CN110222825A - 一种水泥成品比表面积预测方法及系统 - Google Patents
一种水泥成品比表面积预测方法及系统 Download PDFInfo
- Publication number
- CN110222825A CN110222825A CN201910495482.5A CN201910495482A CN110222825A CN 110222825 A CN110222825 A CN 110222825A CN 201910495482 A CN201910495482 A CN 201910495482A CN 110222825 A CN110222825 A CN 110222825A
- Authority
- CN
- China
- Prior art keywords
- surface area
- specific surface
- granularity
- finished cement
- data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/28—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring areas
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种水泥成品比表面积预测方法及系统。所述方法包括:获取待测试水泥成品数据;待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值;粒度数据包括多个粒度值;各粒度值均属于不同的粒度范围;将待测试水泥成品数据输入至训练好的比表面积预测模型中,得到待测试水泥成品的比表面积预测值;训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的。本发明解决了水泥成品比表面积预测过程中变量数据与待测指标之间存在的时变时延的问题,且测量成本低。
Description
技术领域
本发明涉及水泥成品性能预测预测技术领域,特别是涉及一种水泥成品比表面积预测方法及系统。
背景技术
水泥制造业作为基础原材料流程工业之一,在经济建设中具有重要地位。水泥研磨过程是水泥生产的重要过程,水泥成品比表面积作为评价水泥产品质量性能的重要参数,对水泥比表进行精准预测,可以为水泥磨研磨过程调度的优化、综合能耗的降低和水泥产品的评价提供依据。
长期以来,优质高产与节能降耗一直是水泥制造业不懈追求的目标,大量学者和专家在水泥工艺、设备和控制方面开展了研究工作。根据生产工艺建立水泥制造过程的机理模型,辅助生产决策,实现PID回路控制,是水泥制造过程普遍采用的生产调度与控制方法。传统的生产调度与控制方法是基于机理模型实现,然而,随着水泥生产规模的不断扩大,生产工序运行规律日益复杂,机理模型很难准确的描述生产过程,因此,基于机理模型的生产控制方法存在着较大的局限性。
为了更有效的适应水泥制造过程复杂性,数据驱动技术被应用到水泥生产优化中。相比工艺机理建模方法,数据驱动技术采用观测数据进行建模,避免了由于生产工序复杂而无法直接建立数学模型的弊端,可从水泥生产数据中挖掘工艺参数与控制变量间的耦合规律,并对生产工况进行识别和推理分析,降低模型建立的复杂性。
目前,国内外水泥比表面积的检测分为在线和离线两种。粒度的离线检测就是每一个小时到现场取样,将样本拿到实验室的分析仪,经化验后得到。这样做的缺点是由于取样量小,因此代表性不够。又因为两次取样时间为一小时,间隔长,因此最后测定的水泥比表面积和细度跟实际生产不一致,这样就会对实际生产中操作员的指导作用产生滞后,从而不能实时监测水泥比表面积和水泥细度,容易生产出不合格产品,甚至可能导致水泥达不到国家标准而作废,很难适应生产的要求。而在线监测是在水泥生产过程中直接监测水泥的比表面积和细度,并且将监测到的水泥的比表面积和细度等信息传送到DCS系统。目前在线测量水泥粒度的主要设备是在线粒度监测仪,它能够及时、快速、连续、真实地对水泥的粒度进行测量,这对水泥质量的稳定提供了更先进的手段,但是此种方法只可测量水泥成品粒度无法直接反应水泥成品比表面积,并且成本较高。
随着水泥行业对智慧制造要求的不断提升,如何实现水泥成品比表面积的低成本测量,改变延时测量现状,实现水泥比表的实时评价与合理控制成为了水泥流程工业领域亟待解决的问题。
发明内容
基于此,有必要提供一种水泥成品比表面积预测方法及系统,以解决水泥成品比表面积预测过程中变量数据与待测指标之间存在的时变时延的问题,改变延时测量现状,且实现水泥成品比表面积的低成本测量。
为实现上述目的,本发明提供了如下方案:
一种水泥成品比表面积预测方法,包括:
获取待测试水泥成品数据;所述待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值;所述粒度数据包括多个粒度值;各所述粒度值均属于不同的粒度范围;
将所述待测试水泥成品数据输入至训练好的比表面积预测模型中,得到待测试水泥成品的比表面积预测值;所述训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的。
可选的,所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值;所述第一粒度值小于3μm,所述第二粒度值的所属粒度范围为(3μm,32μm),所述第三粒度值大于45μm,所述第四粒度值大于60μm,所述第五粒度值大于80μm。
可选的,所述训练好的比表面积预测模型的确定方法为:
获取待训练水泥成品数据;所述待训练水泥成品数据包括待训练水泥成品多个时刻的粒度数据、每个时刻对应的比表面积实验值和与每个时刻对应的上一时刻的比表面积实验值;
构建卷积神经网络模型;所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层;
将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量,将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量,对所述卷积神经网络模型进行训练,确定模型参数;所述模型参数包括卷积核的权重和卷积核的偏置;
将训练好的卷积神经网络模型确定为比表面积预测模型;
采用反向传播算法对所述比表面积预测模型中的卷积核的权重和卷积核的偏置进行调整;
将调整后的比表面积预测模型确定为训练好的比表面积预测模型。
可选的,所述将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量,将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量,对所述卷积神经网络模型进行训练,确定模型参数,具体包括:
对所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值采用滑动窗口进行处理,得到按时间序列排列的输入参量;所述时间序列
Xa={Xa(t),Xa(t+1),···,Xa(t+μ)},a=1,2,3,4,5,6,
其中,Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列;
将所述按时间序列排列的输入参量经所述输入层输入至所述卷积层,采用n1个卷积核对所述按时间序列排列的输入参量进行横向卷积,得到卷积后的神经元数据矩阵,具体为
其中,hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素,f表示激活函数,wi表示卷积核的权重,bi表示卷积核的偏置;
将所述卷积后的神经元数据矩阵输入至所述池化层,采用1*q个池化核对所述卷积后的神经元数据矩阵进行平均池化,得到池化后的神经元数据矩阵,具体为
其中,pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素,q表示池化区域的大小,D表示单个神经元数据矩阵的长度,F表示单个神经元数据矩阵的宽度;
采用n2个卷积核对所述池化后的神经元数据矩阵依次进行横向卷积和平均池化,得到二次池化后的神经元数据矩阵;
将所述二次池化后的神经元数据矩阵输入至所述全连接层,采用n2个卷积核对所述二次池化后的神经元数据矩阵进行卷积,得到全连接层输出向量,具体为
其中,yu表示全连接层输出向量中每个神经元中的数值,xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素,T表示全连接层中神经元的个数,n表示卷积核的原始个数;
将所述全连接层输出向量输入至所述输出层中,进行线性加权求和,得到水泥成品比表面积输出值,具体为
其中,为水泥成品比表面积输出值;
将所述水泥成品比表面积输出值与对应时刻的比表面积实验值进行对比,调整所述卷积神经网络模型中的模型参数,完成对所述卷积神经网络模型的训练,最终确定模型参数。
可选的,在所述获取待测试水泥成品数据之后,还包括:
对所述待测试水泥成品数据进行归一化处理。
本发明还提供了一种水泥成品比表面积预测系统,包括:
数据获取模块,用于获取待测试水泥成品数据;所述待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值;所述粒度数据包括多个粒度值;各所述粒度值均属于不同的粒度范围;
预测模块,用于将所述待测试水泥成品数据输入至训练好的比表面积预测模型中,得到待测试水泥成品的比表面积预测值;所述训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的。
可选的,所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值;所述第一粒度值小于3μm,所述第二粒度值的所属粒度范围为(3μm,32μm),所述第三粒度值大于45μm,所述第四粒度值大于60μm,所述第五粒度值大于80μm。
可选的,所述系统还包括:预测模型确定模块;所述预测模型确定模块用于确定训练好的比表面积预测模型;所述预测模型确定模块,具体包括:
训练数据获取单元,用于获取待训练水泥成品数据;所述待训练水泥成品数据包括待训练水泥成品多个时刻的粒度数据、每个时刻对应的比表面积实验值和与每个时刻对应的上一时刻的比表面积实验值;
模型构建单元,用于构建卷积神经网络模型;所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层;
训练单元,用于将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量,将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量,对所述卷积神经网络模型进行训练,确定模型参数;所述模型参数包括卷积核的权重和卷积核的偏置;
第一模型确定单元,用于将训练好的卷积神经网络模型确定为比表面积预测模型;
参数调整单元,用于采用反向传播算法对所述比表面积预测模型中的卷积核的权重和卷积核的偏置进行调整;
第二模型确定单元,用于将调整后的比表面积预测模型确定为训练好的比表面积预测模型。
可选的,所述训练单元,具体包括:
滑动处理子单元,用于对所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值采用滑动窗口进行处理,得到按时间序列排列的输入参量;所述时间序列
Xa={Xa(t),Xa(t+1),···,Xa(t+μ)},a=1,2,3,4,5,6,
其中,Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列;
卷积子单元,用于将所述按时间序列排列的输入参量经所述输入层输入至所述卷积层,采用n1个卷积核对所述按时间序列排列的输入参量进行横向卷积,得到卷积后的神经元数据矩阵,具体为
其中,hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素,f表示激活函数,wi表示卷积核的权重,bi表示卷积核的偏置;
池化子单元,用于将所述卷积后的神经元数据矩阵输入至所述池化层,采用1*q个池化核对所述卷积后的神经元数据矩阵进行平均池化,得到池化后的神经元数据矩阵,具体为
其中,pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素,q表示池化区域的大小,D表示单个神经元数据矩阵的长度,F表示单个神经元数据矩阵的宽度;
二次处理子单元,用于采用n2个卷积核对所述池化后的神经元数据矩阵依次进行横向卷积和平均池化,得到二次池化后的神经元数据矩阵;
全连接层卷积子单元,用于将所述二次池化后的神经元数据矩阵输入至所述全连接层,采用n2个卷积核对所述二次池化后的神经元数据矩阵进行卷积,得到全连接层输出向量,具体为
其中,yu表示全连接层输出向量中每个神经元中的数值,xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素,T表示全连接层中神经元的个数,n表示卷积核的原始个数;
输出层处理子单元,用于将所述全连接层输出向量输入至所述输出层中,进行线性加权求和,得到水泥成品比表面积输出值,具体为
其中,为水泥成品比表面积输出值;
调整子单元,用于将所述水泥成品比表面积输出值与对应时刻的比表面积实验值进行对比,调整所述卷积神经网络模型中的模型参数,完成对所述卷积神经网络模型的训练,最终确定模型参数。
可选的,所述系统还包括归一化处理模块;
所述归一化处理模块用于对所述待测试水泥成品数据进行归一化处理。
与现有技术相比,本发明的有益效果是:
本发明提出了一种水泥成品比表面积预测方法及系统,其通过卷积神经网络算法和反向传播算法确定训练好的比表面积预测模型,并将待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值作为模型的输入,实现了水泥成品比表面积的预测。本发明解决了水泥成品比表面积预测过程中变量数据与待测指标之间存在的时变时延的问题,还能够降低成本,而且还能够对经过水泥研磨系统产出的水泥成品比表面积以及变化趋势进行及时、快速、连续、真实地预测,及时的为水泥研磨过程提供规划调度依据,这为水泥质量的稳定提供了更为先进的手段。
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1一种水泥成品比表面积预测方法的流程图;
图2为本发明实施例2训练好的比表面积预测模型的结构示意图。
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。
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1一种水泥成品比表面积预测方法的流程图。
参见图1,实施例1的水泥成品比表面积预测方法,包括:
步骤S1:获取待测试水泥成品数据;所述待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值。
所述粒度数据包括多个粒度值;各所述粒度值均属于不同的粒度范围。所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值;所述第一粒度值小于3μm,所述第二粒度值的所属粒度范围为(3μm,32μm),所述第三粒度值大于45μm,所述第四粒度值大于60μm,所述第五粒度值大于80μm。
步骤S2:将所述待测试水泥成品数据输入至训练好的比表面积预测模型中,得到待测试水泥成品的比表面积预测值;所述训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的。
所述步骤S2中,训练好的比表面积预测模型的确定方法为:
21:获取待训练水泥成品数据;所述待训练水泥成品数据包括待训练水泥成品多个时刻的粒度数据、每个时刻对应的比表面积实验值和与每个时刻对应的上一时刻的比表面积实验值。
每个时刻的粒度数据距包括多个粒度值;每个时刻对应的各所述粒度值均属于不同的粒度范围。所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值;所述第一粒度值小于3μm,所述第二粒度值的所属粒度范围为(3μm,32μm),所述第三粒度值大于45μm,所述第四粒度值大于60μm,所述第五粒度值大于80μm。
22:构建卷积神经网络模型;所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层。
23:将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量,将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量,对所述卷积神经网络模型进行训练,确定模型参数。
所述模型参数包括卷积核的权重和卷积核的偏置。
步骤23,具体包括:
1)对所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值采用滑动窗口进行处理,得到按时间序列排列的输入参量;所述时间序列
Xa={Xa(t),Xa(t+1),···,Xa(t+μ)},a=1,2,3,4,5,6,
其中,Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列。
2)将所述按时间序列排列的输入参量经所述输入层输入至所述卷积层,采用n1个卷积核对所述按时间序列排列的输入参量进行横向卷积,得到卷积后的神经元数据矩阵,具体为
其中,hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素,f表示激活函数,wi表示卷积核的权重,bi表示卷积核的偏置。
3)将所述卷积后的神经元数据矩阵输入至所述池化层,采用1*q个池化核对所述卷积后的神经元数据矩阵进行平均池化,得到池化后的神经元数据矩阵,具体为
其中,pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素,q表示池化区域的大小,D表示单个神经元数据矩阵的长度,F表示单个神经元数据矩阵的宽度。
4)采用n2个卷积核对所述池化后的神经元数据矩阵依次进行横向卷积和平均池化,得到二次池化后的神经元数据矩阵。
5)将所述二次池化后的神经元数据矩阵输入至所述全连接层,采用n2个卷积核对所述二次池化后的神经元数据矩阵进行卷积,得到全连接层输出向量,具体为
其中,yu表示全连接层输出向量中每个神经元中的数值,xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素,T表示全连接层中神经元的个数,n表示卷积核的原始个数,n1表示第一次卷积层中卷积核的个数,n2表示第二次卷积层中卷积核的个数。
6)将所述全连接层输出向量输入至所述输出层中,进行线性加权求和,得到水泥成品比表面积输出值,具体为
其中,为水泥成品比表面积输出值。
7)将所述水泥成品比表面积输出值与对应时刻的比表面积实验值进行对比,调整所述卷积神经网络模型中的模型参数,完成对所述卷积神经网络模型的训练,最终确定模型参数。
24:将训练好的卷积神经网络模型确定为比表面积预测模型;
25:采用反向传播算法对所述比表面积预测模型中的卷积核的权重和卷积核的偏置进行调整。
26:将调整后的比表面积预测模型确定为训练好的比表面积预测模型。
作为一种可选的实施方式,在步骤S1之后,还包括:对所述待测试水泥成品数据进行归一化处理。
本实施例的水泥成品比表面积预测方法,解决了水泥成品比表面积预测过程中变量数据与待测指标之间存在的时变时延的问题,还能够降低成本,而且还能够对经过水泥研磨系统产出的水泥成品比表面积以及变化趋势进行及时、快速、连续、真实地预测。
实施例2
本实施例中的水泥成品比表面积预测方法,首先从水泥磨研磨系统的数据库中选取上一时刻水泥成品比表面积实验值和通过粒度仪测得的水泥成品粒度分布值,分别为AB粒度<3um、AB粒度3-32um、AB粒度>45um、AB粒度>60um、AB粒度>80um,总计6个输入变量。将滑动窗口时间序列的技术与卷积神经网络相结合,并采用反向传播技术对权值进行微调,建立训练好的比表面积预测模型,具体流模型图如图2所示。
图2为本发明实施例2训练好的比表面积预测模型的结构示意图。
参见图2,本实施例中的水泥成品比表面积预测方法具体包括如下步骤:
步骤1:选取通过粒度仪测得的水泥成品粒度分布值与上一时刻比表实验值作为输入变量。然后对选取后的变量数据进行归一化处理,引入滑动窗口将处理后的变量数据按时间序列排列作为输入数据,避免了输入变量与输出预测值的时序匹配问题,简化了模型的结构。
如图2中[1]所示,选取6个与水泥成品比表面积预测相关的输入变量,分别是AB粒度<3um的X1、AB粒度属于3-32um范围的X2、AB粒度>45um的X3、AB粒度>60um的X4、AB粒度>80um的X5、上一时刻比表面积实验值X6。其中,水泥粒度数据可以通过粒度仪实时测量,上一时刻比表面积实验值为上一时刻由实验室测得的数据。
采用滑动窗口技术,将过去一个时间区间的6个变量数据与未来时刻的水泥成品比表相对应形成时间序列,并按单位时间滑动,如图2中[2]所示。并选取t时刻到t+n时刻宽度为n的滑动窗口,如图2中[3]所示。将6个变量按行依次输入形成矩阵。
卷积神经网络模型输入变量的时间序列为:
Xa={Xa(t),Xa(t+1),···,Xa(t+μ)},a=1,2,3,4,5,6,
其中,Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列。
步骤2:对输入层经过步骤1的变量数据进行卷积池化及全连接运算。首先对输入数据进行卷积运算,并对经过卷积运算的输入数据进行池化,进过多次卷积池化后对输出数据进行全连接操作,完成对卷积神经网络模型前向训练的过程。
输入变量数据经过滑动窗口处理后作为卷积神经网络模型的输入层,输入层下一层是卷积层,卷积层对输入层的变量数据进行卷积操作,首先采用n1个卷积核对输入层变量数据进行横向卷积,如图2中[4]所示。卷积公式如下:
其中,hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素,如图2中[5]、[6]所示。f表示激活函数,wi表示卷积核的权重,bi表示卷积核的偏置。本实施例中选择relu函数作为激活函数。其公式如下:
f(x)=max(0,x)。
输入层数据经过n1个卷积核卷积计算后由relu函数激活,激活后输出n1个神经元,每个神经元中包含一个数据矩阵,作为池化层的输入。本实施例采用1*q池化核平均池化,如图2中[7]所示,具体公式如下:
其中,pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素,如图2中[8]、[9]所示。q表示池化区域的大小,D表示单个神经元数据矩阵的长度,F表示单个神经元数据矩阵的宽度。由于池化核是横向池化,神经元矩阵只有宽度会减小。平均池化后,单个神经元矩阵宽度减小一半,但不会改变输出神经元的个数。池化层输出的神经元再由n2个卷积核进行横向卷积并再次进行平均池化,输出n2个神经元。
经过两次卷积池化后输出的神经元作为全连接层的输入,全连接层将所有神经元矩阵的元素所代表的特征信息整合到全连接层的神经元当中,设全连接层神经元个数为T,如图2中[10]所示,经过多次卷积池化后输出的每个神经元中包含k行l列元素,全连接层每个神经元由n2个[k,l]的卷积核对每个神经元矩阵中的元素进行卷积,具体公式如下
其中,xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素,n表示卷积核的原始个数,n1表示第一次卷积层中卷积核的个数,n2表示第二次卷积层中卷积核的个数,T表示全连接层中神经元的个数,卷积核大小与神经元矩阵大小相同,卷积后输出一个数值,yu表示全连接层输出向量中每个神经元中的数值,即卷积后的n2个数值相加得到的数值。
输出层为全连接层输出向量的线性加权求和计算,输入神经元个数为T,输出为具体公式如下:
其中,为水泥成品比表面积输出值,如图2中[11]所示。
步骤3:采用反向传播技术分别对对比表面积预测模型中卷积核的权重和卷积核的偏置进行更新。卷积核的权重wi和卷积核的偏置bi的更新方式相同,具体的更新思路为:首先计算比表预测指标误差梯度的一阶矩估计和二阶矩估计,再利用上一时刻的梯度mt的指数衰减修正值和上一时刻的平方梯度vt的指数衰修正值进行参数θ(θ表示卷积核的权重或卷积核的偏置)的更新。
首先确定反向传播学习参数。反向传播算法学习率为α,同时需要确定一阶矩估计衰减指数β1、二阶矩估计衰减指数β2、参数ε1、时间步幅t,目标函数f(θ),此处,θ指卷积核的权重wi或卷积核的偏置bi。其中β1和β2取值范围为[0,1]。
在确定了参数α1、β1、β2和随机目标函数f(θ)之后,我们需要初始化一阶矩向量m=0、二阶矩向量v=0和时间步t=0。
然后当参数θ没有收敛时,首先计算t时刻的梯度,更新公式如下:
然后计算梯度的一阶矩估计mt,计算公式如下:
mt=β1·mt-1+(1-β1)·gt
计算梯度的二阶矩估计,计算公式如下:
对一阶矩估计进行修正,修正后的矩估计为计算公式如下:
对一阶矩估计进行修正,修正后的矩估计为计算公式如下:
利用上述所求参数,更新模型参数θ,计算公式如下:
循环迭代地更新各个部分。即时间步t加1,更新目标函数在该时间步上对参数θ所求的梯度、更新偏差的一阶矩估计mt和二阶原始矩估计vt,再计算偏差修正的一阶矩估计和偏差修正的二阶矩估计然后再用以上计算出来的值更新模型的参数θ,直到误差小于设定阈值。
步骤4:利用步骤3中训练好的对比表面积预测模型对水泥成品比表面积进行预测。
本实施例中的水泥成品比表面积预测方法,基于卷积神经网络算法和反向传播算法得到训练好的比表面积预测模型,解决了时变时延问题,能够对经过水泥研磨系统产出的水泥成品比表面积以及变化趋势进行及时、快速、连续、真实地预测。采用滑动窗口技术,使一个时间段输出变量对应一段时间内的输入变量,从而能够学习这段时间内的时间序列变化特征,进一步消除了时变时延对比表预测的影响,避免了复杂的时序匹配问题,同时提高了精确度。
实施例3
本实施例提供了一种水泥成品比表面积预测系统,包括:
数据获取模块,用于获取待测试水泥成品数据;所述待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值;所述粒度数据包括多个粒度值;各所述粒度值均属于不同的粒度范围。
预测模块,用于将所述待测试水泥成品数据输入至训练好的比表面积预测模型中,得到待测试水泥成品的比表面积预测值;所述训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的。
作为一种可选的实施方式,所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值;所述第一粒度值小于3μm,所述第二粒度值的所属粒度范围为(3μm,32μm),所述第三粒度值大于45μm,所述第四粒度值大于60μm,所述第五粒度值大于80μm。
作为一种可选的实施方式,所述系统还包括:预测模型确定模块;所述预测模型确定模块用于确定训练好的比表面积预测模型;所述预测模型确定模块,具体包括:
训练数据获取单元,用于获取待训练水泥成品数据;所述待训练水泥成品数据包括待训练水泥成品多个时刻的粒度数据、每个时刻对应的比表面积实验值和与每个时刻对应的上一时刻的比表面积实验值。
模型构建单元,用于构建卷积神经网络模型;所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层。
训练单元,用于将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量,将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量,对所述卷积神经网络模型进行训练,确定模型参数;所述模型参数包括卷积核的权重和卷积核的偏置。
第一模型确定单元,用于将训练好的卷积神经网络模型确定为比表面积预测模型。
参数调整单元,用于采用反向传播算法对所述比表面积预测模型中的卷积核的权重和卷积核的偏置进行调整。
第二模型确定单元,用于将调整后的比表面积预测模型确定为训练好的比表面积预测模型。
作为一种可选的实施方式,所述训练单元,具体包括:
滑动处理子单元,用于对所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值采用滑动窗口进行处理,得到按时间序列排列的输入参量;所述时间序列
Xa={Xa(t),Xa(t+1),···,Xa(t+μ)},a=1,2,3,4,5,6,
其中,Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列。
卷积子单元,用于将所述按时间序列排列的输入参量经所述输入层输入至所述卷积层,采用n1个卷积核对所述按时间序列排列的输入参量进行横向卷积,得到卷积后的神经元数据矩阵,具体为
其中,hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素,f表示激活函数,wi表示卷积核的权重,bi表示卷积核的偏置。
池化子单元,用于将所述卷积后的神经元数据矩阵输入至所述池化层,采用1*q个池化核对所述卷积后的神经元数据矩阵进行平均池化,得到池化后的神经元数据矩阵,具体为
其中,pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素,q表示池化区域的大小,D表示单个神经元数据矩阵的长度,F表示单个神经元数据矩阵的宽度。
二次处理子单元,用于采用n2个卷积核对所述池化后的神经元数据矩阵依次进行横向卷积和平均池化,得到二次池化后的神经元数据矩阵。
全连接层卷积子单元,用于将所述二次池化后的神经元数据矩阵输入至所述全连接层,采用n2个卷积核对所述二次池化后的神经元数据矩阵进行卷积,得到全连接层输出向量,具体为
其中,yu表示全连接层输出向量中每个神经元中的数值,xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素,T表示全连接层中神经元的个数,n表示卷积核的原始个数。
输出层处理子单元,用于将所述全连接层输出向量输入至所述输出层中,进行线性加权求和,得到水泥成品比表面积输出值,具体为
其中,为水泥成品比表面积输出值。
调整子单元,用于将所述水泥成品比表面积输出值与对应时刻的比表面积实验值进行对比,调整所述卷积神经网络模型中的模型参数,完成对所述卷积神经网络模型的训练,最终确定模型参数。
作为一种可选的实施方式,所述系统还包括归一化处理模块;所述归一化处理模块用于对所述待测试水泥成品数据进行归一化处理。
本实施例的水泥成品比表面积预测系统,解决了水泥成品比表面积预测过程中变量数据与待测指标之间存在的时变时延的问题,还能够降低成本,而且还能够对经过水泥研磨系统产出的水泥成品比表面积以及变化趋势进行及时、快速、连续、真实地预测。
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 (10)
1.一种水泥成品比表面积预测方法,其特征在于,包括:
获取待测试水泥成品数据;所述待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值;所述粒度数据包括多个粒度值;各所述粒度值均属于不同的粒度范围;
将所述待测试水泥成品数据输入至训练好的比表面积预测模型中,得到待测试水泥成品的比表面积预测值;所述训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的。
2.根据权利要求1所述的一种水泥成品比表面积预测方法,其特征在于,所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值;所述第一粒度值小于3μm,所述第二粒度值的所属粒度范围为(3μm,32μm),所述第三粒度值大于45μm,所述第四粒度值大于60μm,所述第五粒度值大于80μm。
3.根据权利要求1所述的一种水泥成品比表面积预测方法,其特征在于,所述训练好的比表面积预测模型的确定方法为:
获取待训练水泥成品数据;所述待训练水泥成品数据包括待训练水泥成品多个时刻的粒度数据、每个时刻对应的比表面积实验值和与每个时刻对应的上一时刻的比表面积实验值;
构建卷积神经网络模型;所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层;
将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量,将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量,对所述卷积神经网络模型进行训练,确定模型参数;所述模型参数包括卷积核的权重和卷积核的偏置;
将训练好的卷积神经网络模型确定为比表面积预测模型;
采用反向传播算法对所述比表面积预测模型中的卷积核的权重和卷积核的偏置进行调整;
将调整后的比表面积预测模型确定为训练好的比表面积预测模型。
4.根据权利要求3所述的一种水泥成品比表面积预测方法,其特征在于,所述将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量,将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量,对所述卷积神经网络模型进行训练,确定模型参数,具体包括:
对所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值采用滑动窗口进行处理,得到按时间序列排列的输入参量;所述时间序列
Xa={Xa(t),Xa(t+1),…,Xa(t+μ)},a=1,2,3,4,5,6,
其中,Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列;
将所述按时间序列排列的输入参量经所述输入层输入至所述卷积层,采用n1个卷积核对所述按时间序列排列的输入参量进行横向卷积,得到卷积后的神经元数据矩阵,具体为
其中,hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素,f表示激活函数,wi表示卷积核的权重,bi表示卷积核的偏置;
将所述卷积后的神经元数据矩阵输入至所述池化层,采用1*q个池化核对所述卷积后的神经元数据矩阵进行平均池化,得到池化后的神经元数据矩阵,具体为
其中,pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素,q表示池化区域的大小,D表示单个神经元数据矩阵的长度,F表示单个神经元数据矩阵的宽度;
采用n2个卷积核对所述池化后的神经元数据矩阵依次进行横向卷积和平均池化,得到二次池化后的神经元数据矩阵;
将所述二次池化后的神经元数据矩阵输入至所述全连接层,采用n2个卷积核对所述二次池化后的神经元数据矩阵进行卷积,得到全连接层输出向量,具体为
其中,yu表示全连接层输出向量中每个神经元中的数值,xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素,T表示全连接层中神经元的个数,n表示卷积核的原始个数;
将所述全连接层输出向量输入至所述输出层中,进行线性加权求和,得到水泥成品比表面积输出值,具体为
其中,为水泥成品比表面积输出值;
将所述水泥成品比表面积输出值与对应时刻的比表面积实验值进行对比,调整所述卷积神经网络模型中的模型参数,完成对所述卷积神经网络模型的训练,最终确定模型参数。
5.根据权利要求1所述的一种水泥成品比表面积预测方法,其特征在于,在所述获取待测试水泥成品数据之后,还包括:
对所述待测试水泥成品数据进行归一化处理。
6.一种水泥成品比表面积预测系统,其特征在于,包括:
数据获取模块,用于获取待测试水泥成品数据;所述待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值;所述粒度数据包括多个粒度值;各所述粒度值均属于不同的粒度范围;
预测模块,用于将所述待测试水泥成品数据输入至训练好的比表面积预测模型中,得到待测试水泥成品的比表面积预测值;所述训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的。
7.根据权利要求6所述的一种水泥成品比表面积预测系统,其特征在于,所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值;所述第一粒度值小于3μm,所述第二粒度值的所属粒度范围为(3μm,32μm),所述第三粒度值大于45μm,所述第四粒度值大于60μm,所述第五粒度值大于80μm。
8.根据权利要求6所述的一种水泥成品比表面积预测系统,其特征在于,还包括:预测模型确定模块;所述预测模型确定模块用于确定训练好的比表面积预测模型;所述预测模型确定模块,具体包括:
训练数据获取单元,用于获取待训练水泥成品数据;所述待训练水泥成品数据包括待训练水泥成品多个时刻的粒度数据、每个时刻对应的比表面积实验值和与每个时刻对应的上一时刻的比表面积实验值;
模型构建单元,用于构建卷积神经网络模型;所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层;
训练单元,用于将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量,将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量,对所述卷积神经网络模型进行训练,确定模型参数;所述模型参数包括卷积核的权重和卷积核的偏置;
第一模型确定单元,用于将训练好的卷积神经网络模型确定为比表面积预测模型;
参数调整单元,用于采用反向传播算法对所述比表面积预测模型中的卷积核的权重和卷积核的偏置进行调整;
第二模型确定单元,用于将调整后的比表面积预测模型确定为训练好的比表面积预测模型。
9.根据权利要求8所述的一种水泥成品比表面积预测系统,其特征在于,所述训练单元,具体包括:
滑动处理子单元,用于对所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值采用滑动窗口进行处理,得到按时间序列排列的输入参量;所述时间序列
Xa={Xa(t),Xa(t+1),…,Xa(t+μ)},a=1,2,3,4,5,6,
其中,Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列;
卷积子单元,用于将所述按时间序列排列的输入参量经所述输入层输入至所述卷积层,采用n1个卷积核对所述按时间序列排列的输入参量进行横向卷积,得到卷积后的神经元数据矩阵,具体为
其中,hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素,f表示激活函数,wi表示卷积核的权重,bi表示卷积核的偏置;
池化子单元,用于将所述卷积后的神经元数据矩阵输入至所述池化层,采用1*q个池化核对所述卷积后的神经元数据矩阵进行平均池化,得到池化后的神经元数据矩阵,具体为
其中,pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素,q表示池化区域的大小,D表示单个神经元数据矩阵的长度,F表示单个神经元数据矩阵的宽度;
二次处理子单元,用于采用n2个卷积核对所述池化后的神经元数据矩阵依次进行横向卷积和平均池化,得到二次池化后的神经元数据矩阵;
全连接层卷积子单元,用于将所述二次池化后的神经元数据矩阵输入至所述全连接层,采用n2个卷积核对所述二次池化后的神经元数据矩阵进行卷积,得到全连接层输出向量,具体为
其中,yu表示全连接层输出向量中每个神经元中的数值,xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素,T表示全连接层中神经元的个数,n表示卷积核的原始个数;
输出层处理子单元,用于将所述全连接层输出向量输入至所述输出层中,进行线性加权求和,得到水泥成品比表面积输出值,具体为
其中,为水泥成品比表面积输出值;
调整子单元,用于将所述水泥成品比表面积输出值与对应时刻的比表面积实验值进行对比,调整所述卷积神经网络模型中的模型参数,完成对所述卷积神经网络模型的训练,最终确定模型参数。
10.根据权利要求6所述的一种水泥成品比表面积预测系统,其特征在于,还包括归一化处理模块;
所述归一化处理模块用于对所述待测试水泥成品数据进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495482.5A CN110222825B (zh) | 2019-06-10 | 2019-06-10 | 一种水泥成品比表面积预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495482.5A CN110222825B (zh) | 2019-06-10 | 2019-06-10 | 一种水泥成品比表面积预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222825A true CN110222825A (zh) | 2019-09-10 |
CN110222825B CN110222825B (zh) | 2021-04-09 |
Family
ID=67815938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495482.5A Active CN110222825B (zh) | 2019-06-10 | 2019-06-10 | 一种水泥成品比表面积预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222825B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
CN112164076A (zh) * | 2020-09-24 | 2021-01-01 | 济南大学 | 基于水泥微观结构图像的硬化水泥水灰比预测方法及系统 |
CN113609772A (zh) * | 2021-08-06 | 2021-11-05 | 燕山大学 | 基于卷积准循环神经网络的水泥成品比表面积预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104386954A (zh) * | 2014-10-16 | 2015-03-04 | 同济大学 | 一种以碳化硅废料为增强材料的耐磨地坪砂浆及制备方法 |
US20180334605A1 (en) * | 2014-09-10 | 2018-11-22 | Forta Corporation | Compositions and methods for fiber-containing grout |
CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 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 |
CN109446236A (zh) * | 2018-10-18 | 2019-03-08 | 太原理工大学 | 基于随机分布的水泥粒径分布预测方法 |
-
2019
- 2019-06-10 CN CN201910495482.5A patent/CN110222825B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180334605A1 (en) * | 2014-09-10 | 2018-11-22 | Forta Corporation | Compositions and methods for fiber-containing grout |
CN104386954A (zh) * | 2014-10-16 | 2015-03-04 | 同济大学 | 一种以碳化硅废料为增强材料的耐磨地坪砂浆及制备方法 |
CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 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 |
CN109446236A (zh) * | 2018-10-18 | 2019-03-08 | 太原理工大学 | 基于随机分布的水泥粒径分布预测方法 |
Non-Patent Citations (3)
Title |
---|
吴玉宁: "水泥生产模型预测控制系统应用简析", 《水泥》 * |
王贵生: "采用一元线性回归法45μm细度快速预测水泥比表面积", 《四川水泥》 * |
赵彦涛等: "基于MI-LSSVM的水泥生料细度软测量建模", 《仪器仪表学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
CN111079906B (zh) * | 2019-12-30 | 2023-05-05 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
CN112164076A (zh) * | 2020-09-24 | 2021-01-01 | 济南大学 | 基于水泥微观结构图像的硬化水泥水灰比预测方法及系统 |
CN113609772A (zh) * | 2021-08-06 | 2021-11-05 | 燕山大学 | 基于卷积准循环神经网络的水泥成品比表面积预测方法 |
CN113609772B (zh) * | 2021-08-06 | 2023-08-18 | 燕山大学 | 基于卷积准循环神经网络的水泥成品比表面积预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110222825B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322014A (zh) | 一种基于bp神经网络的水泥成品比表面积预测方法 | |
CN105510546B (zh) | 一种基于自组织递归rbf神经网络的生化需氧量bod智能检测方法 | |
CN110222825A (zh) | 一种水泥成品比表面积预测方法及系统 | |
CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN101863088B (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
CN104651559B (zh) | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 | |
CN104700153A (zh) | 基于模拟退火优化BP神经网络的pH值预测方法 | |
CN103302777A (zh) | 一种基于神经网络的轮胎硫化机能耗异常检测方法 | |
CN109975366B (zh) | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 | |
CN105320987B (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN113591374B (zh) | 基于卷积简单循环单元网络的水泥成品比表面积预测方法 | |
CN102880908B (zh) | 一种基于bp神经网络的再制造零件环境损耗的计算方法 | |
CN109884892A (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
CN114290503B (zh) | T梁蒸汽养生发生器功率控制方法及其装置 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
WO2022121932A1 (zh) | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 | |
CN105891321A (zh) | 铁磁性材料结构力学性能的微磁检测标定方法 | |
CN100394163C (zh) | 球磨机磨矿系统溢流粒度指标软测量方法 | |
CN110222916B (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 | |
CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
CN106021724A (zh) | 基于ahm及熵值法的机床产品制造系统的能效评价方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN103399134B (zh) | 一种基于输出观测器的污水cod软测量方法 |
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 |