表示可见层，表示采样得到的隐含层，表示隐含层，表示采样更新得到的可见层，P(hj|v(1))表示隐含层激活概率，P(vi|h(1))表示可见层的激活概率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种水泥熟料游离氧化钙含量在线预测方法，针对变量数据与预测指标存在时变时延的问题，引入时间序列构建输入层，确定一个包含各变量时延的区间，将该区间变量数据对应与一个时刻的游离氧化钙值，消除了各变量时延对熟料游离氧化钙预测的影响。此外，本发明采用带有动量项的梯度下降算法进行反向微调，进一步提高模型精度，提高了水泥熟料的生产质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例水泥熟料游离氧化钙含量在线预测方法流程图；
图2为本发明实施例水泥熟料游离氧化钙含量在线预测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种水泥熟料游离氧化钙含量在线预测方法及系统，能够解决水泥烧成过程中变量数据与游离氧化钙指标之间存在时变时延的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例水泥熟料游离氧化钙含量在线预测方法流程图。如图1所示，一种水泥熟料游离氧化钙含量在线预测方法，所述方法包括：
步骤101：获取深度信念网络模型的输入向量和输出向量；
步骤102：根据所述输入向量和所述输出向量构建氧化钙含量预测的深度信念网络模型；
步骤103：获取所述深度信念网络模型的多个训练样本；所述训练样本包括输入样本和输出样本；
步骤104：根据多个所述训练样本对所述深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型；
步骤105：获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量；
步骤106：将所述当前输入向量输入所述训练后的深度信念网络模型进行预测，得到所述水泥熟料游离氧化钙的含量。
步骤105，具体包括：
选取14个与能耗相关的输入变量，所述输入变量包括：分解炉出口温度X1、喂料量X2、二次风温X3、窑头负压X4、一级筒出口温度X5、窑尾温度X6、高温风机转速X7、窑头喂煤量X8、分解炉喂煤量X9、窑电流平均值X10、水泥生料硅酸率X11、水泥生料铝酸率X12、水泥生料石灰饱和系数X13、水泥熟料氯离子含量X14；
选取包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于一个时刻t的游离氧化钙含量，设时间区间为n，将所述输入变量按行依次输入形成矩阵；
所述时间序列通过下列公式表示：
Xi＝(Xi(t),Xi(t+1),…,Xi(t+n))T,i＝1,2,3,…,14。
步骤104，具体包括：
根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置；其中，v表示可见层的状态向量，h表示隐含层的状态向量，a表示可见层v的偏置，b表示隐含层h的偏置；w表示可见层v与隐含层h之间的权值向量；
初始化所述权值向量，所述可见层偏置和所述隐含层偏置；
对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量、所述可见层偏置和所述隐含层偏置；
根据所述权值向量、所述可见层偏置和所述隐含层偏置确定当前深度信念网络模型；
获取所述当前深度信念网络模型的实际输出；
根据所述实际输出确定全局误差；
判断所述全局误差是否小于预设误差值，获得第一判断结果；
若所述第一判断结果为所述全局误差小于预设误差值，确定所述当前深度信念网络模型为所述训练后的深度信念网络模型；
若所述第一判断结果为所述全局误差不小于预设误差值，则根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置。
可选的，所述对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量、所述可见层偏置和所述隐含层偏置，具体包括：
根据下列公式更新所述权值向量、所述可见层偏置和所述隐含层偏置：
bj＝P(hj＝1|v(0))-P(hj＝1|v(1))；
其中，表示可见层，表示采样得到的隐含层，表示隐含层，表示采样更新得到的可见层，P(hj|v(1))表示隐含层激活概率，P(vi|h(1))表示可见层的激活概率。
所述根据所述实际输出确定全局误差之后还包括；
对所述全局误差采用带有动量项的梯度下降法进行微调，得到微调后的全局误差。
本发明具有以下优点：
本发明建立的水泥烧成过程熟料游离氧化钙预测模型，针对变量数据与预测指标存在时变时延的问题，引入时间序列构建输入层，确定一个包含各变量时延的区间，将该区间变量数据对应与一个时刻的游离氧化钙值，消除了各变量时延对熟料游离氧化钙预测的影响。
本发明建立的水泥烧成过程熟料游离氧化钙预测模型，避免了复杂的数据清洗和时序匹配问题，简化了模型复杂度，同时采用带有动量项的梯度下降算法进行反向微调，进一步提高了模型精度，提高了水泥熟料的生产质量。
图2为本发明实施例水泥熟料游离氧化钙含量在线预测系统结构图。如图2所示，一种水泥熟料游离氧化钙含量在线预测系统，所述系统包括：
输入向量和输出向量获取模块201，用于获取深度信念网络模型的输入向量和输出向量；
深度信念网络模型构建模块202，用于根据所述输入向量和所述输出向量构建氧化钙含量预测的深度信念网络模型；
输入样本和输出样本获取模块203，用于获取所述深度信念网络模型的多个训练样本；所述训练样本包括输入样本和输出样本；
深度信念网络模型训练模块204，用于根据多个所述训练样本对所述深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型；
输入向量获取模块205，用于获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量；
氧化钙含量预测模块206，用于将所述当前输入向量输入所述训练后的深度信念网络模型进行预测，得到所述水泥熟料游离氧化钙的含量。
所述当前输入向量获取模块205，具体包括：
输入变量选取单元，用于选取14个与能耗相关的输入变量，所述输入变量包括：分解炉出口温度X1、喂料量X2、二次风温X3、窑头负压X4、一级筒出口温度X5、窑尾温度X6、高温风机转速X7、窑头喂煤量X8、分解炉喂煤量X9、窑电流平均值X10、水泥生料硅酸率X11、水泥生料铝酸率X12、水泥生料石灰饱和系数X13、水泥熟料氯离子含量X14；
时间区间选取单元，用于选取包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于一个时刻t的游离氧化钙含量，设时间区间为n，将所述输入变量按行依次输入形成矩阵；
所述时间序列通过下列公式表示：
Xi＝(Xi(t),Xi(t+1),…,Xi(t+n))T,i＝1,2,3,…,14。
所述深度信念网络模型训练模块204，具体包括：
参数确定单元，用于根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置；其中，v表示可见层的状态向量，h表示隐含层的状态向量，a表示可见层v的偏置，b表示隐含层h的偏置；w表示可见层v与隐含层h之间的权值向量；
初始化单元，用于初始化所述权值向量，所述可见层偏置和所述隐含层偏置；
更新单元，用于对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量，所述可见层偏置和所述隐含层偏置；
当前深度信念网络模型构建单元，用于根据所述权值向量、所述可见层偏置和所述隐含层偏置确定当前深度信念网络模型；
实际输出确定单元，用于获取所述当前深度信念网络模型的实际输出；
全局误差确定单元，用于根据所述实际输出确定全局误差；
判断单元，用于判断所述全局误差是否小于预设误差值，获得第一判断结果；
若所述第一判断结果为所述全局误差小于预设误差值，确定所述当前深度信念网络模型为所述训练后的深度信念网络模型；
若所述第一判断结果为所述全局误差不小于预设误差值，则根据公式Eθ(v,h)＝-aTv-bTh-hTWw确定权值向量、可见层偏置和隐含层偏置。
所述更新单元，具体包括：
更新子单元，用于根据下列公式更新所述权值向量、所述可见层偏置和所述隐含层偏置：
bj＝P(hi＝1|v(0))-P(hj＝1|v(1))；
其中，表示可见层，表示采样得到的隐含层，表示隐含层，表示采样更新得到的可见层，P(hj|v(1))表示隐含层激活概率，P(vi|h(1))表示可见层的激活概率。
具体在实际过程中，需要：
选取与水泥烧成过程游离氧化钙指标相关的14个输入变量，并进行归一化处理，构建14个变量的时间序列输入层，同时对归一化后的变量数据进行时间序列的处理。
选取14个与能耗相关的输入变量，分别是分解炉出口温度X1、喂料量X2、二次风温X3、窑头负压X4、一级筒出口温度X5、窑尾温度X6、高温风机转速X7、窑头喂煤量X8、分解炉喂煤量X9、窑电流平均值X10、水泥生料硅酸率X11、水泥生料铝酸率X12、水泥生料石灰饱和系数X13、水泥熟料氯离子含量X14。
选取包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于一个时刻的游离氧化钙含量，使输入层包含各变量与游离氧化钙指标的耦合关系，设时间区间为n，将14个变量按行依次输入形成矩阵。
游离氧化钙预测模型输入变量的时间序列为：
Xi＝(Xi(t),Xi(t+1),…,Xi(t+n))T,i＝1,2,3,…,14 (1)
其中i为第i个输入变量。
根据水泥烧成过程变量数据特征，采用双层受限玻尔兹曼机结构，对构建好的输入层变量数据进行逐层无监督训练，完成对游离氧化钙软测量模型权值w和偏置b的初始化。
由于从水泥企业生产数据库当中提取的数据量较大，且水泥烧成过程各变量具有强耦合，时变时延的特性，本方法采用双层受限玻尔兹曼机结构，分别单独无监督地训练每一层受限玻尔兹曼机网络，确保特征向量映射到不同特征空间时,都尽可能多地保留特征信息，建立深度信念网络游离氧化钙预测模型。
玻尔兹曼机是一个基于能量的模型，因此我们先引入能量函数的定义，并利用能量函数理论求解相关的概率分布函数。受限玻尔兹曼机的能量函数定义为：
Eθ(v,h)＝-aTv-bTh-hTWv (2)
上式中，v表示可见层的状态向量，h表示隐含层的状态向量，a表示可见层v的偏置，b表示隐含层h的偏置。W表示可见层v与隐含层h之间的权值向量。记θ＝(W,a,b)表示RBM中参数，可将其视为把W,a,b中所有分量拼接起来得到的长向量。
由此，给出(v,h)的联合概率分布
其中Z为归一化因子，也称分配函数。
由上面式子可以推导出：设nv，nh分别表示可见层和和隐含层中包含的神经元个数，下标v和h代表visible和hidden.
在可见层已知的情况下求隐含层中神经元的激活概率
在隐含层已知的情况下求可见层中神经元的激活概率
其中为激活函数。
初始化参数w,a,b为零，利用式(5)对可见层采样得到隐含层再利用式(6)对隐含层采样更新可见层得到隐含层激活概率P(hj|v(1))和可见层的激活概率P(vi|h(1))。
具体参数更新公式如下：
bj＝P(hj＝1|v(0))-P(hj＝1|v(1)) (9)
得到更新的参数w，a，b。
重复上述过程，依次更新受限玻尔兹曼机所有w，a，b，完成游离氧化钙预测模型前向无监督训练。
采用带有动量项的梯度下降算法对目标函数进行反向传播以提高模型预测精度。确定反向微调算法参数，更新深度神经网络参数θ，直至误差小于收敛阈值α，完成游离氧化钙预测模型的训练。
首先确定反向传播学习参数。反向传播算法学习率为η，目标函数J(θ)为训练输出值x(l)与训练标签值y(l)的均方根误差，每批次计算梯度的数据量ε，动量项参数γ，前向训练完成后的参数θ0，误差收敛阈值α。
然后利用第一批次训练数据计算目标函数的梯度使用如下公式更新参数θ，
参数x(l:l+ε),y(l:l+ε)表示每批次使用的训练输出值与训练标签值，为了描述方便，后续省略这一参数，即将简写为将本次的更新向量值及更新参数记为：
θt-1＝θ0-ut-1 (12)
将之后的更新向量过程中加入上一时刻的更新向量值：
θt＝θt-1-ut (14)
参数ut-1为上一时刻更新向量值，θt为当前参数的更新值。
循环迭代地更新各个部分。即每次时间步t加1、更新目标函数在该时间步上对参数θ所求目标函数的梯度然后再使用上述步骤更新模型的参数θ，直到误差小于设定阈值α，完成模型训练。
利用训练好的深度信念网络模型对水泥烧成过程中的熟料游离氧化钙进行在线预测，在水泥烧成过程中，实时读取当前的变量数据，并将一段时间的变量数据输入已经训练好的模型，模型根据一段历史数据进行实时的滚动预测，为生产调度安排提供实时的依据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种水泥熟料游离氧化钙含量在线预测方法，其特征在于，所述方法包括：
获取深度信念网络模型的输入向量和输出向量；
根据所述输入向量和所述输出向量构建氧化钙含量预测的深度信念网络模型；
获取所述深度信念网络模型的多个训练样本；所述训练样本包括输入样本和输出样本；
根据多个所述训练样本对所述深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型；
获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量，所述输入向量为引入时间序列的输入向量；
将所述当前输入向量输入所述训练后的深度信念网络模型进行预测，得到所述水泥熟料游离氧化钙的含量。
2.根据权利要求1所述的水泥熟料游离氧化钙含量在线预测方法，其特征在于，所述获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量，具体包括：
选取14个与能耗相关的输入变量，所述输入变量包括：分解炉出口温度X1、喂料量X2、二次风温X3、窑头负压X4、一级筒出口温度X5、窑尾温度X6、高温风机转速X7、窑头喂煤量X8、分解炉喂煤量X9、窑电流平均值X10、水泥生料硅酸率X11、水泥生料铝酸率X12、水泥生料石灰饱和系数X13、水泥熟料氯离子含量X14；
选取包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于一个时刻t的游离氧化钙含量，设时间区间为n，将所述输入变量按行依次输入形成矩阵；
所述时间序列通过下列公式表示：
Xi＝(Xi(t),Xi(t+1),…,Xi(t+n))T,i＝1,2,3,…,14。
3.根据权利要求1所述的水泥熟料游离氧化钙含量在线预测方法，其特征在于，所述根据多个所述训练样本对所述深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型，具体包括：
根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置；其中，v表示可见层的状态向量，h表示隐含层的状态向量，a表示可见层v的偏置，b表示隐含层h的偏置；w表示可见层v与隐含层h之间的权值向量；
初始化所述权值向量，所述可见层偏置和所述隐含层偏置；
对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量、所述可见层偏置和所述隐含层偏置；
根据所述权值向量、所述可见层偏置和所述隐含层偏置确定当前深度信念网络模型；
获取所述当前深度信念网络模型的实际输出；
根据所述实际输出确定全局误差；
判断所述全局误差是否小于预设误差值，获得第一判断结果；
若所述第一判断结果为所述全局误差小于预设误差值，确定所述当前深度信念网络模型为所述训练后的深度信念网络模型；
若所述第一判断结果为所述全局误差不小于预设误差值，则根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置。
4.根据权利要求3所述的水泥熟料游离氧化钙含量在线预测方法，其特征在于，所述对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量、所述可见层偏置和所述隐含层偏置，具体包括：
根据下列公式更新所述权值向量、所述可见层偏置和所述隐含层偏置：
bj＝P(hj＝1|v(0))-P(Aj＝1|v(1))
其中，表示可见层，表示采样得到的隐含层，表示隐含层，表示采样更新得到的可见层，P(hj|v(1))表示隐含层激活概率，P(vi|h(1))表示可见层的激活概率。
5.根据权利要求3所述的水泥熟料游离氧化钙含量在线预测方法，其特征在于，所述根据所述实际输出确定全局误差之后还包括；
对所述全局误差采用带有动量项的梯度下降法进行微调，得到微调后的全局误差。
6.一种水泥熟料游离氧化钙含量在线预测系统，其特征在于，所述系统包括：
输入向量和输出向量获取模块，用于获取深度信念网络模型的输入向量和输出向量；
深度信念网络模型构建模块，用于根据所述输入向量和所述输出向量构建氧化钙含量预测的深度信念网络模型；
输入样本和输出样本获取模块，用于获取所述深度信念网络模型的多个训练样本；所述训练样本包括输入样本和输出样本；
深度信念网络模型训练模块，用于根据多个所述训练样本对所述深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型；
输入向量获取模块，用于获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量；
氧化钙含量预测模块，用于将所述当前输入向量输入所述训练后的深度信念网络模型进行预测，得到所述水泥熟料游离氧化钙的含量。
7.根据权利要求6所述的水泥熟料游离氧化钙含量在线预测系统，其特征在于，所述当前输入向量获取模块，具体包括：
输入变量选取单元，用于选取14个与能耗相关的输入变量，所述输入变量包括：分解炉出口温度X1、喂料量X2、二次风温X3、窑头负压X4、一级筒出口温度X5、窑尾温度X6、高温风机转速X7、窑头喂煤量X8、分解炉喂煤量X9、窑电流平均值X10、水泥生料硅酸率X11、水泥生料铝酸率X12、水泥生料石灰饱和系数X13、水泥熟料氯离子含量X14；
时间区间选取单元，用于选取包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于一个时刻t的游离氧化钙含量，设时间区间为n，将所述输入变量按行依次输入形成矩阵；
所述时间序列通过下列公式表示：
Xi＝(Xi(t),Xi(t+1),…,Xi(t+n))T,i＝1,2,3,…,14。
8.根据权利要求6所述的水泥熟料游离氧化钙含量在线预测系统，其特征在于，所述深度信念网络模型训练模块，具体包括：
参数确定单元，用于根据公式Eθ(v,h)＝-aTv-bTh-hTw确定权值向量、可见层偏置和隐含层偏置；其中，v表示可见层的状态向量，h表示隐含层的状态向量，a表示可见层v的偏置，b表示隐含层h的偏置；w表示可见层v与隐含层h之间的权值向量；
初始化单元，用于初始化所述权值向量，所述可见层偏置和所述隐含层偏置；
更新单元，用于对所述权值向量、所述可见层偏置和所述隐含层偏置进行更新，得到更新后的权值向量，所述可见层偏置和所述隐含层偏置；
当前深度信念网络模型构建单元，用于根据所述权值向量、所述可见层偏置和所述隐含层偏置确定当前深度信念网络模型；
实际输出确定单元，用于获取所述当前深度信念网络模型的实际输出；
全局误差确定单元，用于根据所述实际输出确定全局误差；
判断单元，用于判断所述全局误差是否小于预设误差值，获得第一判断结果；
若所述第一判断结果为所述全局误差小于预设误差值，确定所述当前深度信念网络模型为所述训练后的深度信念网络模型；
若所述第一判断结果为所述全局误差不小于预设误差值，则根据公式Eθ(v,h)＝-aTv-bTh-hTWw确定权值向量、可见层偏置和隐含层偏置。
9.根据权利要求8所述的水泥熟料游离氧化钙含量在线预测系统，其特征在于，所述更新单元，具体包括：
更新子单元，用于根据下列公式更新所述权值向量、所述可见层偏置和所
述隐含层偏置：bj＝P(hj＝1|v(0))-P(hj＝1|v(1))；
其中，表示可见层，表示采样得到的隐含层，表示隐含层，表示采样更新得到的可见层，P(hj|v(1))表示隐含层激活概率，P(vi|h(1))表示可见层的激活概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811218283.1A CN109165798A (zh) | 2018-10-19 | 2018-10-19 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811218283.1A CN109165798A (zh) | 2018-10-19 | 2018-10-19 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109165798A true CN109165798A (zh) | 2019-01-08 |
Family
ID=64878333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811218283.1A Pending CN109165798A (zh) | 2018-10-19 | 2018-10-19 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109165798A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109725138A (zh) * | 2019-01-24 | 2019-05-07 | 济南大学 | 智能化水泥工厂生产中熟料质量检测方法、装置及设备 |
| CN110263997A (zh) * | 2019-06-19 | 2019-09-20 | 燕山大学 | 一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法 |
| CN110378035A (zh) * | 2019-07-19 | 2019-10-25 | 南京工业大学 | 一种基于深度学习的加氢裂化软测量建模方法 |
| CN110763830A (zh) * | 2019-12-04 | 2020-02-07 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
| CN112363474A (zh) * | 2020-11-09 | 2021-02-12 | 浙江蓝卓工业互联网信息技术有限公司 | 一种熟料烧成系统中控制参数的优化方法及装置 |
| CN112506134A (zh) * | 2019-09-16 | 2021-03-16 | 阿里巴巴集团控股有限公司 | 一种控制变量值的确定方法、装置及设备 |
| CN112712861A (zh) * | 2021-01-07 | 2021-04-27 | 北京明略软件系统有限公司 | 模型构建方法、装置、设备及计算机可读介质 |
| KR20210052412A (ko) * | 2020-09-10 | 2021-05-10 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 강화 학습 모델 구축 방법, 장치, 전자 기기 및 매체 |
| CN112951349A (zh) * | 2021-03-24 | 2021-06-11 | 湖州槐坎南方水泥有限公司 | 基于dnn神经网络的硅酸盐水泥熟料的强度预测方法 |
| CN113033923A (zh) * | 2021-04-30 | 2021-06-25 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
| CN114236104A (zh) * | 2021-10-28 | 2022-03-25 | 阿里云计算有限公司 | 游离氧化钙测量方法、装置、设备、介质及产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
| US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
| CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
| CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
| CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
-
2018
- 2018-10-19 CN CN201811218283.1A patent/CN109165798A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
| CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
| CN106709640A (zh) * | 2016-12-15 | 2017-05-24 | 华南理工大学 | 基于深度学习与支持向量回归的船舶能耗预测方法 |
| CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
| CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘彬等: "《基于粒子群算法与连续型深度信念网络的水泥熟料游离氧化钙预测》", 《计量学报》 * |
| 王昭旭等: "《基于深度信念网络的水泥生产能耗时间序列预测模型》", 《PROCEEDINGS OF THE 37TH CHINESE CONTROL CONFERENCE》 * |
| 高伟: "《基于连续型深度信念网络的水泥熟料游离钙含量软测量研究》", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109725138A (zh) * | 2019-01-24 | 2019-05-07 | 济南大学 | 智能化水泥工厂生产中熟料质量检测方法、装置及设备 |
| CN109725138B (zh) * | 2019-01-24 | 2021-06-29 | 济南大学 | 智能化水泥工厂生产中熟料质量检测方法、装置及设备 |
| CN110263997A (zh) * | 2019-06-19 | 2019-09-20 | 燕山大学 | 一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法 |
| CN110378035A (zh) * | 2019-07-19 | 2019-10-25 | 南京工业大学 | 一种基于深度学习的加氢裂化软测量建模方法 |
| CN112506134A (zh) * | 2019-09-16 | 2021-03-16 | 阿里巴巴集团控股有限公司 | 一种控制变量值的确定方法、装置及设备 |
| CN110763830A (zh) * | 2019-12-04 | 2020-02-07 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
| EP3872432A1 (en) * | 2020-09-10 | 2021-09-01 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Method, apparatus and electronic device for constructing reinforcement learning model |
| JP7257436B2 (ja) | 2020-09-10 | 2023-04-13 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 強化学習モデルを構築するための方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム |
| KR20210052412A (ko) * | 2020-09-10 | 2021-05-10 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 강화 학습 모델 구축 방법, 장치, 전자 기기 및 매체 |
| KR102506122B1 (ko) | 2020-09-10 | 2023-03-03 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 강화 학습 모델 구축 방법, 장치, 전자 기기 및 매체 |
| JP2022023775A (ja) * | 2020-09-10 | 2022-02-08 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 強化学習モデルを構築するための方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム |
| CN112363474A (zh) * | 2020-11-09 | 2021-02-12 | 浙江蓝卓工业互联网信息技术有限公司 | 一种熟料烧成系统中控制参数的优化方法及装置 |
| CN112712861A (zh) * | 2021-01-07 | 2021-04-27 | 北京明略软件系统有限公司 | 模型构建方法、装置、设备及计算机可读介质 |
| CN112951349A (zh) * | 2021-03-24 | 2021-06-11 | 湖州槐坎南方水泥有限公司 | 基于dnn神经网络的硅酸盐水泥熟料的强度预测方法 |
| CN113033923A (zh) * | 2021-04-30 | 2021-06-25 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
| CN113033923B (zh) * | 2021-04-30 | 2024-05-14 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
| CN114236104A (zh) * | 2021-10-28 | 2022-03-25 | 阿里云计算有限公司 | 游离氧化钙测量方法、装置、设备、介质及产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165798A (zh) | 一种水泥熟料游离氧化钙含量在线预测方法及系统 | |
| CN110187727B (zh) | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 | |
| CN108932567B (zh) | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 | |
| CN109816095A (zh) | 基于改进门控循环神经网络的网络流量预测方法 | |
| Chen et al. | Modelling and optimization of fed-batch fermentation processes using dynamic neural networks and genetic algorithms | |
| CN106843172B (zh) | 基于jy-kpls的复杂工业过程在线质量预测方法 | |
| CN111079978B (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
| Tian et al. | TS fuzzy neural network predictive control for burning zone temperature in rotary kiln with improved hierarchical genetic algorithm | |
| CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
| CN110824915A (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
| CN109342703B (zh) | 一种水泥熟料游离钙含量测量方法及系统 | |
| CN104007243A (zh) | 应用反向传播神经网络模型评价游泳池水质的方法 | |
| CN108416460A (zh) | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
| CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN111914492A (zh) | 一种基于进化优化的半监督学习工业过程软测量建模方法 | |
| Yaseen et al. | Predicting reinforcing bar development length using polynomial chaos expansions | |
| CN116611350A (zh) | 一种基于迁移学习的油井酸化措施效果预测方法 | |
| CN107703760B (zh) | 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法 | |
| CN105550437A (zh) | 一种基于遗传算法的室内环境反向设计方法 | |
| CN116700003A (zh) | 使用流程工业历史数据构建强化学习环境的方法及系统 | |
| CN115620846A (zh) | 一种活性锰材料制备及控制方法 | |
| CN113377075B (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
| CN115310348A (zh) | 基于Stacking的灌浆量集成代理预测模型及预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |