CN109685283B - 一种基于置信规则库推理的矿热炉工况预测方法 - Google Patents

一种基于置信规则库推理的矿热炉工况预测方法 Download PDF

Info

Publication number
CN109685283B
CN109685283B CN201910011356.8A CN201910011356A CN109685283B CN 109685283 B CN109685283 B CN 109685283B CN 201910011356 A CN201910011356 A CN 201910011356A CN 109685283 B CN109685283 B CN 109685283B
Authority
CN
China
Prior art keywords
confidence
working condition
rule base
arc furnace
submerged arc
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
CN201910011356.8A
Other languages
English (en)
Other versions
CN109685283A (zh
Inventor
方开创
孔维健
王晓峰
潘峰
马强
甜娜
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.)
Donghua University
Original Assignee
Donghua 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 Donghua University filed Critical Donghua University
Priority to CN201910011356.8A priority Critical patent/CN109685283B/zh
Publication of CN109685283A publication Critical patent/CN109685283A/zh
Application granted granted Critical
Publication of CN109685283B publication Critical patent/CN109685283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)
  • Furnace Details (AREA)

Abstract

本发明涉及一种基于置信规则库推理的矿热炉工况预测方法，其利用专家经验知识、工业现场数据和机理分析挖掘出与工况预测相关特征向量并建立置信规则库，用置信规则库反映输入参数变量与工况输出之间复杂的非线性映射关系；采用实时决策滤波算法对工业数据进行实时滤波，使特征向量更加真实地反映矿热炉内部工况的变化；建立置信规则库非线性优化模型解决了根据专家给定的参数初始值不精确的问题。本发明不仅能提高生产操作智能化水平还能提高生产效率，对后期做功率需量预测实现生产过程节能减排，能效优化调度至关重要。

Description

一种基于置信规则库推理的矿热炉工况预测方法
技术领域
本发明涉及矿热炉工况预测技术领域，特别是涉及一种基于置信规则库推理的矿热炉工况预测方法。
背景技术
矿热炉的整个熔炼过程是加料、欠烧、主熔、排气和过烧五种工况之间不断循环的过程。在熔炼初始阶段加料后，物料会积聚在熔池上方，此时处于欠烧工况，需要不断加大输入电能，使物料快速融化；由于大部分物料在此阶段熔融，故将该过程称为主熔工况；在熔炼过程中原料受热融化会释放二氧化碳等气体，气体在熔池内部积聚会促进溶液涌动，危及工人和设备安全，因此有必要定期进行排气操作即排气工况；随着物料熔化，料层变薄，电极将裸露到料层外部会导致热量流失此时处于过烧工况；出现过烧工况后，为了防止大量热能流失，需要进行加料操作即加料工况；因此如何精确高效的在线预测出矿热炉的未来时刻的工况对矿热炉的生产过程控制和节能减排至关重要也为下一步要预测矿热炉的功率需量做铺垫。
目前，我国有关矿热炉冶炼技术工艺粗糙，其控制效果主要依赖于工人的操作水平。由于个人能力的差异和夜间长时间的上班使得工人难以保持高度注意力，这就使得工人可能无法及时准确地判断出工况的切换，从而导致生产过程中断，严重时不仅会导致生产事故的发生也会造成巨大的经济损失。
发明内容
本发明所要解决的技术问题是提供一种基于置信规则库推理的矿热炉工况预测方法，能够准确高效的预测下一时刻的工况，并保证熔炼过程安全与生产效益。
本发明解决其技术问题所采用的技术方案是：提供一种基于置信规则库推理的矿热炉工况预测方法，包括以下步骤：
(1)选取矿热炉的三相熔炼电流、电流均值变化率、各阶段进行的时间和各阶段中不同工况发生的时间作为置信规则推理的特征向量；
(2)采集现场整个熔炼过程的生产数据，并划分训练集与测试集；
(3)采取滑差时间窗对t-5时刻至t时刻的三相熔炼电流求取平均值得到
Figure BDA0001937425540000011
和
Figure BDA0001937425540000021
通过电路均值变化率ΔI1(t)、ΔI2(t)和ΔI3(t)来预测t+1时刻的矿热炉工况S(t+1)；
(4)将在t时刻的电流均值变化率、三相熔炼电流、临时定时器、冶炼进行的时间、矿热炉工况和预测的t+1时刻的矿热炉工况表示成向量，并将整个熔炼过程中各个时刻的向量组成的向量集；
(5)建立置信规则库反映矿热炉三相电流均值变化率和临时定时器以及冶炼进行的时间与矿热炉工况变量之间的非线性关系；
(6)建立置信规则库优化模模型，将训练集中的电流均值变化率、三相熔炼电流、临时定时器、冶炼进行的时间作为所构建置信规则库的规则输入，推理出工况预估值，用V表示置信规则库模型的参数向量，定义目标函数为
Figure BDA0001937425540000022
其中，
Figure BDA0001937425540000023
表示工况预估值，通过调整置信规则库参数的取值，使得目标函数的值达到0，得到模型的最优参数值；
(7)利用得到的置信规则库优化模模型对矿热炉工况进行预测。
所述步骤(2)和步骤(3)之间还包括采用基于中值数绝对偏差的实时决策滤波算法对采集的生产数据进行滤波的步骤，具体为：建立数据滑动窗口；用冒泡排序法计算出窗口序列的中值；用中值构造一个中值数绝对偏差序列；用冒泡排序法计算出所述中值数偏差序列的中值；通过
Figure BDA0001937425540000024
计算当前测量值x(t)的滤波值y(t)，其中，Z(t)为窗口序列的中值，L为门限参数，MAD(t)＝1.4826×M(t)为中值数绝对偏差，M(t)为中值数偏差序列的中值。
所述步骤(5)中置信规则库中的第k条规则表示为：
Figure BDA0001937425540000025
Then{(s1,βk,1),…,(s5,βk,5)}，其中，符号^表示逻辑与，
Figure BDA0001937425540000026
分别为电流均值变化率的参考值和
Figure BDA0001937425540000027
分别为临时定时器和冶炼进行的时间的参考值及
Figure BDA0001937425540000028
分别为三相熔炼电流的参考值，sn代表第k条规则推理能够得出的全部评价结果；βk,n代表第k条规则后半部分第n个参考值对应的置信度；将t时刻的电流均值变化率、三相熔炼电流、临时定时器、冶炼进行的时间、矿热炉工况作为规则输入向量带入到置信规则库的每条规则Rk中，经过推理得到输出结果
Figure BDA0001937425540000031
Figure BDA0001937425540000032
是激活权重与后项初始置信度经信度融合后得到的置信度值。
所述步骤(6)中置信规则库优化模模型的约束条件包括：(a)规则权重取值区间为[0,1]；(b)每条规则的前提属性权重取值区间为[0,1]；(c)置信度的不得大于1或小于0；(d)如果第k条规则是完整的，那么输出结果中所有置信度的和等于1；否则小于1。
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：本发明利用置信规则库描述了矿热炉生产过程中的各个工况过程与工业现场生产数据之间存在复杂的非线性映射关系。为了解决根据专家经验给定的置信规则库初始参数不精确的问题，给出非线性优化学习模型提高模型的精度与计算效率，对需要实时工况预测的系统具有更高效的优势。
附图说明
图1是本发明方法的流程图；
图2是本发明中置信规则库优化模型思想图。
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置信规则库推理的矿热炉工况预测方法，如图1所示，该方法包括如下步骤：
步骤1：选取矿热炉的三相熔炼电流、电流均值变化率、各阶段进行的时间和各阶段中不同工况发生的时间作为置信规则推理的特征向量。
该步骤中平均变化率公式为
Figure BDA0001937425540000033
Figure BDA0001937425540000034
为电流平均值，I(t)为t时刻的电流值，T为电流采样周期。
步骤2：电流采样周期设置为1秒，采集现场整个熔炼过程8个小时的生产数据；按8:2的比例划分训练集与测试集。
步骤3：工业测量数据通常含有各种噪声，故此时的电流值并不能反应矿热炉的真实工况，因此需要对熔炼电流的测量值进行滤波处理；本实施方式采用基于中值数绝对偏差的实时决策滤波算法进行滤波。具体实时决策滤波算法如下：
(1)需要建立数据滑动窗口(设宽度为n，通常设为奇数)，t为当前时刻：
{d1,d2,…,dn-1,dn}＝{x(t-n),x(t-n+1),…,x(t-2),x(t-1)}  (1)
其中，x(t)是t时刻的测量值；
(2)用冒泡排序法计算出窗口序列的中值Z(t)；
(3)用中值Z(t)构造一个中值数绝对偏差序列：
{m1,m2,…,mn}＝{|d1-Z|,|d2-Z|,…,|dn-Z|}  (2)
(4)用冒泡排序法计算出上述中值数偏差序列的中值M(t)；
(5)按下式计算当前测量值x(t)的滤波值y(t)。
Figure BDA0001937425540000041
上式中的L为门限参数，中值数绝对偏差MAD＝1.4826×M。
步骤4：采取滑差时间窗，设置滑差时间为1秒，对滤波后的t-5时刻至t时刻共6秒的电流值求取平均值分别为
Figure BDA0001937425540000042
均值变化率
Figure BDA0001937425540000043
和S(t)来预测t+1时刻的矿热炉工况S(t+1)。
进一步的对于步骤4中的S(t+1)表示为矿热炉在t+1时刻的工况，令S(t+1)＝{s1,s2,s3,s4,s5}，其中s1表示欠烧工况，s2表示加料工况，s3表示排气工况，s4表示过烧工况，s5表示主熔工况；选取Tc为冶炼过程中的临时定时器，其定时周期为tc秒；Ts为冶炼过程进行的时间，t＝1,2,...,28800秒，电流单位为A。
步骤5：将步骤4中在t时刻的A、B、C三相电流的均值变化率和熔炼电流及临时定时器和冶炼时间表示成向量，记为
Figure BDA0001937425540000044
可以得到28800个向量，其组成的向量集表示为P＝{p(t)|t＝1,2,...,28800}。
步骤6：建立置信规则库反映矿热炉A、B、C三相电流的均值变化率和Tc以及Ts与工况变量S之间的非线性关系，其中，置信规则库中的第k条规则可以表示为：
Figure BDA0001937425540000051
该式包含规则权θk及前提属性权重
Figure BDA0001937425540000058
其中，Sn(n＝1,2,...N)代表第k条规则推理能够得出的全部评价结果；βk,n(n＝1,2,...N；k＝1,2,...L)代表第k条规则后半部分第n个参考值Dn对应的置信度。若
Figure BDA0001937425540000052
则说明第k条规则是完整的，如果，
Figure BDA0001937425540000053
则说明第k条规则是不完整的。
此外，θk(k＝1,2,...L)代表第k条规则权重，刻画了第k条规则权重与其相比较而言的重要性高低；δk,i(k＝1,2,..L；i＝1,2,...Mk)代表第k条规则中第i个前提属性的权重，刻画了每条规则中第i个前提属性与其余相比较而言的重要性高低，其取值范围均为[0,1]。需要指出，置信规则库推理模型要求其全部L条规则相互独立，即全部L个
Figure BDA0001937425540000054
相互独立。
其中，符号∨逻辑或，符号∧表示逻辑与；在本实施方式中选定
Figure BDA0001937425540000055
分别为
Figure BDA0001937425540000059
的参考值和
Figure BDA0001937425540000056
分别为Tc、Ts的参考值及
Figure BDA0001937425540000057
分别为I1(t)、I2(t)、I3(t)的参考值。结合专家经验与工况分许选定参考值的语义值与量化值如下：
表1语义值与参考值
Figure BDA0001937425540000061
步骤7：进而根据表1中的参考值可以给出置信规则库的第k条置信规则为：
Figure BDA0001937425540000062
设定规则权重θk及前提属性权重δk,1,δk,2,δk,3,δk,3,δk,4,δk,5,δk,6,δk,7,δk,8初值均取1，其中置信度βk,n为初始值。列举部分规则如下：
表2置信规则库
Figure BDA0001937425540000071
步骤8：将
Figure BDA0001937425540000072
Tc、Ts、I1(t)、I2(t)、I3(t)的值作为规则输入向量带入到置信规则库的每条规则Rk中，经过推理可得到输出结果：
Figure BDA0001937425540000073
其中，
Figure BDA0001937425540000074
是激活权重与后项初始置信度经信度融合后得到的置信度值，计算公式为：
Figure BDA0001937425540000075
在公式(7)中，
Figure BDA0001937425540000076
式(7)与(8)中wk为输入规则向量对第k条规则的激活权重，计算公式如下。
Figure BDA0001937425540000081
其中，
Figure BDA0001937425540000082
式(9)
Figure BDA0001937425540000083
代表输入信息xi对第k条规则第i个前提属性xi参考值的个体置信度，可以理解为输入信息xi在第k条规则中相对于参考值
Figure BDA0001937425540000084
的置信度。式中k＝1,2,...,L，wk∈[0,1]。
Figure BDA0001937425540000085
采用基于规则和效用的输入信息转化方法，计算公式可为：
Figure BDA0001937425540000086
由式(6)可推理出每个工况预测的结果，将推理结果中置信度数值最大的作为最终的输出结果。
步骤9：为便于理解，假设下表3为三相电流过程数据，作为初始置信规则库的输入样本，由表3可以看出，从数据点122至127，连续6s内，三相电流均值变化率的绝对值均小于(50A)，即ts∈L1。
表3过程数据表
Figure BDA0001937425540000087
在数据点122时
Figure BDA0001937425540000088
在数据点123时
Figure BDA0001937425540000089
在数据点124时
Figure BDA0001937425540000091
在数据点125时
Figure BDA0001937425540000092
在数据点126时
Figure BDA0001937425540000093
在数据点127时
Figure BDA0001937425540000094
由式(11)可知激活了置信规则库中的1-8条规则，通过式(9)可算出1-8规则的机会权重w1＝w2＝w3＝w4＝w5＝w6＝w7＝w8＝0.125，再由公式(7)与(8)到ER推理出的置信结果：β1＝0，β2＝0，β3＝0，β4＝0，β5＝1。推理结果中β5的置信度数值最大故最终的输出结果为s5＝1及此时工况为正常工况。
步骤8：建立置信规则库优化模模型。
将训练集P(t)中
Figure BDA0001937425540000095
Tc、Ts、I1(t)、I2(t)和I3(t)作为步骤7中所构建置信规则库的规则输入，产生推理出工况预估值S(t)；用V表示置信规则库模型的参数向量(βn,k,θk,δi)，k＝1,2,...,L,n＝1,2,...,8,i＝1,2,...,8，因此可以这样定义目标函数：
Figure BDA0001937425540000096
式中，T＝28800为步骤(2)中采集样本个数，当输出结果为某一工况时，令某一工况取值为1；S(t)与
Figure BDA0001937425540000097
分别为实际的工况和置信规则库模型的预测工况，t＝1,2,...,28800；基于训练样本的优化过程(见图2)，就是要通过调整置信规则库参数的取值，使得目标函数的值达到极小，因此可得出模型的最优参数值；优化可通过Matlab优化工具箱中的非线性优化函数Fmincon实现；在约束条件式(12)-(15)下，找到ξ(V)取最小值时，V中指标参数的最优值；
①规则权重取值区间为[0,1]，即
0≤θk≤1,k＝1,2,...,L  (12)
②每条规则的前提属性权重取值区间为[0,1]，即
Figure BDA0001937425540000098
③置信度的不得大于1或小于0，即
0≤βj,k≤1,j＝1,2,...,N,k＝1,2,...,L  (14)
④如果第k条规则是完整的，那么输出结果中所有置信度的和等于1；否则小于1，即
Figure BDA0001937425540000101
具有最优指标参数取值的规则库为优化后的置信规则库。优化后的参数确定以后，可通过测试集检验模型均方根误差。
最后可以根据得到优化后的置信规则库对矿热炉工况进行预测。
不难发现，本发明利用专家经验知识、工业现场数据和机理分析挖掘出与工况预测相关特征向量并建立置信规则库，用置信规则库反映输入参数变量与工况输出之间复杂的非线性映射关系；采用实时决策滤波算法对工业数据进行实时滤波，使特征向量更加真实地反映矿热炉内部工况的变化；建立置信规则库非线性优化模型解决了根据专家给定的参数初始值不精确的问题。本发明不仅能提高生产操作智能化水平还能提高生产效率，对后期做功率需量预测实现生产过程节能减排，能效优化调度至关重要。

Claims (4)

1.一种基于置信规则库推理的矿热炉工况预测方法，其特征在于，包括以下步骤：
(1)选取矿热炉的三相熔炼电流、电流均值变化率、各阶段进行的时间和各阶段中不同工况发生的时间作为置信规则推理的特征向量；
(2)采集现场整个熔炼过程的生产数据，并划分训练集与测试集；
(3)采取滑差时间窗对t-5时刻至t时刻的三相熔炼电流求取平均值得到
Figure FDA0003964229650000011
和
Figure FDA0003964229650000012
通过电路均值变化率ΔI1(t)、ΔI2(t)和ΔI3(t)来预测t+1时刻的矿热炉工况S(t+1)；
(4)将在t时刻的电流均值变化率、三相熔炼电流、临时定时器、冶炼进行的时间、矿热炉工况和预测的t+1时刻的矿热炉工况表示成向量，并将整个熔炼过程中各个时刻的向量组成的向量集；
(5)建立置信规则库反映矿热炉三相电流均值变化率和临时定时器以及冶炼进行的时间与矿热炉工况变量之间的非线性关系；
(6)建立置信规则库优化模模型，将训练集中的电流均值变化率、三相熔炼电流、临时定时器、冶炼进行的时间作为所构建置信规则库的规则输入，推理出工况预估值，用V表示置信规则库模型的参数向量，定义目标函数为
Figure FDA0003964229650000013
其中，
Figure FDA0003964229650000014
表示工况预估值，通过调整置信规则库参数的取值，使得目标函数的值达到0，得到模型的最优参数值；
(7)利用得到的置信规则库优化模模型对矿热炉工况进行预测。
2.根据权利要求1所述的基于置信规则库推理的矿热炉工况预测方法，其特征在于，所述步骤(2)和步骤(3)之间还包括采用基于中值数绝对偏差的实时决策滤波算法对采集的生产数据进行滤波的步骤，具体为：建立数据滑动窗口；用冒泡排序法计算出窗口序列的中值；用中值构造一个中值数绝对偏差序列；用冒泡排序法计算出所述中值数偏差序列的中值；通过
Figure FDA0003964229650000015
计算当前测量值x(t)的滤波值y(t)，其中，Z(t)为窗口序列的中值，L为门限参数，MAD(t)＝1.4826×M(t)为中值数绝对偏差，M(t)为中值数偏差序列的中值。
3.根据权利要求1所述的基于置信规则库推理的矿热炉工况预测方法，其特征在于，所述步骤(5)中置信规则库中的第k条规则表示为：
Figure FDA0003964229650000021
Then{(s1,βk,1),...,(s5,βk,5)}，其中，符号∧表示逻辑与，
Figure FDA0003964229650000022
分别为电流均值变化率的参考值和
Figure FDA0003964229650000023
分别为临时定时器和冶炼进行的时间的参考值及
Figure FDA0003964229650000024
分别为三相熔炼电流的参考值，sn代表第k条规则推理能够得出的全部评价结果；βk,n代表第k条规则后半部分第n个参考值对应的置信度；将t时刻的电流均值变化率、三相熔炼电流、临时定时器、冶炼进行的时间、矿热炉工况作为规则输入向量带入到置信规则库的每条规则Rk中，经过推理得到输出结果
Figure FDA0003964229650000025
Figure FDA0003964229650000026
是激活权重与后项初始置信度经信度融合后得到的置信度值。
4.根据权利要求1所述的基于置信规则库推理的矿热炉工况预测方法，其特征在于，所述步骤(6)中置信规则库优化模模型的约束条件包括：(a)规则权重取值区间为[0,1]；(b)每条规则的前提属性权重取值区间为[0,1]；(c)置信度不得大于1或小于0；(d)如果第k条规则是完整的，那么输出结果中所有置信度的和等于1；否则小于1。
CN201910011356.8A 2019-01-07 2019-01-07 一种基于置信规则库推理的矿热炉工况预测方法 Active CN109685283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910011356.8A CN109685283B (zh) 2019-01-07 2019-01-07 一种基于置信规则库推理的矿热炉工况预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910011356.8A CN109685283B (zh) 2019-01-07 2019-01-07 一种基于置信规则库推理的矿热炉工况预测方法

Publications (2)

Publication Number Publication Date
CN109685283A CN109685283A (zh) 2019-04-26
CN109685283B true CN109685283B (zh) 2023-04-07

Family

ID=66192844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910011356.8A Active CN109685283B (zh) 2019-01-07 2019-01-07 一种基于置信规则库推理的矿热炉工况预测方法

Country Status (1)

Country Link
CN (1) CN109685283B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110260948B (zh) * 2019-06-20 2020-07-24 杭州电子科技大学 基于声共振频率非线性滤波的液位测量方法
CN112070399B (zh) * 2020-09-09 2024-02-13 中国人民解放军火箭军工程大学 一种大型工程结构安全风险评估方法及系统
CN113033070B (zh) * 2020-12-23 2022-11-04 桂林电子科技大学 一种lng接收站码头管道泄露监测评估方法
CN112904772A (zh) * 2021-01-20 2021-06-04 上海为讷科学仪器有限公司 一种应用于电子电路精密测量和信号处理的专用厚膜电路

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102243672A (zh) * 2011-06-22 2011-11-16 浙江大学 基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法
CN105139086A (zh) * 2015-08-13 2015-12-09 杭州电子科技大学 基于优化置信规则推理的轨道高低不平顺幅值估计方法
CN107368125A (zh) * 2017-09-08 2017-11-21 东北大学 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016115579A2 (en) * 2014-09-10 2016-07-21 Mine Rp Holdings (Pty) Limited A system and a method for life of mine planning and cost control

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102243672A (zh) * 2011-06-22 2011-11-16 浙江大学 基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法
CN105139086A (zh) * 2015-08-13 2015-12-09 杭州电子科技大学 基于优化置信规则推理的轨道高低不平顺幅值估计方法
CN107368125A (zh) * 2017-09-08 2017-11-21 东北大学 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A novel control strategy based on temperature dynamic decoupling and belief expert rule base for large-scale vertical quench furnaces;Weiran Dang et al.;《IEEE Xplore》;20170911;全文 *
Mamdani模糊模型在高炉煤气调度中的应用;刘康;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20180415(第04期);全文 *
利用置信规则库的数控机床伺服系统故障诊断;张邦成等;《振动.测试与诊断》;20130815(第04期);全文 *
基于置信规则库推理的过程报警预测方法及应用;张泽生;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315(第03期);全文 *
精密机电设备寿命评估方法;胡昌华等;《导航与控制》;20180205(第01期);全文 *

Also Published As

Publication number Publication date
CN109685283A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109685283B (zh) 一种基于置信规则库推理的矿热炉工况预测方法
CN111651931B (zh) 基于深度神经网络的高炉故障诊断规则导出方法
CN112560337B (zh) 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质
CN112001527B (zh) 多特征融合深度神经网络的工业生产过程目标数据预测方法
CN110689171A (zh) 一种基于e-lstm的汽轮机健康状态预测方法
CN109583585B (zh) 一种电站锅炉壁温预测神经网络模型的构建方法
WO2022121944A1 (zh) 工业过程运行指标智能预报方法、装置、设备及存储介质
CN110378044B (zh) 基于注意力机制的多时间尺度卷积神经网络软测量方法
CN109978229A (zh) 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法
CN110444257B (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
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
CN102540879A (zh) 基于群决策检索策略的多目标评价优化方法
CN101353729A (zh) 一种基于工况判断的智能集成建模方法
CN108803528A (zh) 基于多变量相关性及时滞性的流程工业系统预测模型
CN109359320B (zh) 基于多采样率自回归分布滞后模型的高炉指标预测方法
CN115718883A (zh) 电池储能系统热预警方法及装置
Yang et al. BP-GA mixed algorithms for short-term load forecasting
Chen et al. Anode effect prediction based on collaborative two-dimensional forecast model in aluminum electrolysis production.
Chen et al. Modeling of goethite iron precipitation process based on time-delay fuzzy gray cognitive network
Li et al. Abnormal condition identification for the electro-fused magnesia smelting process
CN115583654B (zh) 一种基于模仿学习的多晶硅还原炉电流控制方法
CN115323440B (zh) 基于ai神经网络深度自学习的铝电解全息化闭环控制系统
CN104122878A (zh) 工业节能减排控制装置及控制方法
CN113593657B (zh) 以质量目标为导向半监督学习的水泥游离钙软测量系统
CN117784852B (zh) 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法

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
GR01 Patent grant
GR01 Patent grant