CN110231811A - 基于层级实时记忆算法的连铸下渣智能预报系统 - Google Patents
基于层级实时记忆算法的连铸下渣智能预报系统 Download PDFInfo
- Publication number
- CN110231811A CN110231811A CN201910532635.9A CN201910532635A CN110231811A CN 110231811 A CN110231811 A CN 110231811A CN 201910532635 A CN201910532635 A CN 201910532635A CN 110231811 A CN110231811 A CN 110231811A
- Authority
- CN
- China
- Prior art keywords
- slag
- value
- state
- continuous casting
- column
- 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
- 239000002893 slag Substances 0.000 title claims abstract description 80
- 238000009749 continuous casting Methods 0.000 title claims abstract description 29
- 238000005266 casting Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000001537 neural effect Effects 0.000 claims abstract description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 28
- 239000010959 steel Substances 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 17
- 210000004027 cell Anatomy 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000000225 synapse Anatomy 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 240000002627 Cordeauxia edulis Species 0.000 claims description 3
- 210000005056 cell body Anatomy 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 210000001787 dendrite Anatomy 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001737 promoting effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 210000000478 neocortex Anatomy 0.000 abstract 1
- 239000011664 nicotinic acid Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001086 cytosolic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Neurology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于层级实时记忆算法的连铸下渣智能预报系统，属于人工智能技术领域。基于层级实时记忆算法的连铸下渣智能预报系统通过模拟新大脑皮层神经元结构与组织形式来构建，包括变量输入部分、序列预测部分、浇注状态评估部分和下渣预报部分。本发明提供的基于层级实时记忆算法的连铸下渣智能预报系统，以一种新型神经网络为基础，对现有的连铸生产检测数据进行预测，引出下渣预报机制，能够有效捕捉数据在时间维度上的特征信息，准确、快速地预报出下渣时间，解决了时间滞后的问题并其提高了下渣识别精度。
Description
技术领域
本发明涉及一种基于层级实时记忆算法的连铸下渣智能预报系统，属于人工智能技术领域。
背景技术
连铸钢包下渣检测技术是通过对大包浇注后期钢水状态的有效识别来控制钢水纯净度，提高铸件质量与钢水收得率的重要手段之一。
近年来，很多学者对钢包下渣检测方法做了大量研究，2010年，谭大鹏等人通过人工神经网络技术实现连铸下渣的自动监控；2012年，李鹏飞等人提出了一种基于小波分解、混沌分析和RBF神经网络相结合的钢水连铸下渣的自动检测方法，实现正常浇铸和下渣信号的自动识别；同年，李培玉等人设计了一种基于视频图像的连铸大包下渣检测系统，实现对连铸大包下渣过程的实时在线监控；2013年，陈灵光等人提出基于相位一致性的红外下渣检测方法，解决传统边缘检测方法容易受到亮度、对比度以及噪声影响的缺点，能够检测到清晰并且连续的钢渣边缘；同年，谭大鹏等人采用小波分析理论，对钢水振动信号进行初步分析，最终实现对钢液状态的有效识别；2014年，张子淼等人根据转炉出钢过程中控制下渣量的需要，设计了基于红外测温原理的转炉出钢下渣检测系统，控制钢包中钢渣的含量，较好的满足了钢水炉外精炼的要求；2017年，赵昊乾等人运用Aspex Explorer扫描电镜方法，提出提高纯净度的控制处理措施；但是，上述检测均存在时间滞后问题，并且检测精度也有待提高。
发明内容
本发明的目的是为了提高传统下渣检测精度，解决时间滞后等问题，引入智能连铸下渣预报方法，采用一种新型仿生神经网络，使连铸机在不改造结构的条件下，通过无监督的Hebbian类关联学习机制对现有的连铸生产检测数据分析预测，从而提供一种基于层级实时记忆算法的连铸下渣智能预报系统。
本发明解决所述问题，采用的技术方案是：
一种基于层级实时记忆算法的连铸下渣智能预报系统，该系统以仿生神经网络为基础，包括变量输入部分、序列预测部分、浇注状态评估部分、下渣预报部分，其中：
变量输入部分：根据连铸工艺分析，选用大包重量变化率、中间包重量变化率、平均拉速变化率三个有规律可循的主要特征变量作为输入变量；
序列预测部分：首先通过空间池化SP进程以连续在线方式将输入转换成稀疏离散表征SDR形式，然后通过序列记忆SM进行序列学习和预测，遵循Hebb规则，根据先前活跃神经元之间形成的连接以及远端突触的连通值，在SDR基础上转换成一种新的包含过去状态的SDR，从而对输入序列进行预测；
浇注状态评估部分：浇注状态评估是基于HTM模型预测的历史记录来判断当前浇注状态的概率度量，将误差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态；
下渣预报部分：在大量钢渣出现之前给出预报阈值，当浇注状态评估指标大于阈值并保持在阈值以上时，进行下渣预报。
采用上述技术方案的本发明，与现有技术相比，其突出的特点是：
采用一种新型仿生神经网络，为预报连铸下渣过程提供了一种类人的无监督学习数学模型。提高了传统下渣检测系统的精度，解决了时间滞后问题，并且为停止浇注操作提供了更充裕的选择时间。
作为优选，本发明更进一步的技术方案是：
HTM-SP主要是对输入数据进行稀疏分布表征编码，包含三个阶段，第一个阶段是根据输入向量计算每个空间池区域的覆盖情况，定义函数为：
其中，bi为每个SP列正向促进因子，zj为二进制变量，表示第j个输入神经元的激活状态，wij为第j个输入到SP第i列神经突触的连接状态，dij为第j个输入到SP第i列的突触连通值，介于0和1之间的标量值，初始化时根据潜在突触在0和1之间的均匀分布恒等分布，θc为神经元突触的连通阈值；
相邻的SP列通过局部抑制机制相互抑制。我们将SP第i列的邻域定义为：
Ni＝{j|||yi-yj||＜φ，j≠i}
其中，||yi-yj||为SP第i列和第j列之间的欧氏距离，φ为抑制半径控制参数；
第二阶段是计算空间池各列的激活状态，定义函数为：
其中，s为目标激活密度(稀疏性)，Z为百分位函数，θstim为激活阈值；
第三阶段更新前馈树突连通值，计算公式如下：
其中，p+为连通值增强因子，p-连通值惩罚因子，Lt-1为t-1时刻SP列的激活状态，表示矩阵点乘。
HTM时序记忆部分时对远端树突端进行建模，对输入序列进行预测，神经元预测状态计算如下：
其中，At表示网络在t时刻处于激活状态的神经元；Wij表示第j个细胞柱的第i个细胞突触的连接状态，当突触连通值超过阈值时，该突触就是连通的，赋予其权值1，反之权值为0；θ表示树突分支被激活的阈值；
每个神经元活跃状态计算如下：
其中表示第j个细胞柱的第i个细胞在t-1时刻为预测状态，Lt为t时刻SP列的激活状态；
序列记忆模型中的横向连接是使用类似Hebbian的规则学习的，如果细胞预测后变得活跃，会加强引起预测的树突分支连通性，若活跃列中没有神经元处于预测状态，选择活跃度最高的树突分支进行强化，包括将活跃突触的连通值增加一个较大的值p+，将不活跃突触的连通值降低一个较小的值p-，并对树突分支活跃而细胞体未被激活的神经元施加一个很小的衰退效果，来模仿细胞长期抑制，即且时，ΔDij＝p--Dij，其中p--＜＜p-。
浇注状态评估部分是基于HTM模型预测历史记录来判断当前浇注状态的概率度量，我们将残差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态。将Et作为浇注状态评估指标，计算公式如下：
其中样本均值为μt，方差为预测残差为Rt，历史记录时间为N。Et趋于0时，浇注状态为正常无渣状态；Et趋于1时，浇注状态为大量钢渣下落状态。
下渣预报部分是在大量钢渣下落之前进行下渣报警。随着大量钢渣的出现，Et将逐步达到峰值，为了在Et达到峰值前预报出大量钢渣下落时刻，我们设定两个阈值δ1，δ2且δ1＜δ2。当Et小于阈值δ1时为无渣状态，当δ1≤Et＜δ2时为少量钢渣出现，当δ2≤Et时并持续存在5s以上时，进行下渣报警。
附图说明
图1是本发明实施例下渣预报系统框图；
图2是本发明实施例基于HTM算法下渣预报流程图；
图3是本发明实施例HTM模型示意图。
具体实施方式：
下面结合实施例对本发明作进一步说明，目的仅在于更好地理解本发明内容，因此，所举之例并不限制本发明的保护范围。
参见图1、图2、图3，一种基于层级实时记忆算法的连铸下渣智能预报系统，该系统以仿生神经网络为基础，包括变量输入部分、序列预测部分、浇注状态评估部分、下渣预报部分，其中：
变量输入部分：根据连铸工艺分析，选用大包重量变化率、中间包重量变化率、平均拉速变化率三个有规律可循的主要特征变量作为输入变量；
序列预测部分：首先通过空间池化SP进程以连续在线方式将输入转换成稀疏离散表征SDR形式，然后通过序列记忆SM进行序列学习和预测，遵循Hebb规则，根据先前活跃神经元之间形成的连接以及远端突触的连通值，在SDR基础上转换成一种新的包含过去状态的SDR，从而对输入序列进行预测；
浇注状态评估部分：浇注状态评估是基于HTM模型预测的历史记录来判断当前浇注状态的概率度量，将误差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态；
下渣预报部分：在大量钢渣出现之前给出预报阈值，当浇注状态评估指标大于阈值并保持在阈值以上时，进行下渣预报。
HTM-SP主要是对输入数据进行稀疏分布表征编码，包含三个阶段，第一个阶段是根据输入向量计算每个空间池区域的覆盖情况，定义函数为：
其中，bi为每个SP列正向促进因子，zj为二进制变量，表示第j个输入神经元的激活状态，wij为第j个输入到SP第i列神经突触的连接状态，dij为第j个输入到SP第i列的突触连通值，介于0和1之间的标量值，初始化时根据潜在突触在0和1之间的均匀分布恒等分布，θc为神经元突触的连通阈值；
相邻的SP列通过局部抑制机制相互抑制。我们将SP第i列的邻域定义为：
Ni＝{j|||yi-yj||＜φ，j≠i}
其中，||yi-yj||为SP第i列和第j列之间的欧氏距离，φ为抑制半径控制参数；
第二阶段是计算空间池各列的激活状态，定义函数为：
其中，s为目标激活密度(稀疏性)，Z为百分位函数，θstim为激活阈值；
第三阶段更新前馈树突连通值，计算公式如下：
其中，p+为连通值增强因子，p-连通值惩罚因子，Lt-1为t-1时刻SP列的激活状态，表示矩阵点乘。
HTM时序记忆部分时对远端树突端进行建模，对输入序列进行预测，神经元预测状态计算如下：
其中，At表示网络在t时刻处于激活状态的神经元；Wij表示第j个细胞柱的第i个细胞突触的连接状态，当突触连通值超过阈值时，该突触就是连通的，赋予其权值1，反之权值为0；θ表示树突分支被激活的阈值；
每个神经元活跃状态计算如下：
其中表示第j个细胞柱的第i个细胞在t-1时刻为预测状态，Lt为t时刻SP列的激活状态；
序列记忆模型中的横向连接是使用类似Hebbian的规则学习的，如果细胞预测后变得活跃，会加强引起预测的树突分支连通性，若活跃列中没有神经元处于预测状态，选择活跃度最高的树突分支进行强化，包括将活跃突触的连通值增加一个较大的值p+，将不活跃突触的连通值降低一个较小的值p-，并对树突分支活跃而细胞体未被激活的神经元施加一个很小的衰退效果，来模仿细胞长期抑制，即时，ΔDij＝p--Dij，其中p--＜＜p-。
浇注状态评估部分是基于HTM模型预测历史记录来判断当前浇注状态的概率度量，我们将残差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态。将Et作为浇注状态评估指标，计算公式如下：
其中样本均值为μt，方差为预测残差为Rt，历史记录时间为N。Et趋于0时，浇注状态为正常无渣状态；Et趋于1时，浇注状态为大量钢渣下落状态。
下渣预报部分是在大量钢渣下落之前进行下渣报警。随着大量钢渣的出现，Et将逐步达到峰值，为了在Et达到峰值前预报出大量钢渣下落时刻，我们设定两个阈值δ1，δ2且δ1＜δ2。当Et小于阈值δ1时为无渣状态，当δ1≤Et＜δ2时为少量钢渣出现，当δ2≤Et时并持续存在5s以上时，进行下渣报警。
本发明提供的基于层级实时记忆算法的连铸下渣智能预报系统，以一种新型神经网络为基础，对现有的连铸生产检测数据进行预测，引出下渣预报机制，能够有效捕捉数据在时间维度上的特征信息，准确、快速地预报出下渣时间，解决了时间滞后的问题并其提高了下渣识别精度。
图1示出了下渣预报系统框图，如图1所示，将输入数据以二进制形式输入到HTM网络模型中进行序列预测，然后根据预测残差分布进行钢水浇注状态评估，下渣概率大于设定的阈值后进行下渣报警。
图2示出了基于HTM算法下渣预报流程图，如图2所示，按照如下步骤进行：
(1)将数据输入到下渣预报模型中；
(2)初始化网络参数和潜在的突触连接值；
(3)根据HTM空间池化进程进行稀疏分布表征编码；
(4)根据HTM序列记忆进程进行序列预测；
(5)进行浇注状态评估
(6)下渣报警后将下渣信息发送到用户界面否则继续下一个步骤；
(7)重复执行(3)-(6)直到t＝stepmax，预报结束
图3示出了HTM网络结构示意图，如图3所示，HTM-SP将输入(底部)转换为SDR(顶部)，每个SP列是由输入空间子集的突触连接(灰色正方形，潜在连接)形成，局部抑制机制确保接收输入的小部分SP列在局部抑制半径内是活跃的，突触永久性根据Hebbian规则进行调整：对于每个SP列，活跃输入(黑色线)将得到加强，而非活跃输入(虚线)将受到惩罚，HTM-SM负责序列学习和预测，根据先前活跃神经元之间形成的连接以及远端突触的连通值，在SDR基础上转换成一种新的包含过去状态的SDR，从而对输入序列进行预测。
本发明提供的基于层级实时记忆算法的连铸下渣智能预报系统，采用机器学习算法对多变量时序数据进行学习预测，为连铸下渣过程提供一种类人的自主学习和识别的数学模型，提高了传统下渣检测系统的精度，解决了传统下渣检测精度低和时间滞后等问题，并且为停止浇注操作提供了更充裕的选择时间，实现真正意义上的智能控制。
以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及其附图内容所作的等效变化，均包含于本发明的权利范围之内。
Claims (5)
1.一种基于层级实时记忆算法的连铸下渣智能预报系统，其特征在于：该系统以仿生神经网络为基础，包括变量输入部分、序列预测部分、浇注状态评估部分、下渣预报部分，其中：
变量输入部分：根据连铸工艺分析，选用大包重量变化率、中间包重量变化率、平均拉速变化率三个有规律可循的主要特征变量作为输入变量；
序列预测部分：首先通过空间池化SP进程以连续在线方式将输入转换成稀疏离散表征SDR形式，然后通过序列记忆SM进行序列学习和预测，遵循Hebb规则，根据先前活跃神经元之间形成的连接以及远端突触的连通值，在SDR基础上转换成一种新的包含过去状态的SDR，从而对输入序列进行预测；
浇注状态评估部分：浇注状态评估是基于HTM模型预测的历史记录来判断当前浇注状态的概率度量，将误差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态；
下渣预报部分：在大量钢渣出现之前给出预报阈值，当浇注状态评估指标大于阈值并保持在阈值以上时，进行下渣预报。
2.根据权利要求1所述的基于层级实时记忆算法的连铸下渣智能预报系统，其特征在于：HTM-SP主要是对输入数据进行稀疏分布表征编码，包含三个阶段，第一个阶段是根据输入向量计算每个空间池区域的覆盖情况，定义函数为：
其中，bi为每个SP列正向促进因子，zj为二进制变量，表示第j个输入神经元的激活状态，wij为第j个输入到SP第i列神经突触的连接状态，dij为第j个输入到SP第i列的突触连通值，介于0和1之间的标量值，初始化时根据潜在突触在0和1之间的均匀分布恒等分布，θc为神经元突触的连通阈值；
相邻的SP列通过局部抑制机制相互抑制。我们将SP第i列的邻域定义为：
Ni＝{j|‖yi-yj‖<φ,j≠i}
其中，‖yi-yj‖为SP第i列和第j列之间的欧氏距离，φ为抑制半径控制参数；
第二阶段是计算空间池各列的激活状态，定义函数为：
其中，s为目标激活密度(稀疏性)，Z为百分位函数，θstim为激活阈值；
第三阶段更新前馈树突连通值，计算公式如下：
其中，p+为连通值增强因子，p-连通值惩罚因子，Lt-1为t-1时刻SP列的激活状态，ο表示矩阵点乘。
3.根据权利要求1所述的基于层级实时记忆算法的连铸下渣智能预报系统，其特征在于：HTM时序记忆部分时对远端树突端进行建模，对输入序列进行预测，神经元预测状态计算如下：
其中，At表示网络在t时刻处于激活状态的神经元；Wij表示第j个细胞柱的第i个细胞突触的连接状态，当突触连通值超过阈值时，该突触就是连通的，赋予其权值1，反之权值为0；θ表示树突分支被激活的阈值；
每个神经元活跃状态计算如下：
其中表示第j个细胞柱的第i个细胞在t-1时刻为预测状态，Lt为t时刻SP列的激活状态；
序列记忆模型中的横向连接是使用类似Hebbian的规则学习的，如果细胞预测后变得活跃，会加强引起预测的树突分支连通性，若活跃列中没有神经元处于预测状态，选择活跃度最高的树突分支进行强化，包括将活跃突触的连通值增加一个较大的值p+，将不活跃突触的连通值降低一个较小的值p-，并对树突分支活跃而细胞体未被激活的神经元施加一个很小的衰退效果，来模仿细胞长期抑制，即且时，ΔDij＝p--Dij，其中p--＜＜p-。
4.根据权利要求1所述的基于层级实时记忆算法的连铸下渣智能预报系统，其特征在于：浇注状态评估部分是基于HTM模型预测历史记录来判断当前浇注状态的概率度量，我们将残差值的分布作为一个间接度量，并应用Q函数来评估当前浇注状态。将Et作为浇注状态评估指标，计算公式如下：
其中样本均值为μt，方差为预测残差为Rt，历史记录时间为N。Et趋于0时，浇注状态为正常无渣状态；Et趋于1时，浇注状态为大量钢渣下落状态。
5.根据权利要求1所述的基于层级实时记忆算法的连铸下渣智能预报系统，其特征在于：下渣预报部分是在大量钢渣下落之前进行下渣报警。随着大量钢渣的出现，Et将逐步达到峰值，为了在Et达到峰值前预报出大量钢渣下落时刻，我们设定两个阈值δ1,δ2且δ1<δ2。当Et小于阈值δ1时为无渣状态，当δ1≤Et<δ2时为少量钢渣出现，当δ2≤Et时并持续存在5s以上时，进行下渣报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910532635.9A CN110231811B (zh) | 2019-06-19 | 2019-06-19 | 基于层级实时记忆算法的连铸下渣智能预报系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910532635.9A CN110231811B (zh) | 2019-06-19 | 2019-06-19 | 基于层级实时记忆算法的连铸下渣智能预报系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110231811A true CN110231811A (zh) | 2019-09-13 |
| CN110231811B CN110231811B (zh) | 2020-07-28 |
Family
ID=67856246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910532635.9A Expired - Fee Related CN110231811B (zh) | 2019-06-19 | 2019-06-19 | 基于层级实时记忆算法的连铸下渣智能预报系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110231811B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
| CN111612125A (zh) * | 2020-04-13 | 2020-09-01 | 江苏大学 | 一种面向在线学习的新型htm时间池方法及其系统 |
| CN112785577A (zh) * | 2021-01-26 | 2021-05-11 | 南京理工大学 | 基于SOLOv2网络的钢液检测定位方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7079965B2 (en) * | 2002-03-01 | 2006-07-18 | Bayer Aktiengesellschaft | Method and system for the automatic design of experiments |
| CN101966570A (zh) * | 2009-07-27 | 2011-02-09 | 中冶赛迪工程技术股份有限公司 | 一种连铸实体仿真及虚拟实现平台 |
| CN106148820A (zh) * | 2016-06-30 | 2016-11-23 | 山东钢铁股份有限公司 | 一种冶炼高强度结构钢的方法 |
| CN106180619A (zh) * | 2016-08-12 | 2016-12-07 | 湖南千盟物联信息技术有限公司 | 一种连铸过程智能控制的系统方法 |
| CN106680313A (zh) * | 2016-12-27 | 2017-05-17 | 华北理工大学 | 一种连铸保护渣热流模拟测量装置 |
| KR20180014367A (ko) * | 2016-07-29 | 2018-02-08 | 주식회사 포스코 | 연속주조 이상 예측 장치 |
-
2019
- 2019-06-19 CN CN201910532635.9A patent/CN110231811B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7079965B2 (en) * | 2002-03-01 | 2006-07-18 | Bayer Aktiengesellschaft | Method and system for the automatic design of experiments |
| CN101966570A (zh) * | 2009-07-27 | 2011-02-09 | 中冶赛迪工程技术股份有限公司 | 一种连铸实体仿真及虚拟实现平台 |
| CN106148820A (zh) * | 2016-06-30 | 2016-11-23 | 山东钢铁股份有限公司 | 一种冶炼高强度结构钢的方法 |
| KR20180014367A (ko) * | 2016-07-29 | 2018-02-08 | 주식회사 포스코 | 연속주조 이상 예측 장치 |
| CN106180619A (zh) * | 2016-08-12 | 2016-12-07 | 湖南千盟物联信息技术有限公司 | 一种连铸过程智能控制的系统方法 |
| CN106680313A (zh) * | 2016-12-27 | 2017-05-17 | 华北理工大学 | 一种连铸保护渣热流模拟测量装置 |
Non-Patent Citations (2)
| Title |
|---|
| MAJID AL-GBURI等: "Prediction of restraint in second cast sections of concrete culverts using artificial neural networks", 《EUROPEAN JOURNAL OF ENVIRONMENTAL AND CIVIL ENGINEERING 》 * |
| 陈至坤等: "基于神经网络的连铸钢包下渣识别系统", 《机械工程与自动化》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110796046A (zh) * | 2019-10-17 | 2020-02-14 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
| CN110796046B (zh) * | 2019-10-17 | 2023-10-10 | 武汉科技大学 | 基于卷积神经网络的智能钢渣检测方法和系统 |
| CN111612125A (zh) * | 2020-04-13 | 2020-09-01 | 江苏大学 | 一种面向在线学习的新型htm时间池方法及其系统 |
| CN112785577A (zh) * | 2021-01-26 | 2021-05-11 | 南京理工大学 | 基于SOLOv2网络的钢液检测定位方法 |
| CN112785577B (zh) * | 2021-01-26 | 2022-10-14 | 南京理工大学 | 基于SOLOv2网络的钢液检测定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110231811B (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110231811A (zh) | 基于层级实时记忆算法的连铸下渣智能预报系统 | |
| Fu et al. | Using LSTM and GRU neural network methods for traffic flow prediction | |
| WO2023045278A1 (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
| CN108932671A (zh) | 一种采用深度q神经网络调参的lstm风电负荷预测方法 | |
| CN106205156B (zh) | 一种针对部分车道车流突变的交叉口自愈合控制方法 | |
| CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| Suo et al. | Wind speed prediction by a swarm intelligence based deep learning model via signal decomposition and parameter optimization using improved chimp optimization algorithm | |
| CN104598993B (zh) | 基于眨眼次数的驾驶员疲劳驾驶预测方法 | |
| CN108734220A (zh) | 基于k线聚类和强化学习的自适应金融时间序列预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN110197307B (zh) | 一种结合注意力机制的区域型海表面温度预测方法 | |
| CN114898121B (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
| CN110322075A (zh) | 一种基于混合优化rbf神经网络的景区客流量预测方法及系统 | |
| CN111680786A (zh) | 一种基于改进权重门控单元的时序预测方法 | |
| CN112130086A (zh) | 一种动力电池剩余寿命预测方法及系统 | |
| CN116110022A (zh) | 基于响应知识蒸馏的轻量化交通标志检测方法及系统 | |
| Jia et al. | Water quality prediction method based on LSTM-BP | |
| Li et al. | Short-term traffic flow prediction based on recurrent neural network | |
| Liu et al. | Dual-meta pool method for wind farm power forecasting with small sample data | |
| CN106529816A (zh) | 电力线信道的调整方法和系统 | |
| CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 | |
| CN111753097B (zh) | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200728 Termination date: 20210619 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |