CN109492839A - 一种基于rnn-lstm网络的矿热炉工况预测方法 - Google Patents
一种基于rnn-lstm网络的矿热炉工况预测方法 Download PDFInfo
- Publication number
- CN109492839A CN109492839A CN201910045402.6A CN201910045402A CN109492839A CN 109492839 A CN109492839 A CN 109492839A CN 201910045402 A CN201910045402 A CN 201910045402A CN 109492839 A CN109492839 A CN 109492839A
- Authority
- CN
- China
- Prior art keywords
- rnn
- lstm network
- operating condition
- network structure
- mineral hot
- 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
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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于RNN‑LSTM网络的矿热炉工况预测方法,包括以下步骤:采集现场多台同种型号电炉整个熔炼过程的工况状态;对数据进行数据清洗,并进行归一化处理,将数据划分为训练集与测试集;构建RNN‑LSTM网络结构;将训练集数据作为RNN‑LSTM网络结构输入,对RNN‑LSTM网络结构进行训练;将测试集数据输入已经训练好的RNN‑LSTM网络结构进行验证,计算预测准确率并通过测试集对RNN‑LSTM网络结构模型进行参数微调,提高预测精度,并将最后的RNN‑LSTM网络结构模型作为矿热炉工况预测模型。本发明能准确高效的预测出生产过程中的各个工况。
Description
技术领域
本发明涉及的矿热炉工况预测技术领域,特别是涉及一种基于RNN-LSTM网络的矿热炉工况预测方法。
背景技术
矿热炉是以菱镁矿或其他矿石为原料,将原料加热到2800摄氏度左右,经熔炼结晶等工序后得到质量合格的产品。根据矿热炉的熔炼特性可以将熔炼过程分为加料、欠烧、主熔、排气和过烧等五种工况之间不断循环的过程。在熔炼初期阶段加料结束后,会在熔池上方将形成一层物料,此阶段处于欠烧工况,需要不断加大输入电能以快速融化物料;大部分物料在此阶段完成熔融,所以将该过程称为主熔工况;物料会在熔炼过程中受热分解释放气体,这些气体在熔池内部积聚,造成溶液涌动会危及工人和设备安全,因此需要定期进行排气操作即排气工况;随着物料熔化,料层变薄,电弧将裸露到料层外部造成大量电能流失,即过烧工况;出现过烧工况后为了防止大量电弧热通过炉口散失到炉外浪费电能,需要对矿热炉进行加料操作即加料工况。因此如何精确高效的预测出未来时刻矿热炉的工况对提高矿热炉的生产过程中的智能化水平和实现群炉能效优化调度至关重要。
发明内容
本发明所要解决的技术问题是提供一种基于RNN-LSTM网络的矿热炉工况预测方法,能准确高效的预测出生产过程中的各个工况。
本发明解决其技术问题所采用的技术方案是:提供一种基于RNN-LSTM网络的矿热炉工况预测方法,包括以下步骤:
(1)采集现场多台同种型号电炉整个熔炼过程的工况状态,分别用S1=1、S2=2、S3=3、S4=4、S5=5即S(t)={sn=n|n=1,2,...,5}表示矿热炉的加料工况、欠烧工况、主熔工况、排气工况和过烧工况;
(2)数据预处理;对数据进行数据清洗,并进行归一化处理得到数据矩阵,并将数据划分为训练集与测试集;
(3)构建RNN-LSTM网络结构,所述RNN-LSTM网络结构的输入为矿热炉的1至t-1时刻的工况状态,输出为矿热炉的2至t时刻工况状态;
(4)将训练集数据作为RNN-LSTM网络结构输入,对RNN-LSTM网络结构进行训练;
(5)将测试集数据输入已经训练好的RNN-LSTM网络结构进行验证,计算预测准确率并通过测试集对RNN-LSTM网络结构模型进行参数微调,提高预测精度,并将最后的RNN-LSTM网络结构模型作为矿热炉工况预测模型。
所述步骤(1)中采集现场多台同种型号电炉整个熔炼过程的采样周期为1秒,采样时长为8小时。
所述步骤(3)中构建的RNN-LSTM网络结构满足:
输入门it=σ(WxiXt+Whiht-1+bi),其中,Wxi表示输入-输出权重矩阵,Whi表示隐藏层-输入门权重矩阵,bi表示输入层到隐藏层的偏差,Xt表示时间步长t时刻的输入矩阵,ht-1表示上一时刻隐藏层的输出,sigmoid函数
遗忘门ft=σ(WxfXt+Whfht-1+bf),其中,Wxf表示输入-遗忘门权重矩阵,Whf表示隐藏层-遗忘门权重矩阵,bf表示遗忘门偏差,ft∈(0,1);
输出门ot=σ(WxoXt+Whoht-1+bo),其中,Wxo表示输入-输出门权重矩阵,Who表示隐藏层-输出门权重矩阵,bo表示输出门偏差,ot∈(0,1);
输出记忆信息ct=ittanh(WxcXt+Whcht-1+bc)+ftct-1,其中,Wxc表示输入-记忆单元权重矩阵,Whc表示隐藏—记忆单元权重矩阵,bc表示输入层到记忆单元的偏差;t时刻的隐藏输出ht=ottanh(ct);
隐藏层到输出层采用全连接方式,并且满足输出层输出s=Wsht+bs,Ws表示的是隐藏层到输出层的权重矩阵,bs表示的是隐藏层到输出层的偏差。
所述步骤(3)中构建的RNN-LSTM网络结构的损失函数表示为:其中,S(t+1)与分别为每个采样时刻的真实
工况和预测工况,N为数据序列总长度。
所述损失函数进行正则化处理,处理后的损失函数为其中,λ为正则化系数,W表示所用模型结构权重参数的值。
所述步骤(4)中RNN-LSTM网络结构训练过程中,采用adam优化算法根据损失函数的梯度来更新网络权重和偏差。
所述步骤(5)中预测准确率通过表示,其中,f(t)表示t+1时刻预测与实际工况不一致函数,当S(t+1)与相同为1,不同为0,S(t+1)与分别为每个采样时刻的真实工况和预测工况,N为数据序列总长度。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明利用RNN-LSTM神经网络强大的处理非线性问题的能力,更好的模拟出了矿热炉熔炼过程内部复杂的非线性特性,同时与其他网络相比,更好的利用了LSTM网络在处理长时间序列上的优良表现成功预测出矿热炉在熔炼过程中工况状态走向,在提高了预测精度的同时保证了网络的强泛化能力以及较快的收敛速度。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于RNN-LSTM网络的矿热炉工况预测方法,包括以下步骤:
步骤1:采集现场多台同种型号电炉整个熔炼过程8个小时的工况状态,矿热炉有加料工况、欠烧工况、主熔工况、排气工况和过烧等五种工况,分别用S1=1、S2=2、S3=3、S4=4、S5=5表示即S(t)={sn=n|n=1,2,...,5},采样周期设置为1秒。
步骤2:数据预处理;对数据进行数据清洗并归一化处理得到数据矩阵,并按8:2的比例划分训练集和测试集。
采用的归一化处理公式如下:
其中,x为原始数据,xmax、xmin为原始数据的最大值和最小值,xnorm为归一化处理后的数据。
步骤3:将矿热炉的1至t-1时刻的工况状态作为RNN-LSTM网络结构的输入,2至t时刻的工况状态作为RNN-LSTM的网络结果输出。
步骤4:通过RNN-LSTM对工况状态S(t)={sn=n|n=1,2,...,5}数据建模,主要包括以下模型公式:
输入门it=σ(WxiXt+Whiht-1+bi),其中Wxi表示输入-输出权重矩阵,Whi表示隐藏层-输入门权重矩阵,bi表示输入层到隐藏层的偏差,Xt表示时间步长t时刻的输入矩阵,ht-1表示上一时刻隐藏层的输出,sigmoid函数所以it∈(0,1);
遗忘门ft=σ(WxfXt+Whfht-1+bf),其中Wxf表示输入-遗忘门权重矩阵,Whf表示隐藏层-遗忘门权重矩阵,bf表示遗忘门偏差,ft∈(0,1);
输出门ot=σ(WxoXt+Whoht-1+bo),其中Wxo表示输入-输出门权重矩阵,Who表示隐藏层-输出门权重矩阵,bo表示输出门偏差,ot∈(0,1);
输出记忆信息ct=it tanh(WxcXt+Whcht-1+bc)+ftct-1,其中Wxc表示输入-记忆单元权重矩阵,Whc表示隐藏—记忆单元权重矩阵,bc表示输入层到记忆单元的偏差;t时刻的隐藏输出ht=ot tanh(ct);
隐藏层到输出层采用全连接方式,并且满足输出层输出s=Wsht+bs,Ws表示的是隐藏层到输出层的权重矩阵,bs表示的是隐藏层到输出层的偏差;
经过LSTM模型预测的工况状态和实际的工况状态之间的误差由每个前向传递结束时计算的损失函数来表示:
S(t+1)与分别为每个时刻(采样点)的真实工况和预测工况我们假设预测工况与真实工况类型相同时其差为0,不同即为1;N为数据序列总长度即28800。
为了解决模型过拟合问题,需要对对损失函数L(W)进行正则化,正则化过后的损失函数表示为:
λ称为正则项系数,初始默认值λ=0.9。
步骤5:模型训练。模型有输入层、输出层和隐藏层,输入层为前1至t-1时刻工况状态,因此输入神经元数量设置为1个;输出为预测矿热炉工况类型,所以输出层神经元数量为1,设置隐藏层为1层,512个节点。根据输入输出特性建立全连接的网络结构,将预处理后的数据输入到初始化后的LSTM网络结构中,一次训练迭代的过程包括一次正向传递和一次反向传递的过程,这是为了完成一次权重W和偏差b的更新,采用adam优化算法,根据损失函数的梯度来更新网络权重和偏差;adam优化算法:
mk=β1mk-1+(1-β1)ΔL(Wk-1)
vk=β2vk-1+(1-β2)ΔL(Wk-1)2
Wk=Wk-1-αm* k/(v* k+ε)
其中L(W)是损失函数,β1和β2为衰减指数,默认设置β1=0.9;β2=0.999;α为训练步长也称作学习率,一般默认设置α=0.001;ε=10-8是常数;mk是梯度的指数移动均值,通过梯度一阶矩求出,vk是平方梯度,通过梯度的二阶矩求得;Wk是表示Wxo、Who、Wxi等矩阵,这些门矩阵,输出权重矩阵,以及偏差都通过随机数发生器产生。通过不断输入训练数据,迭代更新权重和偏差,使得损失函数逐渐收敛;从而确定最终用于工况预测的LSTM网络结构。
步骤6:由于本实施方式中的工况状态用数字1、2、3、4和5表示,可能预测出中间值,这是没有意义的,因此,本实施方式在RNN-LSTM网络的原始输出层外再加一个输出转化层,设置阈值范围将工况预测值强制转化为整型(int);测试集数据输入已经训练好的LSTM网络结构进行验证,计算预测精度Acc表示;产生准确度的Acc公式如下:
S(t+1)与分别为t+1时刻(采样点)的真实工况和预测工况,N为数据序列总长度,f(t)表示t+1时刻预测与实际工况不一致函数,当S(t+1)与相同为1,不同为0。
最终将通过测试且参数微调后的RNN-LSTM模型作为工况预测模型。将预处理后的矿热炉三相电流数据作为RNN-LSTM模型的输入数据,通过RNN-LSTM模型对输入数据进行学习,最终输出得到未来时刻的工况预测的结果。经过实验验证,预测准确度为99.47%。
实验结果表明使用RNN-LSTM预测矿热炉工况取得很好的效果,不仅提高了预测精度达到了期望目标而且具有较强的泛化能力,具有一定的应用价值。由此可见,本发明能达到准确高效的预测出生产过程中的各个工况,并保证熔炼过程生产安全、提升自动化化水平、降低工人劳动强度和提高生产效益与效率的目的。
Claims (7)
1.一种基于RNN-LSTM网络的矿热炉工况预测方法,其特征在于,包括以下步骤:
(1)采集现场多台同种型号电炉整个熔炼过程的工况状态,分别用S1=1、S2=2、S3=3、S4=4、S5=5即S(t)={sn=n|n=1,2,...,5}表示矿热炉的加料工况、欠烧工况、主熔工况、排气工况和过烧工况;
(2)数据预处理;对数据进行数据清洗,并进行归一化处理得到数据矩阵,并将数据划分为训练集与测试集;
(3)构建RNN-LSTM网络结构,所述RNN-LSTM网络结构的输入为矿热炉的1至t-1时刻的工况状态,输出为矿热炉的2至t时刻工况状态;
(4)将训练集数据作为RNN-LSTM网络结构输入,对RNN-LSTM网络结构进行训练;
(5)将测试集数据输入已经训练好的RNN-LSTM网络结构进行验证,计算预测准确率并通过测试集对RNN-LSTM网络结构模型进行参数微调,提高预测精度,并将最后的RNN-LSTM网络结构模型作为矿热炉工况预测模型。
2.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法,其特征在于,所述步骤(1)中采集现场多台同种型号电炉整个熔炼过程的采样周期为1秒,采样时长为8小时。
3.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法,其特征在于,所述步骤(3)中构建的RNN-LSTM网络结构满足:
输入门it=σ(WxiXt+Whiht-1+bi),其中,Wxi表示输入-输出权重矩阵,Whi表示隐藏层-输入门权重矩阵,bi表示输入层到隐藏层的偏差,Xt表示时间步长t时刻的输入矩阵,ht-1表示上一时刻隐藏层的输出,sigmoid函数
遗忘门ft=σ(WxfXt+Whfht-1+bf),其中,Wxf表示输入-遗忘门权重矩阵,Whf表示隐藏层-遗忘门权重矩阵,bf表示遗忘门偏差,ft∈(0,1);
输出门ot=σ(WxoXt+Whoht-1+bo),其中,Wxo表示输入-输出门权重矩阵,Who表示隐藏层-输出门权重矩阵,bo表示输出门偏差,ot∈(0,1);
输出记忆信息ct=ittanh(WxcXt+Whcht-1+bc)+ftct-1,其中,Wxc表示输入-记忆单元权重矩阵,Whc表示隐藏—记忆单元权重矩阵,bc表示输入层到记忆单元的偏差;t时刻的隐藏输出ht=ot tanh(ct);
隐藏层到输出层采用全连接方式,并且满足输出层输出s=Wsht+bs,Ws表示的是隐藏层到输出层的权重矩阵,bs表示的是隐藏层到输出层的偏差。
4.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法,其特征在于,所述步骤(3)中构建的RNN-LSTM网络结构的损失函数表示为:其中,S(t+1)与分别为每个采样时刻的真实工况和预测工况,N为数据序列总长度。
5.根据权利要求4所述的基于RNN-LSTM网络的矿热炉工况预测方法,其特征在于,所述损失函数进行正则化处理,处理后的损失函数为其中,λ为正则化系数,W表示所用模型结构权重参数的值。
6.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法,其特征在于,所述步骤(4)中RNN-LSTM网络结构训练过程中,采用adam优化算法根据损失函数的梯度来更新网络权重和偏差。
7.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法,其特征在于,所述步骤(5)中预测准确率通过表示,其中,f(t)表示t+1时刻预测与实际工况不一致函数,当相同为1,不同为0,S(t+1)与分别为每个采样时刻的真实工况和预测工况,N为数据序列总长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910045402.6A CN109492839A (zh) | 2019-01-17 | 2019-01-17 | 一种基于rnn-lstm网络的矿热炉工况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910045402.6A CN109492839A (zh) | 2019-01-17 | 2019-01-17 | 一种基于rnn-lstm网络的矿热炉工况预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492839A true CN109492839A (zh) | 2019-03-19 |
Family
ID=65714663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910045402.6A Pending CN109492839A (zh) | 2019-01-17 | 2019-01-17 | 一种基于rnn-lstm网络的矿热炉工况预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492839A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598958A (zh) * | 2019-10-10 | 2019-12-20 | 武汉科技大学 | 一种钢包分级管理分析方法及系统 |
CN111008503A (zh) * | 2019-12-17 | 2020-04-14 | 中南大学 | 基于rnn序列模型的转向管柱螺母调节角度预测方法 |
CN112134737A (zh) * | 2020-10-19 | 2020-12-25 | 北方工业大学 | 一种工业物联网逆向分析系统 |
CN112182954A (zh) * | 2020-09-08 | 2021-01-05 | 上海大学 | 一种基于lstm的流体仿真数据预测模型 |
CN116379793A (zh) * | 2023-06-02 | 2023-07-04 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108647350A (zh) * | 2018-05-16 | 2018-10-12 | 中国人民解放军陆军工程大学 | 一种基于双通道网络的图文关联检索方法 |
CN108764539A (zh) * | 2018-05-15 | 2018-11-06 | 中国长江电力股份有限公司 | 一种梯级电站的上下游水位预测方法 |
CN109117883A (zh) * | 2018-08-13 | 2019-01-01 | 上海海洋大学 | 基于长短时记忆网络的sar影像海冰分类方法及系统 |
-
2019
- 2019-01-17 CN CN201910045402.6A patent/CN109492839A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN108764539A (zh) * | 2018-05-15 | 2018-11-06 | 中国长江电力股份有限公司 | 一种梯级电站的上下游水位预测方法 |
CN108647350A (zh) * | 2018-05-16 | 2018-10-12 | 中国人民解放军陆军工程大学 | 一种基于双通道网络的图文关联检索方法 |
CN109117883A (zh) * | 2018-08-13 | 2019-01-01 | 上海海洋大学 | 基于长短时记忆网络的sar影像海冰分类方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598958A (zh) * | 2019-10-10 | 2019-12-20 | 武汉科技大学 | 一种钢包分级管理分析方法及系统 |
CN111008503A (zh) * | 2019-12-17 | 2020-04-14 | 中南大学 | 基于rnn序列模型的转向管柱螺母调节角度预测方法 |
CN111008503B (zh) * | 2019-12-17 | 2022-05-17 | 中南大学 | 基于rnn序列模型的转向管柱螺母调节角度预测方法 |
CN112182954A (zh) * | 2020-09-08 | 2021-01-05 | 上海大学 | 一种基于lstm的流体仿真数据预测模型 |
CN112134737A (zh) * | 2020-10-19 | 2020-12-25 | 北方工业大学 | 一种工业物联网逆向分析系统 |
CN116379793A (zh) * | 2023-06-02 | 2023-07-04 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
CN116379793B (zh) * | 2023-06-02 | 2023-08-15 | 青岛智控菲特软件科技有限公司 | 一种矿热炉短网调控数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492839A (zh) | 一种基于rnn-lstm网络的矿热炉工况预测方法 | |
Mosaad et al. | LFC based adaptive PID controller using ANN and ANFIS techniques | |
CN106250988B (zh) | 基于样本特性的相关向量回归增量学习算法及系统 | |
CN110187727A (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 | |
CN107067121A (zh) | 一种基于多目标的改进灰狼优化算法 | |
CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
CN110347192B (zh) | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 | |
CN110400009A (zh) | 基于自适应遗传算法的高炉炼铁多目标智能优化方法 | |
Li et al. | A hybrid assembly sequence planning approach based on discrete particle swarm optimization and evolutionary direction operation | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN104050505A (zh) | 一种基于带学习因子蜂群算法的多层感知器训练方法 | |
CN105608295B (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN110444257A (zh) | 一种基于无监督和有监督学习的水泥游离钙软测量方法 | |
Zhou et al. | Time series prediction method of industrial process with limited data based on transfer learning | |
CN204595644U (zh) | 基于神经网络的铝棒加热炉燃烧温度自动控制装置 | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
CN106482507B (zh) | 一种水泥分解炉燃烧自动控制方法 | |
CN105739309A (zh) | 单元机组协调控制主控系统解耦补偿控制方法 | |
CN117034767A (zh) | 一种基于kpca-gwo-gru的陶瓷辊道窑温度预测方法 | |
CN110673482A (zh) | 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统 | |
Multazam et al. | Short-term wind speed prediction base on backpropagation Levenberg-Marquardt algorithm; case study area nganjuk | |
CN105976029A (zh) | 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法 | |
CN105511270B (zh) | 一种基于协同进化的pid控制器参数优化方法和系统 | |
CN115966267A (zh) | 一种基于lstm-pid的溶菌酶发酵温度控制方法 | |
Keliang et al. | PID controller parameters tuning of main steam temperature based on chaotic particle swarm optimization |
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: 20190319 |