CN109684968B - 一种水泥回转窑烧成工况识别方法和系统 - Google Patents

一种水泥回转窑烧成工况识别方法和系统 Download PDF

Info

Publication number
CN109684968B
CN109684968B CN201811542196.1A CN201811542196A CN109684968B CN 109684968 B CN109684968 B CN 109684968B CN 201811542196 A CN201811542196 A CN 201811542196A CN 109684968 B CN109684968 B CN 109684968B
Authority
CN
China
Prior art keywords
neural network
convolutional neural
network model
firing
cement kiln
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.)
Active
Application number
CN201811542196.1A
Other languages
English (en)
Other versions
CN109684968A (zh
Inventor
钱锋
钟伟民
朱远明
杜文莉
梅华
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.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
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 East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN201811542196.1A priority Critical patent/CN109684968B/zh
Publication of CN109684968A publication Critical patent/CN109684968A/zh
Application granted granted Critical
Publication of CN109684968B publication Critical patent/CN109684968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种水泥回转窑烧成工况识别方法和系统，基于卷积神经网络与数据融合来实现，提高了水泥烧成看火的自动化水平，解决了水泥回转窑烧成系统因多变量、强耦合和大时滞带来的工况识别困难的问题。其技术方案为：获取水泥回转窑中火焰图像的并处理；搭建卷积神经网络模型进行训练与优化；获取水泥回转窑烧成系统的主要工艺参数并对其进行聚类；综合卷积神经网络模型分类结果与模糊C均值聚类的聚类结果。

Description

一种水泥回转窑烧成工况识别方法和系统
技术领域
本发明涉及水泥生产工艺技术领域，具体涉及一种基于卷积神经网络与数据融合的水泥回转窑烧成工况识别方法和系统。
背景技术
在水泥烧成过程中，生料依次通过悬浮预热器、分解炉、回转窑和篦冷机，经过煅烧和冷却，最后得到孰料。水泥烧成过程是水泥生产中的核心，它直接影响了水泥的产量与质量，并且它的煤耗约占水泥生产全过程的90％。除此之外，回转窑的电耗也占了水泥生产全过程的大部分。因此水泥生产控制系统的优化能够给企业带来非常可观的经济效益，而控制系统的优化又依赖于对水泥回转窑烧成工况的准确识别。
水泥回转窑烧成工况识别的主要难点有以下几个方面：
1、回转窑烧成工况涉及的工艺参数多，噪声大，使用多变量的方法进行辨识极为困难；
2、回转窑烧成过程的工艺参数之间有强耦合性，为回转窑烧成工况识别带来困难；
3、回转窑烧成过程存在大时滞，为工况的自动识别带来困难。
目前已有的工况识别方法主要是“人工看火”加工艺参数判别法和基于图像特征的机器学习识别方法。“人工看火”加工艺参数判别法通过专门的“看火工”去查看回转窑的烧成情况，加上中控室操作工对工艺参数的监测，依靠自身经验，得出烧成工况的一个判别结果。基于图像特征的机器学习识别方法通过提取图像的特征(颜色、纹理和Sift等)，以图像特征作为输入向量，选择神经网络作为判别模型，得出一个判别结果。除此之外，现有的烧成工况识别方法中，仅通过一张火焰图像来判断当前烧成工况，这样做带来的问题是工况识别的结果不具有代表性，且存在较大的不确定性。
总的来说，现有的工况识别方法存在的问题有以下几点：
1、传统的“人工看火”受人的主观因素影响较大，由于熟练程度、劳动强度和责任心的不同，工况识别效果和稳定性都不能保证；
2、基于人工提取的图像特征的模式识别方法存在一个局限：图像特征的选择需要时间成本，且所选图像特征因人而异，工况识别的稳定性和普适性得不到保证；
3、基于烧成过程工艺参数的识别模型也存在一个问题：大部分工艺参数都具有时滞性，若数据预处理不当就会造成模型识别效果不佳。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种水泥回转窑烧成工况识别方法和系统，基于卷积神经网络与数据融合来实现，有效地提高了水泥烧成看火的自动化水平，有效地解决了水泥回转窑烧成系统因多变量、强耦合和大时滞带来的工况识别困难的问题。
本发明的技术方案为：本发明揭示了一种水泥回转窑烧成工况识别方法，包括并行的卷积神经网络模型处理流程和模糊C均值聚类处理流程以及基于两个流程结果的处理步骤，其中：
卷积神经网络模型处理流程包括：
对火焰图像进行滤波处理；
对经滤波处理后的火焰图像进行标定，生成模型训练样本；以及
使用已有的样本集训练卷积神经网络模型，并对卷积神经网络模型进行优化；
模糊C均值聚类处理流程包括：
读取水泥回转窑烧成的工艺参数，并对数据进行预处理；以及
对预处理后的工艺参数进行模糊C均值聚类；以及
将卷积神经网络模型的分类结果与模糊C均值聚类的结果按权重相加得到最终的分工况识别结果。
根据本发明的水泥回转窑烧成工况识别方法的一实施例，火焰图像是从水泥回转窑的火焰视频中读取得到。
根据本发明的水泥回转窑烧成工况识别方法的一实施例，滤波处理是维纳滤波。
根据本发明的水泥回转窑烧成工况识别方法的一实施例，对卷积神经网络模型的优化手段包括应用正则化、数据增强以及Dropout技术。
本发明还揭示了一种水泥回转窑烧成工况识别系统，所述系统包括：
卷积神经网络模型处理装置，包括：
滤波处理模块，对火焰图像进行滤波处理；
样本生成模块，对经滤波处理后进行标定，生成模型训练样本；以及模型训练优化模块，使用已有的样本集训练卷积神经网络模型，并对卷积神经网络模型进行优化；
模糊C均值聚类处理装置，包括：
参数预处理模块，读取水泥回转窑烧成的工艺参数，并对数据进行预处理；以及
聚类模块，对预处理后的工艺参数进行模糊C均值聚类；以及
工况识别装置，被配置为将卷积神经网络模型的分类结果与模糊C均值聚类的结果按权重相加得到最终的分工况识别结果。
根据本发明的水泥回转窑烧成工况识别系统的一实施例，火焰图像是从水泥回转窑的火焰视频中读取得到。
根据本发明的水泥回转窑烧成工况识别系统的一实施例，滤波处理是维纳滤波。
根据本发明的水泥回转窑烧成工况识别系统的一实施例，对卷积神经网络模型的优化手段包括应用正则化、数据增强以及Dropout技术。
本发明还揭示了一种水泥回转窑烧成工况识别系统，包括计算机以及运行于计算机上的一计算机程序，该计算机程序在该计算机上运行如上所述的方法。
本发明还揭示了一种存储计算机程序的计算机可读存储介质，存储介质上所存储的计算机程序运行后执行如上述的方法。
本发明对比现有技术有如下的有益效果：本发明的主要技术手段是利用卷积神经网络能够自动提取图像特征的特点，采用卷积神经网络替代传统模式识别的方法与模糊C均值聚类算法生成一个回转窑烧成工况识别模型。相较于现有技术，本发明实现了“机器看火”，减少了操作人员的工作强度，减少了人类主观因素对工况判别的影响。本发明使用卷积神经网络自动提取特征省去人工选择图像特征的这一环节，减少了时间成本。且本发明中的火焰图像可以实时地反应回转窑烧成工况的好坏，解决了工艺参数的时滞性问题。为了让判别结果更具有代表性，本发明选择一段时间内的多张火焰图像进行分类判别，选择出现频次最高的分类结果。本发明将卷积神经网络与模糊C均值聚类的结合有效地解决了水泥回转窑烧成系统因多变量、强耦合和大时滞带来的工况识别困难的问题。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了本发明的水泥回转窑烧成工况识别方法的框架原理图。
图2示出了卷积神经网络模型的结构图。
图3示出了本发明的基于卷积神经网络与数据融合的水泥回转窑烧成工况识别方法的一实施例的流程图。
图4示出了本发明的基于卷积神经网络与数据融合的水泥回转窑烧成工况识别系统的一实施例的原理图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
图1是本发明的水泥回转窑烧成工况识别方法的框架原理图，整个过程分为卷积神经网络模型(CNN)和模糊C均值聚类(FCM)两条线同时进行，最后得出一个综合的结果(烧成工况)。其中火焰图像的大小例如为340×430×3，CNN为本发明实施例中所使用的卷积神经网络模型，工艺参数包括窑头罩温度、窑主电机电流、二次风温和游离氧化钙。
图3示出了本发明的基于卷积神经网络与数据融合的水泥回转窑烧成工控识别方法的实施例的具体流程，包括如下步骤：
步骤S1：从水泥回转窑的火焰视频中读取出火焰图像。
步骤S2：对火焰图像进行滤波处理，滤掉电子噪声，使图片更加清晰。
步骤S2中的滤波处理方式例如是中值滤波、高斯滤波、维纳滤波，较佳的采用维纳滤波方法，在处理回转窑煅烧火焰图像的噪声时的图片清晰度和对比度最高。
步骤S3：基于水泥厂中控室的操作人员的经验，对获取的火焰图像进行标定，生成模型训练样本；
步骤S4：使用已有的样本集训练卷积神经网络模型(CNN模型)，并对模型进行优化。
优化的具体手段包括应用正则化、数据增强以及Dropout技术。由于训练图像的数据量不够，本发明使用数据增强的方式增加训练样本。通过使用Dropout技术扩展了模型训练的可能，使模型具有集成学习的优点，减少模型过拟合，提高识别准确率。给损失函数加上正则项则进一步降低了模型过拟合的可能性。
图2是卷积神经网络模型的结构图，本实施例中的CNN模型的网络结构一共分为8层，分别为输入层、卷积层(对应图示的Conv1)、下采样层(对应图示的Pooling2)、卷积层(对应图示的Conv3)、下采样层(对应图示的Pooling4)、卷积层(对应图示的Conv5)、全连接层(对应图示的Flat6和Fc7)和输出层。
模型识别的过程为：输入层读取宽高为56×56的灰度图像，卷积层Conv1通过6个卷积核提取输入图像的特征得到6个特征图(主要为线性特征)，下采样层Pooling2对上一个卷积层得到的特征图进行池化操作，实现图像数据降维。卷积层Conv3通过16个卷积核提取池化操作后的图像的特征得到16个特征图(主要为边角特征)，下采样层Pooling4对上一个卷积层得到的特征图进行池化操作，实现图像数据降维。卷积层Conv5通过120个卷积核提取池化操作后的图像的特征得到120个特征图(主要为高级特征)。Flat6层将特征图展开成一维数据，与全连接层Fc7进行全连接，组后通过输出层得到一个1×3的类别输出。
步骤S5：读取水泥回转窑烧成的工艺参数，并对数据进行预处理。
预处理包括使用3σ法剔除数据中的离群点，接着使用高斯滤波对数据进行降噪处理，最后使用z-score法将数据进行归一化。
步骤S6：对预处理后的工艺参数进行模糊C均值聚类(FCM聚类)。
步骤S7：将卷积神经网络模型(CNN模型)的分类结果与模糊C均值聚类(FCM聚类)的结果按权重相加得到最终分工况识别结果。
CNN与FCM之间的权重例如分别为0.6和0.4。
图4示出了本发明的水泥回转窑烧成工况识别系统的一实施例的原理。请参见图4，本实施例的系统包括：卷积神经网络模型处理装置、模糊C均值聚类处理装置以及工况识别装置。
卷积神经网络模型处理装置包括滤波处理模块、样本生成模块、模型训练优化模块。
滤波处理模块对火焰图像进行滤波处理。火焰图像是从水泥回转窑的火焰视频中读取得到。
样本生成模块对经滤波处理后进行标定，生成模型训练样本。滤波处理例如是维纳滤波。
模型训练优化模块使用已有的样本集训练卷积神经网络模型，并对卷积神经网络模型进行优化。对卷积神经网络模型的优化手段包括应用正则化、数据增强以及Dropout技术。由于训练图像的数据量不够，本发明使用数据增强的方式增加训练样本。通过使用Dropout技术扩展了模型训练的可能，使模型具有集成学习的优点，减少模型过拟合，提高识别准确率。给损失函数加上正则项则进一步降低了模型过拟合的可能性。
图2是卷积神经网络模型的结构图，本实施例中的CNN模型的网络结构一共分为8层，分别为输入层、卷积层(对应图示的Conv1)、下采样层(对应图示的Pooling2)、卷积层(对应图示的Conv3)、下采样层(对应图示的Pooling4)、卷积层(对应图示的Conv5)、全连接层(对应图示的Flat6和Fc7)和输出层。
模型识别的过程为：输入层读取宽高为56×56的灰度图像，卷积层Conv1通过6个卷积核提取输入图像的特征得到6个特征图(主要为线性特征)，下采样层Pooling2对上一个卷积层得到的特征图进行池化操作，实现图像数据降维。卷积层Conv3通过16个卷积核提取池化操作后的图像的特征得到16个特征图(主要为边角特征)，下采样层Pooling4对上一个卷积层得到的特征图进行池化操作，实现图像数据降维。卷积层Conv5通过120个卷积核提取池化操作后的图像的特征得到120个特征图(主要为高级特征)。Flat6层将特征图展开成一维数据，与全连接层Fc7进行全连接，组后通过输出层得到一个1×3的类别输出。
模糊C均值聚类处理装置包括参数预处理模块和聚类模块。
参数预处理模块读取水泥回转窑烧成的工艺参数，并对数据进行预处理。
预处理包括使用3σ法剔除数据中的离群点，接着使用高斯滤波对数据进行降噪处理，最后使用z-score法将数据进行归一化。
聚类模块对预处理后的工艺参数进行模糊C均值聚类。
工况识别装置被配置为将卷积神经网络模型的分类结果与模糊C均值聚类的结果按权重相加得到最终的分工况识别结果。
此外，本发明还公开了一种水泥回转窑烧成工况识别系统，包括计算机以及运行于计算机上的一计算机程序，计算机程序在计算机上运行如前述实施例所描述的方法。由于方法步骤已经在前述实施例中详述，在此不再赘述。
此外，本发明还公开了一种存储计算机程序的计算机可读存储介质，存储介质上所存储的计算机程序运行后执行如前述实施例所描述的方法。由于方法步骤已经在前述实施例中详述，在此不再赘述。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (10)

1.一种水泥回转窑烧成工况识别方法，其特征在于，包括并行的卷积神经网络模型处理流程和模糊C均值聚类处理流程以及基于两个流程结果的处理步骤，其中：
卷积神经网络模型处理流程包括：
对火焰图像进行滤波处理；
对经滤波处理后的火焰图像进行标定，生成模型训练样本；以及
使用生成的模型训练样本训练卷积神经网络模型，并对卷积神经网络模型进行优化；
模糊C均值聚类处理流程包括：
读取水泥回转窑烧成的工艺参数，并对数据进行预处理；以及
对预处理后的工艺参数进行模糊C均值聚类；以及
将卷积神经网络模型的分类结果与模糊C均值聚类的结果按权重相加得到最终的工况识别结果。
2.根据权利要求1所述的水泥回转窑烧成工况识别方法，其特征在于，火焰图像是从水泥回转窑的火焰视频中读取得到。
3.根据权利要求1所述的水泥回转窑烧成工况识别方法，其特征在于，滤波处理是维纳滤波。
4.根据权利要求1所述的水泥回转窑烧成工况识别方法，其特征在于，对卷积神经网络模型的优化手段包括应用正则化、数据增强以及Dropout技术。
5.一种水泥回转窑烧成工况识别系统，其特征在于，所述系统包括：
卷积神经网络模型处理装置，包括：
滤波处理模块，对火焰图像进行滤波处理；
样本生成模块，对经滤波处理后的火焰图像进行标定，生成模型训练样本；以及
模型训练优化模块，使用生成的模型训练样本训练卷积神经网络模型，并对卷积神经网络模型进行优化；
模糊C均值聚类处理装置，包括：
参数预处理模块，读取水泥回转窑烧成的工艺参数，并对数据进行预处理；以及
聚类模块，对预处理后的工艺参数进行模糊C均值聚类；以及
工况识别装置，被配置为将卷积神经网络模型的分类结果与模糊C均值聚类的结果按权重相加得到最终的工况识别结果。
6.根据权利要求5所述的水泥回转窑烧成工况识别系统，其特征在于，火焰图像是从水泥回转窑的火焰视频中读取得到。
7.根据权利要求5所述的水泥回转窑烧成工况识别系统，其特征在于，滤波处理是维纳滤波。
8.根据权利要求5所述的水泥回转窑烧成工况识别系统，其特征在于，对卷积神经网络模型的优化手段包括应用正则化、数据增强以及Dropout技术。
9.一种水泥回转窑烧成工况识别系统，其特征在于，包括计算机以及运行于计算机上的一计算机程序，该计算机程序在该计算机上运行如权利要求1至4中任一项所述的方法。
10.一种存储计算机程序的计算机可读存储介质，其特征在于，存储介质上所存储的计算机程序运行后执行如权利要求1至4中任一项所述的方法。
CN201811542196.1A 2018-12-17 2018-12-17 一种水泥回转窑烧成工况识别方法和系统 Active CN109684968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811542196.1A CN109684968B (zh) 2018-12-17 2018-12-17 一种水泥回转窑烧成工况识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811542196.1A CN109684968B (zh) 2018-12-17 2018-12-17 一种水泥回转窑烧成工况识别方法和系统

Publications (2)

Publication Number Publication Date
CN109684968A CN109684968A (zh) 2019-04-26
CN109684968B true CN109684968B (zh) 2023-07-04

Family

ID=66186139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811542196.1A Active CN109684968B (zh) 2018-12-17 2018-12-17 一种水泥回转窑烧成工况识别方法和系统

Country Status (1)

Country Link
CN (1) CN109684968B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245850B (zh) * 2019-05-31 2021-07-13 中国地质大学（武汉） 一种考虑时序的烧结过程工况识别方法及系统
CN110795694A (zh) * 2019-09-29 2020-02-14 太原理工大学 一种基于卷积神经网络的燃烧系统氧含量预测方法
CN110981240B (zh) * 2019-12-19 2022-04-08 华东理工大学 煅烧过程优化方法和系统
CN111298735A (zh) * 2020-02-12 2020-06-19 苏州垣瑞环境科技有限公司 用于油泥资源化利用的自循环智能供热系统
CN113033620B (zh) * 2021-03-04 2022-08-05 湖南工业大学 一种基于随机森林的多信息融合回转窑产品质量分类识别方法
CN113343791B (zh) * 2021-05-21 2023-06-16 浙江邦业科技股份有限公司 基于卷积神经网络的窑头看火视频亮度识别方法及装置
CN113657484B (zh) * 2021-08-13 2024-02-09 济南大学 水泥篦冷机典型工况划分与识别的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063588A (zh) * 2014-06-12 2014-09-24 东北大学 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063588A (zh) * 2014-06-12 2014-09-24 东北大学 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于卷积独立子空间分析的回转窑熟料烧结工况识别方法研究;蔡元强;《中国优秀硕士学位论文全文数据库》;20181215;全文 *
基于卷积神经网络和改进模糊C均值的遥感图像检索;彭晏飞 等;《激光与光电子学进展》;20180910(第9期);第091008-1至第091008-8页 *
面向短时交通流量预测的神经网络算法研究;林海涛;《中国优秀硕士学位论文全文数据库》;20170215;全文 *

Also Published As

Publication number Publication date
CN109684968A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109684968B (zh) 一种水泥回转窑烧成工况识别方法和系统
KR102021944B1 (ko) 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
CN111626188B (zh) 一种室内不可控明火监测方法及系统
CN113820326B (zh) 一种长码拉链的缺陷检测系统
CN116740728B (zh) 一种用于晶圆读码器动态获取方法和系统
CN115065708B (zh) 基于机器视觉检测的工业物联网系统及其控制方法
CN110009011A (zh) 一种基于图像处理的焊点识别方法
CN109598200B (zh) 一种铁水罐罐号的图像智能识别系统及方法
CN110852373A (zh) 基于视觉的无缺陷样本深度学习网络训练方法
CN106570503A (zh) 识别车身颜色的方法和系统
CN112419278A (zh) 一种基于深度学习的实木地板分类方法
CN113591583A (zh) 一种智能硼矿选矿系统及方法
CN116860827A (zh) 一种基于人工智能的财务数据挖掘方法
CN111738338A (zh) 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法
CN118500981A (zh) 涂料生产过程智能质检监控系统及方法
CN113421334B (zh) 一种基于深度学习的多聚焦图像三维重建方法
CN116596928B (zh) 基于图像特征的花生油杂质快速检测方法
CN112800909A (zh) 一种自学习型的烟丝杂物视像检测方法
CN115482227B (zh) 机器视觉自适应成像环境调整方法
CN112488986A (zh) 基于Yolo卷积神经网络的布匹表面瑕疵识别方法、装置及系统
CN111899221B (zh) 一种面向外观缺陷检测的自迁移学习方法
US11222267B2 (en) Image inspection apparatus, image inspection learning method, and non-transitory computer-readable storage medium for storing image inspection program
Masruroh et al. Convolutional Neural Network for Colorization of Black and White Photos
CN110070011A (zh) 一种应用于智能制造流水线的监测方法及装置

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