CN109507889A - 卷积神经网络的丙烯聚合生产过程最优在线预报系统 - Google Patents
卷积神经网络的丙烯聚合生产过程最优在线预报系统 Download PDFInfo
- Publication number
- CN109507889A CN109507889A CN201811628019.5A CN201811628019A CN109507889A CN 109507889 A CN109507889 A CN 109507889A CN 201811628019 A CN201811628019 A CN 201811628019A CN 109507889 A CN109507889 A CN 109507889A
- Authority
- CN
- China
- Prior art keywords
- population
- convolutional neural
- neural networks
- module
- variable
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种卷积神经网络的丙烯聚合生产过程最优在线预报系统,包括丙烯聚合生产过程、现场智能仪表、控制站、存放数据的DCS数据库、基于卷积神经网络的最优在线预报系统以及熔融指数预报值显示仪。现场智能仪表及控制站与丙烯聚合生产过程相连,与DCS数据库相连;最优在线预报系统与DCS数据库及预报值显示仪相连。所述的基于卷积神经网络的最优在线预报系统包括模型更新模块、数据预处理模块、PCA主成分分析模块、卷积神经网络模型模块以及差分进化粒子群模块。以及提供了一种用在线预报系统实现的预报方法。本发明实现在线测量、在线参数优化、预报速度快、模型自动更新、抗干扰能力强、精度高。
Description
技术领域
本发明涉及一种最优在线预报系统,具体是一种基于卷积神经网络的丙烯聚合生产过程最优在线预报系统。
背景技术
聚丙烯是由丙烯聚合而制得的一种热塑性树脂,丙烯最重要的下游产品,世界丙烯的50%,我国丙烯的65%都是用来制聚丙烯,是五大通用塑料之一,与我们的日常生活密切相关。聚丙烯是世界上增长最快的通用热塑性树脂,总量仅仅次于聚乙烯和聚氯乙烯。为使我国聚丙烯产品具有市场竞争力,开发刚性、韧性、流动性平衡好的抗冲共聚产品、无规共聚产品、BOPP和CPP薄膜料、纤维、无纺布料,及开发聚丙烯在汽车和家电领域的应用,都是今后重要的研究课题。
熔融指数是聚丙烯产品确定产品牌号的重要质量指标之一,它决定了产品的不同用途,对熔融指数的测量是聚丙烯生产中产品质量控制的一个重要环节,对生产和科研,都有非常重要的作用和指导意义。
然而,熔融指数的在线分析测量目前很难做到,一方面是在线熔融指数分析仪的缺乏,另一方面是现有的在线分析仪由于经常会堵塞而测量不准甚至无法正常使用所导致的使用上的困难。因此,目前工业生产中MI的测量,主要是通过人工取样、离线化验分析获得,而且一般每2-4小时只能分析一次,时间滞后大,给丙烯聚合生产的质量控制带来了困难,成为生产中急需解决的一个瓶颈问题。聚丙烯熔融指数的在线预报系统研究,从而成为学术界和工业界的一个前沿和热点。
发明内容
为了克服目前已有的丙烯聚合生产过程的测量精度不高、易受人为因素的影响的不足,本发明的目的在于提供一种在线测量、在线参数优化、预报速度快、模型自动更新、抗干扰能力强、精度高的基于卷积神经网络的丙烯聚合生产过程熔融指数最优在线预报系统。
本发明的目的是通过以下技术方案来实现的:基于卷积神经网络的丙烯聚合生产过程最优在线预报系统,包括数据预处理模块、PCA主成分分析模块、卷积神经网络模型模块、差分进化粒子群模块、模型更新模块。
进一步地,所述数据预处理模块,用于将从DCS数据库输入的模型输入变量进行预处理,对输入变量中心化,即减去变量的平均值;再进行归一化处理,即除以变量值的变化区间;
进一步地,所述PCA主成分分析模块,用于将输入变量预白化处理及变量去相关,通过对输入变量施加一个线性变换实现,即主成分由C=MU得到,其中M为输入变量,C为主成分得分矩阵,U为载荷矩阵。若对原始数据进行重构,可由M=CUT计算,其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时,M=CUT+E,其中E为残差矩阵;
进一步地,所述卷积神经网络模块,卷积神经网络对每一层感受野中元素采用固定的卷积操作模式,从而实现局部连接以及不同卷积核间的权值共享,具有平移不变性。整个模型的目的是根据样本集和先验知识设计一个系统,使系统对新数据能预测输出。整个模块的设计包括:
(1)构造输入样本,在某t时刻,取时间间隔q,将每个时刻的输入向量依次排列得到输入样本二维向量矩阵为:
(2)对输入样本进行卷积操作:
W′t,q=f(Wt,q×k+b) (2)
式中,k是卷积核参数,b是偏置参数,f(·)是卷积操作
(3)将W′t,q展开成一维向量W″t,q,pi是权重参数,计算输出结果
进一步地,所述差分进化粒子群模块,结合差分进化算法和粒子群算法优化卷积神经网络模型模块中的网络参数,实现具体步骤如下:
(1)随机初始化种群,设置种群数量N=100;设置差分进化算法缩放因子F=0.7,交叉概率CR=0.5,差分进化算法最大迭代次数50;设置粒子群学习速度c1=c2=2,惯性权重ω=0.67,粒子群算法最大迭代次数100;设置k=0,i=0;
(2)根据适应度函数来计算候选粒子种群的适应度值,适应度f(x)函数如下所示;
其中,表示输出变量的真实值,表示输出变量的预测值,n表示样本个数。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作;
(3.1)变异操作:差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差,将差向量进行缩放,缩放后的向量与第三个随机选取的种群个体进行求和,生成新个体,更新公式如下所示:
Ni(k)=Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (5)
其中,F是缩放因子,m1,m2,m3均为1到N之间的整数,k表示迭代次数,Lm1(k)表示第m1个粒子的位置,Lm2(k)表示第m2个粒子的位置,Lm3(k)表示第m3个粒子的位置。通过变异之后,得到第i个变异中间种群Ni(k)。
(3.2)交叉操作:根据原始种群和变异得到中间种群,进行个体间的交叉操作,得到交叉中间种群U,更新公式如下所示:
其中,CR为交叉概率,处于0到1之间,ni,j(k)表示第i个中间种群第j维变量,li,j(k)表示第i个原始种群第j维变量,ui,j(k)表示交叉中间种群的第i个新种群第j维变量,ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作:差分进化算法采用了贪心算法,根据适应度值来决定进入下次迭代种群的个体:
其中,Ui(k)表示第i个交叉中间种群,Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值,则返回步骤(3),否则,激活粒子群算法;
(5)根据如下公式执行粒子群算法,更新粒子群速度、位置矢量和惯性权重;
其中,Vi(k)是粒子i在第k次迭代时的速度,Li(k)是粒子i在第k次迭代时的位置,Pbest是粒子自身经验的局部最优解;gbest是所有粒子经验的全局最优解,w是惯性权重,c1和c2是学习速率,r1和r2是在0到1之间的随机数,wmax和wmin是惯性权重的最大值和最小值,itermax是最大迭代次数。
(6)如果粒子群算法迭代次数小于终止迭代次数,则返回步骤(5),否则,转到步骤(7);
(7)更新Pbest和gbest作为卷积神经网络参数的候选解,判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数,若是,则返回步骤(2),否则,输出种群历史最优gbest,算法终止;gbest即为卷积神经网络的待优化参数。
进一步地,所述模型更新模块,用于模型的在线更新,将定期将离线化验数据输入到训练集中,更新神经网络模型。
本发明的有益效果主要表现在:1、通过实施监测和在线预报,实现在线测量;2、克服已有的聚丙烯熔融指数测量仪表测量精度不高、易受人为因素的影响的不足,引入差分进化算法、粒子群算法结合的差分进化粒子群模块对神经网络参数和结构进行自动优化;3、预报速度快,不需要人为经验或多次测试来调整神经网络;4、模型自动更新,模块自动更新参数,无需反复调试;5、抗干扰能力强,降低噪声干扰;6、精度高,卷积神经网络具有权值共享,局部特征挖掘的特点,参数自动调整寻优,保证模型精度。
附图说明
图1是基于卷积神经网络的丙烯聚合生产过程最优在线预报系统的基本结构示意图;
图2是基于卷积神经网络的最优在线预报系统结构示意图;
具体实施方式
下面结合附图对本发明做进一步描述。本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
实施例1
1.参照图1、图2,一种基于卷积神经网络的丙烯聚合生产过程最优在线预报系统,包括丙烯聚合生产过程1、用于测量易测变量的现场智能仪表2、用于测量操作变量的控制站3、存放数据的DCS数据库4、基于卷积神经网络的最优在线预报系统5以及熔融指数预报值显示仪6,所述现场智能仪表2、控制站3与丙烯聚合生产过程1连接,所述现场智能仪表2、控制站3与DCS数据库4连接,所述DCS数据库4与基于卷积神经网络的最优在线预报系统5的输入端连接,所述基于卷积神经网络的最优在线预报系统5的输出端与熔融指数预报值显示仪6连接,所述基于卷积神经网络的最优在线预报系统包括:数据预处理模块7、PCA主成分分析模块8、循环神经网络模型模块9、差分进化粒子群模块10、模型更新模块11。
进一步地,所述数据预处理模块7,用于将从DCS数据库输入的模型输入变量进行预处理,对输入变量中心化,即减去变量的平均值;再进行归一化处理,即除以变量值的变化区间;
进一步地,所述PCA主成分分析模块8,用于将输入变量预白化处理及变量去相关,通过对输入变量施加一个线性变换实现,即主成分由C=MU得到,其中M为输入变量,C为主成分得分矩阵,U为载荷矩阵。若对原始数据进行重构,可由M=CUT计算,其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时,M=CUT+E,其中E为残差矩阵;
进一步地,所述卷积神经网络模型模块9,卷积神经网络对每一层感受野中元素采用固定的卷积操作模式,从而实现局部连接以及不同卷积核间的权值共享,具有平移不变性。整个模型的目的是根据样本集和先验知识设计一个系统,使系统对新数据能预测输出。整个模块的设计包括:
(1)构造输入样本,在某t时刻,取时间间隔q,将每个时刻的输入向量依次排列得到输入样本二维向量矩阵为:
(2)对输入样本进行卷积操作:
W′t,q=f(Wt,q×k+b) (2)
式中,k是卷积核参数,b是偏置参数,f(·)是卷积操作
(3)将W′t,q展开成一维向量W″t,q,pi是权重参数,计算输出结果
进一步地,所述差分进化粒子群模块,结合差分进化算法和粒子群算法优化卷积神经网络模型模块中的网络参数,实现具体步骤如下:
(1)随机初始化种群,设置种群数量N=100;设置差分进化算法缩放因子F=0.7,交叉概率CR=0.5,差分进化算法最大迭代次数50;设置粒子群学习速度c1=c2=2,惯性权重ω=0.67,粒子群算法最大迭代次数100;设置k=0,i=0;
(2)根据适应度函数来计算候选粒子种群的适应度值,适应度f(x)函数如下所示;
其中,表示输出变量的真实值,表示输出变量的预测值,n表示样本个数。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作;
(3.1)变异操作:差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差,将差向量进行缩放,缩放后的向量与第三个随机选取的种群个体进行求和,生成新个体,更新公式如下所示:
Ni(k)=Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (5)
其中,F是缩放因子,m1,m2,m3均为1到N之间的整数,k表示迭代次数,Lm1(k)表示第m1个粒子的位置,Lm2(k)表示第m2个粒子的位置,Lm3(k)表示第m3个粒子的位置。通过变异之后,得到第i个变异中间种群Ni(k)。
(3.2)交叉操作:根据原始种群和变异得到中间种群,进行个体间的交叉操作,得到交叉中间种群U,更新公式如下所示:
其中,CR为交叉概率,处于0到1之间,ni,j(k)表示第i个中间种群第j维变量,li,j(k)表示第i个原始种群第j维变量,ui,j(k)表示交叉中间种群的第i个新种群第j维变量,ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作:差分进化算法采用了贪心算法,根据适应度值来决定进入下次迭代种群的个体:
其中,Ui(k)表示第i个交叉中间种群,Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值,则返回步骤(3),否则,激活粒子群算法;
(5)根据如下公式执行粒子群算法,更新粒子群速度、位置矢量和惯性权重;
其中,Vi(k)是粒子i在第k次迭代时的速度,Li(k)是粒子i在第k次迭代时的位置,Pbest是粒子自身经验的局部最优解;gbest是所有粒子经验的全局最优解,w是惯性权重,c1和c2是学习速率,r1和r2是在0到1之间的随机数,wmax和wmin是惯性权重的最大值和最小值,itermax是最大迭代次数。
(6)如果粒子群算法迭代次数小于终止迭代次数,则返回步骤(5),否则,转到步骤(7);
(7)更新Pbest和gbest作为卷积神经网络参数的候选解,判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数,若是,则返回步骤(2),否则,输出种群历史最优gbest,算法终止;gbest即为卷积神经网络的待优化参数。
进一步地,所述模型更新模块11,用于模型的在线更新,将定期将离线化验数据输入到训练集中,更新神经网络模型。
2.丙烯聚合生产过程流程,根据反应机理以及流程工艺分析,考虑到聚丙烯生产过程中对熔融指数产生影响的各个因素,取实际生产过程中常用的九个操作变量和易测变量作为模型输入变量,有:三股丙烯进料流率,主催化剂流率,辅催化剂流率,釜内温度、压强、液位,釜内氢气体积浓度。
表1基于卷积神经网络的最优在线预报系统所需模型输入变量
表1列出了作为基于卷积神经网络的最优在线预报系统5输入的9个模型输入变量,分别为釜内温度(T)、釜内压强(p)、釜内液位(L)、釜内氢气体积浓度(Xv)、3股丙烯进料流率(第一股丙烯进料流率f1,第二股丙烯进料流率f2,第三股丙烯进料流率f3)、2股催化剂进料流率(主催化剂流率f4,辅催化剂流率f5)。反应釜中的聚合反应是反应物料反复混合后参与反应的,因此模型输入变量涉及物料的过程变量采用前若干时刻的平均值。此例中数据采用前一小时的平均值。熔融指数离线化验值作为基于卷积神经网络的最优在线预报系统5的输出变量。通过人工取样、离线化验分析获得,每4小时分析采集一次。
本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.一种卷积神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:包括数据预处理模块、PCA主成分分析模块、卷积神经网络模型模块、差分进化粒子群模块、模型更新模块。
2.根据权利要求1所述卷积神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述数据预处理模块,用于将从DCS数据库输入的模型输入变量进行预处理,对输入变量中心化,即减去变量的平均值;再进行归一化处理,即除以变量值的变化区间。
3.根据权利要求1所述卷积神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述PCA主成分分析模块,用于将输入变量预白化处理及变量去相关,通过对输入变量施加一个线性变换实现,即主成分由C=MU得到,其中M为输入变量,C为主成分得分矩阵,U为载荷矩阵。若对原始数据进行重构,可由M=CUT计算,其中上标T表示矩阵的转置。当选取的主成分数目小于输入变量的变量个数时,M=CUT+E,其中E为残差矩阵。
4.根据权利要求1所述卷积神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述卷积神经网络模块,卷积神经网络对每一层感受野中元素采用固定的卷积操作模式,从而实现局部连接以及不同卷积核间的权值共享,具有平移不变性。整个模型的目的是根据样本集和先验知识设计一个系统,使系统对新数据能预测输出。整个模块的设计包括:
(1)构造输入样本,在某t时刻,取时间间隔q,将每个时刻的输入向量依次排列得到输入样本二维向量矩阵为:
(2)对输入样本进行卷积操作:
W′t,q=f(Wt,q×k+b) (2)
式中,k是卷积核参数,b是偏置参数,f(·)是卷积操作
(3)将W′t,q展开成一维向量W″t,q,pi是权重参数,计算输出结果
5.根据权利要求1所述卷积神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述差分进化粒子群模块,结合差分进化算法和粒子群算法优化卷积神经网络模型模块中的网络参数,实现具体步骤如下:
(1)随机初始化种群,设置种群数量N=100;设置差分进化算法缩放因子F=0.7,交叉概率CR=0.5,差分进化算法最大迭代次数50;设置粒子群学习速度c1=c2=2,惯性权重ω=0.67,粒子群算法最大迭代次数100;设置k=0,i=0;
(2)根据适应度函数来计算候选粒子种群的适应度值,适应度f(x)函数如下所示;
其中,表示输出变量的真实值,表示输出变量的预测值,n表示样本个数。
(3)根据以下步骤进行差分进化算法变异、交叉、选择操作;
(3.1)变异操作:差分进化算法是通过差分的方式进行变异操作的。在当前种群中随机选取两个种群个体进行作差,将差向量进行缩放,缩放后的向量与第三个随机选取的种群个体进行求和,生成新个体,更新公式如下所示:
Ni(k)=Lm3(k)+F×(Lm1(k)-Lm2(k)),1≤m1≠m2≠m3≠i≤N (5)
其中,F是缩放因子,m1,m2,m3均为1到N之间的整数,k表示迭代次数,Lm1(k)表示第m1个粒子的位置,Lm2(k)表示第m2个粒子的位置,Lm3(k)表示第m3个粒子的位置。通过变异之后,得到第i个变异中间种群Ni(k)。
(3.2)交叉操作:根据原始种群和变异得到中间种群,进行个体间的交叉操作,得到交叉中间种群U,更新公式如下所示:
其中,CR为交叉概率,处于0到1之间,ni,j(k)表示第i个中间种群第j维变量,li,j(k)表示第i个原始种群第j维变量,ui,j(k)表示交叉中间种群的第i个新种群第j维变量,ni,j(k)表示变异中间种群Ni(k)的第i个新种群第j维变量。
(3.3)选择操作:差分进化算法采用了贪心算法,根据适应度值来决定进入下次迭代种群的个体:
其中,Ui(k)表示第i个交叉中间种群,Li(k)表示第i个原始种群。
(4)如果交叉中间种群的适应度值小于原始种群适应度值,则返回步骤(3),否则,进入下一步。
(5)根据如下公式执行粒子群算法,更新粒子群速度、位置矢量和惯性权重;
其中,Vi(k)是粒子i在第k次迭代时的速度,Li(k)是粒子i在第k次迭代时的位置,Pbest是粒子自身经验的局部最优解;gbest是所有粒子经验的全局最优解,w是惯性权重,c1和c2是学习速率,r1和r2是在0到1之间的随机数,wmax和wmin是惯性权重的最大值和最小值,itermax是最大迭代次数。
(6)如果粒子群算法迭代次数小于终止迭代次数,则返回步骤(5),否则,转到步骤(7)。
(7)更新Pbest和gbest作为卷积神经网络参数的候选解,判断差分进化算法迭代次数是否小于差分进化算法终止迭代次数,若是,则返回步骤(2),否则,输出种群历史最优gbest,算法终止;gbest即为卷积神经网络的待优化参数。
6.根据权利要求1所述卷积神经网络的丙烯聚合生产过程最优在线预报系统,其特征在于:所述模型更新模块,用于模型的在线更新,定期将离线化验数据输入到训练集中,更新神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628019.5A CN109507889A (zh) | 2018-12-28 | 2018-12-28 | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811628019.5A CN109507889A (zh) | 2018-12-28 | 2018-12-28 | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109507889A true CN109507889A (zh) | 2019-03-22 |
Family
ID=65756727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811628019.5A Pending CN109507889A (zh) | 2018-12-28 | 2018-12-28 | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109507889A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192434A (zh) * | 2020-01-19 | 2020-05-22 | 中国建筑第四工程局有限公司 | 一种基于多模态感知的安全防护服识别系统及方法 |
CN111881120A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种锅炉智能运行优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382801A (zh) * | 2008-06-25 | 2009-03-11 | 浙江大学 | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 |
CN103823964A (zh) * | 2013-12-09 | 2014-05-28 | 浙江大学 | 一种全局最优丙烯聚合生产过程最优软测量仪表和方法 |
CN103838958A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 模糊智能最优丙烯聚合生产过程最优软测量仪表和方法 |
CN103955170A (zh) * | 2013-12-09 | 2014-07-30 | 浙江大学 | 基于群智寻优的丙烯聚合生产过程在线预报系统和方法 |
CN108536107A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 基于混合型优化参数的群智能寻优故障诊断系统 |
-
2018
- 2018-12-28 CN CN201811628019.5A patent/CN109507889A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382801A (zh) * | 2008-06-25 | 2009-03-11 | 浙江大学 | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 |
CN103823964A (zh) * | 2013-12-09 | 2014-05-28 | 浙江大学 | 一种全局最优丙烯聚合生产过程最优软测量仪表和方法 |
CN103838958A (zh) * | 2013-12-09 | 2014-06-04 | 浙江大学 | 模糊智能最优丙烯聚合生产过程最优软测量仪表和方法 |
CN103955170A (zh) * | 2013-12-09 | 2014-07-30 | 浙江大学 | 基于群智寻优的丙烯聚合生产过程在线预报系统和方法 |
CN108536107A (zh) * | 2018-05-14 | 2018-09-14 | 浙江大学 | 基于混合型优化参数的群智能寻优故障诊断系统 |
Non-Patent Citations (1)
Title |
---|
陈曦等: "一种基于深度网络特征提取与核非线性分类的视频行为识别", 《贵州大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192434A (zh) * | 2020-01-19 | 2020-05-22 | 中国建筑第四工程局有限公司 | 一种基于多模态感知的安全防护服识别系统及方法 |
CN111192434B (zh) * | 2020-01-19 | 2024-02-09 | 中国建筑第四工程局有限公司 | 一种基于多模态感知的安全防护服识别系统及方法 |
CN111881120A (zh) * | 2020-06-16 | 2020-11-03 | 北京华电天仁电力控制技术有限公司 | 一种锅炉智能运行优化方法 |
CN111881120B (zh) * | 2020-06-16 | 2024-04-26 | 国能信控互联技术有限公司 | 一种锅炉智能运行优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101315557B (zh) | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 | |
CN101382801B (zh) | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 | |
CN108804851A (zh) | 一种混沌群智寻优高精度的丙烯聚合生产过程最优软测量仪表 | |
CN108803525A (zh) | 一种混沌敏捷高精度的丙烯聚合生产过程最优软测量仪表 | |
CN109507888B (zh) | 基于集成学习的丙烯聚合生产过程最优在线预报系统 | |
CN101775434A (zh) | 基于bp神经网络的饮用水管网细菌总数快速预测方法 | |
CN108873838A (zh) | 一种群智寻优的丙烯聚合生产过程最优软测量仪表 | |
CN109507889A (zh) | 卷积神经网络的丙烯聚合生产过程最优在线预报系统 | |
CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN103823964A (zh) | 一种全局最优丙烯聚合生产过程最优软测量仪表和方法 | |
CN103823430B (zh) | 智能加权丙烯聚合生产过程最优软测量系统和方法 | |
CN103674778A (zh) | Rbf粒子群优化的工业熔融指数软测量仪表和方法 | |
CN103839103B (zh) | 丙烯聚合生产过程bp最优预报系统和方法 | |
CN109856971A (zh) | 基于群智寻优的丙烯聚合生产过程最优在线预报系统 | |
CN103838142B (zh) | 基于混合寻优的丙烯聚合生产过程最优软测量系统和方法 | |
CN108958181A (zh) | 一种敏捷的丙烯聚合生产过程最优软测量仪表 | |
CN109445398A (zh) | 基于加权组合学习的丙烯聚合生产过程最优在线预报系统 | |
CN109829197A (zh) | 改进的布谷鸟寻优的丙烯聚合生产过程最优软测量仪表 | |
CN103838209B (zh) | 丙烯聚合生产过程自适应最优预报系统和方法 | |
CN103955170A (zh) | 基于群智寻优的丙烯聚合生产过程在线预报系统和方法 | |
CN103838206A (zh) | 最优bp多模丙烯聚合生产过程最优软测量仪表和方法 | |
CN103675012B (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
CN109739086A (zh) | 基于循环神经网络的丙烯聚合生产过程最优在线预报系统 | |
CN103838958A (zh) | 模糊智能最优丙烯聚合生产过程最优软测量仪表和方法 | |
CN109711629A (zh) | 群智寻优神经网络的丙烯聚合生产过程最优在线预报系统 |
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 |
Application publication date: 20190322 |
|
RJ01 | Rejection of invention patent application after publication |