CN110245398A - 空气预热器转子热变形量的软测量深度学习方法 - Google Patents
空气预热器转子热变形量的软测量深度学习方法 Download PDFInfo
- Publication number
- CN110245398A CN110245398A CN201910462924.6A CN201910462924A CN110245398A CN 110245398 A CN110245398 A CN 110245398A CN 201910462924 A CN201910462924 A CN 201910462924A CN 110245398 A CN110245398 A CN 110245398A
- Authority
- CN
- China
- Prior art keywords
- layer
- variable
- data
- network
- rbm
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Abstract
空气预热器转子热变形量的软测量深度学习方法,包括以下步骤:根据现场数据利用灰色关联度分析法设置与转子热变形密切相关的辅助变量;建立测量转子热变形量的深度置信网络模型;对软测量模型得到的预测数据和原始数据进行分析,确定深度置信网络所有的网络权值以及隐含层节点数和层数;采用BP神经网络微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值,本发明解决了现有技术中存在的测量转子热变形量建模不准确,过程变量中无标签数据没有利用,采用机理建模得到的模型误差较大,选择的输入和输出之间线性相关性不强,参数辨识精度不高的问题。
Description
技术领域
本发明属于火电站热工自动化领域,具体涉及空气预热器转子热变形量的软测量深度学习方法。
背景技术
回转式空气预热器是大型电站锅炉的主要辅机之一,其利用电站锅炉的排烟余热加热空气,使锅炉燃烧和制粉系统需要的空气温度得到提高,从而提高燃烧效率、保证锅炉出力的目的,同时兼有降低排烟温度、减少厂用电消耗的功能。在工程实际中,回转式空气预热器由于自身工作原理和结构的原因会导致其受热变形,从而造成大量预热过的空气泄露,造成巨大的能源浪费和经济损失,严重时会造成设备损毁,甚至会迫使机组降负荷运行。所以目前对于漏风进行控制的难点在于如何得到准确的转子热变形量。
测得转子热变形量能够使回转式空气预热器漏风得到很好的控制,通过自动调节装置使漏风量最小,从而提高机组的运行效率和经济效益,并且能够使机组安全稳定运行。因此,以转子热变形量为研究对象,建立软测量模型,对于锅炉机组的运行效率和安全研究意义重大。
发明内容
为克服上述现有技术的不足,本发明的目的是提供空气预热器转子热变形量的软测量深度学习方法,用于测量回转式空气预热器转子热变形量的软测量深度学习,解决了现有技术中存在的测量转子热变形量建模不准确,过程变量中无标签数据没有利用,采用机理建模得到的模型误差较大,选择的输入和输出之间线性相关性不强,参数辨识精度不高的问题。
为实现上述目的,本发明采用的技术方案是:空气预热器转子热变形量的软测量深度学习方法,包括以下步骤:
步骤1,对回转式空气预热器运行过程得到的现场数据进行分析,然后利用灰色关联度分析法,设置与转子热变形密切相关的辅助变量;
步骤2,建立测量转子热变形量的深度置信网络模型;
步骤3,用预测数据和原始数据对步骤2建立的深度置信网络模型进行分析,以此确定深度置信网络所有的网络权值以及隐含层节点数和层数;
步骤4,采用BP神经网络微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值。
步骤1所述的设置与转子热变形密切相关的辅助变量,其具体步骤为:
步骤1.1,假设某个辅助变量序列为x1,…,xn,其算术平均值和标准偏差分别表示为t和δ:
其中,i为变量值序列编号;xi为第i个变量值;n为变量个数;t为算术平均值;δ为标准偏差;
步骤1.2,样本数据归一化后可表示为
其中,xjmax为第j变量中样本数据的最大值;xjmin为第j变量中样本数据的最小值;xij为第j变量样本中第i个数据对应处理前的数据,即待归一化的值;第j变量样本中第i个数据对应处理后的数据,即归一化后的值;
步骤1.3,初始变量集合可用Xi表示,输出变量表示为Y:
Xi={Xi(k)|k=1,2,…,n},i=1,2,…,m
Y={Y(k)|k=1,2,…,n}
其中,Xi代表辅助变量集合;Y代表输出变量;k代表数据量编号;m为辅助变量个数,n为数据量个数;
步骤1.4,采用灰色关联度分析法对初始变量集合进行降维,确定软测量模型的输入辅助变量集合,令Δi(k)=|Y(k)-Xi(k)|,则灰色关联系数表达式为γi:
其中,ρ取0.5;n为数据量个数。
步骤2所述的建立测量转子热变形量的深度置信网络模型,其具体步骤如下:
步骤2.1,一个受限玻尔兹曼机包含n个可见单元和m个隐含层单元,任意两个相连的神经元之间有一个权值W表示其连接权重,Wij是可见单元i和隐含层单元j之间的权重,可见层单元和隐含层单元的状态分别用v和h表示,vi代表第i个可见单元的状态,hj代表第j个隐含层单元的状态,则这个RBM的能量函数表示为E(v,h|θ):
其中,ai是可见单元i的偏置;bj是隐含层单元j的偏置;θ是受限玻尔兹曼机的参数,θ={ai,bj,Wij};
步骤2.2,已知任意层各单元的状态,可以分别得到隐含层单元的激活概率P(hj=1|v,θ)和可见层单元的激活概率P(vi=1|h,θ):
其中,为的激活函数(Sigmoid函数);
步骤2.3,将Sigmoid函数保留,将RBM神经元离散为二元制过程去除,得到隐含层单元的状态hj和可见层单元的状态vi:
步骤2.4,添加均值为0、方差为1的高斯随机噪声变量实现对单元状态连续化的转变,实现连续型受限玻尔兹曼机,可见层和隐含层单元的状态分别改变为vi和hj:
其中,λ为常量;N(0,1)为均值为0、方差为1的高斯随机变量;的激活函数;
步骤2.5,RBM权值和偏置参数的更新公式:
Δa=a+α(vj-vj+1)
Δb=b+α(p(hi=1|vj)-p(hi+1=1|vj+1))
其中,α为学习率;ΔW为更新后的权值矩阵;Δa,Δb为可见层和隐含层更新后的偏置向量,在初始化阶段W,a和b为较小的随机值;
步骤2.6,每相邻的两层看成一个RBM,这样就能将高度复杂的DBN网络结构简化为多个RBM的简单结构;这种结构就能简化直接整体上训练DBN网络的复杂度,训练问题也就简化为多个RBM的训练问题,底层的RBM以样本的训练数据为输入,并将其提取的特征作为下一个RBM的输入。
所述的步骤3,其具体做法是:
步骤3.1,通过无监督学习算法来实现,即最底层RBM通过吉布斯采样算法学习得到其权值矩阵W1,然后通过p(h1|v)得出隐含层h1,低层的输出作为高层的输入,重复利用该算法逐层训练RBM,得到所有的网络权值{W1,W2,…,Wn-1};
步骤3.2,通过实验结果的预测精度,分析并设定DBN网络的隐含层层数以及每一层隐含层神经元的个数。
所述的步骤4,其具体做法是:
预训练完成后,DBN的各层网络权值都已经确定,通过输入向量和每个权值{W1,W2,…,Wn-1}进行运算得到顶层隐含层,然后隐含层hn和权值{Wn-1,Wn-2,…,W1}进行运算得到一个输出,计算该输出和输入之间的误差,通过BP算法微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值,迭代执行步骤4,直到误差在限定范围内,微调完成。
本发明的有益效果是:
本发明提供的测量回转式空气预热器转子热变形量的软测量深度学习方法,针对工业现场所测得的实际数据,通过3δ准则的方法剔除数据样本中的粗大误差,通过数据归一化处理消除指标之间的量纲影响,通过灰色关联度分析法选取软测量技术的辅助变量;通过无标签和有标签数据,建立深度置信网络软测量模型,并结合实验结果的预测精度,设定DBN网络的网络权值和隐含层层数以及每一层隐含层神经元的个数;通过BP算法微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值,对回转式空气预热器转子热变形量进行辨识,辨识结果精度高、收敛速度快、可参考性强,实时性能好,具有较强的实用性和可行性。
附图说明
图1为本发明的流程图。
图2(a)为经本发明得到的第一个RBM重构误差曲线图。
图2(b)为经本发明得到的第二个RBM重构误差曲线图。
图2(c)为经本发明得到的第三个RBM重构误差曲线图。
图2(d)为经本发明得到的第四个RBM重构误差曲线图。
图3是经本发明得到的调优后的训练集预测误差结果图。
图4是经本发明得到的调优后的测试集预测误差结果图。
图5是经本发明得到的DBN训练集结果图。
图6是经本发明得到的DBN测试集的结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参见图1,空气预热器转子热变形量的软测量深度学习方法,包括以下步骤:
对回转式空气预热器运行过程得到的现场数据进行分析,然后利用灰色关联度分析法,设置与转子热变形密切相关的辅助变量;
步骤1设置与转子热变形密切相关的辅助变量,其具体步骤为:
步骤1.1,假设某个辅助变量序列为x1,…,xn,其算术平均值和标准偏差分别表示为t和δ:
其中,i为变量值序列编号;xi为第i个变量值;n为变量个数;t为算术平均值;δ为标准偏差;
步骤1.2,样本数据归一化后可表示为
其中,xjmax为第j变量中样本数据的最大值;xjmin为第j变量中样本数据的最小值;xij为第j变量样本中第i个数据对应处理前的数据,即待归一化的值;第j变量样本中第i个数据对应处理后的数据,即归一化后的值;
步骤1.3,初始变量集合可用Xi表示,输出变量表示为Y:
Xi={Xi(k)|k=1,2,…,n},i=1,2,…,m
Y={Y(k)|k=1,2,…,n}
其中,Xi代表辅助变量集合;Y代表输出变量;k代表数据量编号;m为辅助变量个数,n为数据量个数;
步骤1.4,采用灰色关联度分析法对初始变量集合进行降维,确定软测量模型的输入辅助变量集合。令Δi(k)=|Y(k)-Xi(k)|,则灰色关联系数表达式为γi:
其中,ρ取0.5;n为数据量个数;
步骤2,建立测量转子热变形量的深度置信网络(Deep BeliefNetwork,DBN)模型;步骤2建立测量转子热变形量的深度置信网络模型,具体如下:
步骤2.1,一个受限玻尔兹曼机(RestrictedBoltzmann Machine,RBM)包含n个可见单元和m个隐含层单元,任意两个相连的神经元之间有一个权值W表示其连接权重,Wij是可见单元i和隐含层单元j之间的权重,可见层单元和隐含层单元的状态分别用v和h表示,vi代表第i个可见单元的状态,hj代表第j个隐含层单元的状态,则这个RBM的能量函数表示为E(v,h|θ):
其中,ai是可见单元i的偏置;bj是隐含层单元j的偏置;θ是受限玻尔兹曼机的参数,θ={ai,bj,Wij};
步骤2.2,已知任意层各单元的状态,可以分别得到隐含层单元的激活概率P(hj=1|v,θ)和可见层单元的激活概率P(vi=1|h,θ):
其中,为的激活函数(Sigmoid函数);
步骤2.3,将Sigmoid函数保留,将RBM神经元离散为二元制过程去除,得到隐含层单元的状态hj和可见层单元的状态vi:
步骤2.4,添加均值为0、方差为1的高斯随机噪声变量实现对单元状态连续化的转变,实现连续型受限玻尔兹曼机,可见层和隐含层单元的状态分别改变为vi和hj:
其中,λ为常量;N(0,1)为均值为0、方差为1的高斯随机变量;的激活函数;
步骤2.5,RBM权值和偏置参数的更新公式:
Δa=a+α(vj-vj+1)
Δb=b+α(p(hi=1|vj)-p(hi+1=1|vj+1))
其中,α为学习率;ΔW为更新后的权值矩阵;Δa,Δb为可见层和隐含层更新后的偏置向量,在初始化阶段W,a和b为较小的随机值;
步骤2.6,每相邻的两层看成一个RBM,这样就能将高度复杂的DBN网络结构简化为多个RBM的简单结构。这种结构就能简化直接整体上训练DBN网络的复杂度,训练问题也就简化为多个RBM的训练问题,底层的RBM以样本的训练数据为输入,并将其提取的特征作为下一个RBM的输入;
步骤3,用预测数据和原始数据对步骤2建立的深度置信网络模型进行分析,以此确定深度置信网络所有的网络权值以及隐含层节点数和层数;
步骤3的具体做法是:
步骤3.1,通过无监督学习算法来实现,即最底层RBM通过吉布斯采样算法学习得到其权值矩阵W1,然后通过p(h1|v)得出隐含层h1,低层的输出作为高层的输入,重复利用该算法逐层训练RBM,得到所有的网络权值{W1,W2,…,Wn-1};
步骤3.2,通过实验结果的预测精度,分析并设定DBN网络的隐含层层数以及每一层隐含层神经元的个数;
步骤4,采用BP神经网络微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值;
所述的步骤4,其具体做法是:
预训练完成后,DBN的各层网络权值都已经确定,通过输入向量和每个权值{W1,W2,…,Wn-1}进行运算得到顶层隐含层,然后隐含层hn和权值{Wn-1,Wn-2,…,W1}进行运算得到一个输出,计算该输出和输入之间的误差,通过BP算法微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值,迭代执行步骤4,直到误差在限定范围内,微调完成。
以下以实验说明本发明一种测量回转式空气预热器转子热变形量的软测量深度学习方法是有效可行的:
图2(a)~(b)是经本发明一种测量回转式空气预热器转子热变形量的软测量深度学习方法得到的每一个RBM重构误差结果图;图3是经本发明一种测量回转式空气预热器转子热变形量的软测量深度学习方法得到的调优后的训练集预测误差结果图;图4是经本发明一种测量回转式空气预热器转子热变形量的软测量深度学习方法得到的调优后的测试集预测误差结果图;图5是经本发明一种测量回转式空气预热器转子热变形量的软测量深度学习方法得到的DBN训练集结果图;图6是经本发明一种测量回转式空气预热器转子热变形量的软测量深度学习方法得到的DBN测试集结果图;通过对图2-图6的观察可以清楚的看出,本发明一种测量回转式空气预热器转子热变形量的软测量深度学习方法可以对回转式空气预热器转子热变形量进行有效的、准确的辨识。
本发明是一种测量回转式空气预热器转子热变形量的软测量深度学习方法,针对工业现场所测得的实际数据,通过3δ准则的方法剔除数据样本中的粗大误差,通过数据归一化处理消除指标之间的量纲影响,通过灰色关联度分析法选取软测量技术的辅助变量;通过无标签和有标签数据,建立深度置信网络软测量模型,并结合实验结果的预测精度,设定DBN网络的网络权值和隐含层层数以及每一层隐含层神经元的个数;通过BP算法微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值,对回转式空气预热器转子热变形量进行辨识,辨识结果精度高、收敛速度快、可参考性强,实时性能好,具有较强的实用性和可行性。
Claims (5)
1.空气预热器转子热变形量的软测量深度学习方法,其特征在于,包括以下步骤:
步骤1,对回转式空气预热器运行过程得到的现场数据进行分析,然后利用灰色关联度分析法,设置与转子热变形密切相关的辅助变量;
步骤2,建立测量转子热变形量的深度置信网络模型;
步骤3,用预测数据和原始数据对步骤2建立的深度置信网络模型进行分析,以此确定深度置信网络所有的网络权值以及隐含层节点数和层数;
步骤4,采用BP神经网络微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值。
2.根据权利要求1所述的空气预热器转子热变形量的软测量深度学习方法,其特征在于,步骤1所述的设置与转子热变形密切相关的辅助变量,其具体步骤为:
步骤1.1,假设某个辅助变量序列为x1,…,xn,其算术平均值和标准偏差分别表示为t和δ:
其中,i为变量值序列编号;xi为第i个变量值;n为变量个数;t为算术平均值;δ为标准偏差;
步骤1.2,样本数据归一化后可表示为
其中,xjmax为第j变量中样本数据的最大值;xjmin为第j变量中样本数据的最小值;xij为第j变量样本中第i个数据对应处理前的数据,即待归一化的值;第j变量样本中第i个数据对应处理后的数据,即归一化后的值;
步骤1.3,初始变量集合可用Xi表示,输出变量表示为Y:
Xi={Xi(k)|k=1,2,…,n},i=1,2,…,m
Y={Y(k)|k=1,2,…,n}
其中,Xi代表辅助变量集合;Y代表输出变量;k代表数据量编号;m为辅助变量个数,n为数据量个数;
步骤1.4,采用灰色关联度分析法对初始变量集合进行降维,确定软测量模型的输入辅助变量集合,令Δi(k)=|Y(k)-Xi(k)|,则灰色关联系数表达式为γi:
其中,ρ取0.5;n为数据量个数。
3.根据权利要求1所述的空气预热器转子热变形量的软测量深度学习方法,其特征在于,步骤2所述的建立测量转子热变形量的深度置信网络模型,其具体步骤如下:
步骤2.1,一个受限玻尔兹曼机包含n个可见单元和m个隐含层单元,任意两个相连的神经元之间有一个权值W表示其连接权重,Wij是可见单元i和隐含层单元j之间的权重,可见层单元和隐含层单元的状态分别用v和h表示,vi代表第i个可见单元的状态,hj代表第j个隐含层单元的状态,则这个RBM的能量函数表示为E(v,h|θ):
其中,ai是可见单元i的偏置;bj是隐含层单元j的偏置;θ是受限玻尔兹曼机的参数,θ={ai,bj,Wij};
步骤2.2,已知任意层各单元的状态,可以分别得到隐含层单元的激活概率P(hj=1|v,θ)和可见层单元的激活概率P(vi=1|h,θ):
其中,为的激活函数(Sigmoid函数);
步骤2.3,将Sigmoid函数保留,将RBM神经元离散为二元制过程去除,得到隐含层单元的状态hj和可见层单元的状态vi:
步骤2.4,添加均值为0、方差为1的高斯随机噪声变量实现对单元状态连续化的转变,实现连续型受限玻尔兹曼机,可见层和隐含层单元的状态分别改变为vi和hj:
其中,λ为常量;N(0,1)为均值为0、方差为1的高斯随机变量;的激活函数;
步骤2.5,RBM权值和偏置参数的更新公式:
Δa=a+α(vj-vj+1)
Δb=b+α(p(hi=1|vj)-p(hi+1=1|vj+1))
其中,α为学习率;ΔW为更新后的权值矩阵;Δa,Δb为可见层和隐含层更新后的偏置向量,在初始化阶段W,a和b为较小的随机值;
步骤2.6,每相邻的两层看成一个RBM,这样就能将高度复杂的DBN网络结构简化为多个RBM的简单结构;这种结构就能简化直接整体上训练DBN网络的复杂度,训练问题也就简化为多个RBM的训练问题,底层的RBM以样本的训练数据为输入,并将其提取的特征作为下一个RBM的输入。
4.根据权利要求1所述的空气预热器转子热变形量的软测量深度学习方法,其特征在于,所述的步骤3,其具体做法是:
步骤3.1,通过无监督学习算法来实现,即最底层RBM通过吉布斯采样算法学习得到其权值矩阵W1,然后通过p(h1|v)得出隐含层h1,低层的输出作为高层的输入,重复利用该算法逐层训练RBM,得到所有的网络权值{W1,W2,…,Wn-1};
步骤3.2,通过实验结果的预测精度,分析并设定DBN网络的隐含层层数以及每一层隐含层神经元的个数。
5.根据权利要求1所述的空气预热器转子热变形量的软测量深度学习方法,其特征在于,所述的步骤4,其具体做法是:
预训练完成后,DBN的各层网络权值都已经确定,通过输入向量和每个权值{W1,W2,…,Wn-1}进行运算得到顶层隐含层,然后隐含层hn和权值{Wn-1,Wn-2,…,W1}进行运算得到一个输出,计算该输出和输入之间的误差,通过BP算法微调模型参数,并结合共轭梯度线性搜索寻优法,得到深度置信网络软测量模型参数的最优估计值,迭代执行步骤4,直到误差在限定范围内,微调完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910462924.6A CN110245398B (zh) | 2019-05-30 | 2019-05-30 | 空气预热器转子热变形量的软测量深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910462924.6A CN110245398B (zh) | 2019-05-30 | 2019-05-30 | 空气预热器转子热变形量的软测量深度学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245398A true CN110245398A (zh) | 2019-09-17 |
CN110245398B CN110245398B (zh) | 2022-10-04 |
Family
ID=67885654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910462924.6A Active CN110245398B (zh) | 2019-05-30 | 2019-05-30 | 空气预热器转子热变形量的软测量深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245398B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991121A (zh) * | 2019-11-19 | 2020-04-10 | 西安理工大学 | 基于cdbn-svr的空气预热器转子变形软测量方法 |
CN111177914A (zh) * | 2019-12-25 | 2020-05-19 | 中国建材检验认证集团北京天誉有限公司 | 一种基于系统工程的水泥工艺预热器建模方法 |
CN111402249A (zh) * | 2020-03-24 | 2020-07-10 | 东方电气集团东方锅炉股份有限公司 | 基于深度学习的图像演化分析方法 |
CN111177914B (zh) * | 2019-12-25 | 2024-05-14 | 中存大数据科技有限公司 | 一种基于系统工程的水泥工艺预热器建模方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013066287A1 (en) * | 2011-10-31 | 2013-05-10 | Vermeer Manufacturing Company | Method and apparatus for preventing buildup of twine and netwrap on the rotor of a bale processor |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
-
2019
- 2019-05-30 CN CN201910462924.6A patent/CN110245398B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013066287A1 (en) * | 2011-10-31 | 2013-05-10 | Vermeer Manufacturing Company | Method and apparatus for preventing buildup of twine and netwrap on the rotor of a bale processor |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
Non-Patent Citations (1)
Title |
---|
刘彬等: "基于粒子群算法与连续型深度信念网络的水泥熟料游离氧化钙预测", 《计量学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991121A (zh) * | 2019-11-19 | 2020-04-10 | 西安理工大学 | 基于cdbn-svr的空气预热器转子变形软测量方法 |
CN110991121B (zh) * | 2019-11-19 | 2023-12-29 | 西安理工大学 | 基于cdbn-svr的空气预热器转子变形软测量方法 |
CN111177914A (zh) * | 2019-12-25 | 2020-05-19 | 中国建材检验认证集团北京天誉有限公司 | 一种基于系统工程的水泥工艺预热器建模方法 |
CN111177914B (zh) * | 2019-12-25 | 2024-05-14 | 中存大数据科技有限公司 | 一种基于系统工程的水泥工艺预热器建模方法 |
CN111402249A (zh) * | 2020-03-24 | 2020-07-10 | 东方电气集团东方锅炉股份有限公司 | 基于深度学习的图像演化分析方法 |
CN111402249B (zh) * | 2020-03-24 | 2023-05-02 | 东方电气集团东方锅炉股份有限公司 | 基于深度学习的图像演化分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110245398B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Local parameter optimization of LSSVM for industrial soft sensing with big data and cloud implementation | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN106971240A (zh) | 一种变量选择与高斯过程回归的短期负荷预测方法 | |
CN109034054B (zh) | 基于lstm的谐波多标签分类方法 | |
CN101872181A (zh) | 用于发电厂设备性能监测的预测方法 | |
CN104914723A (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
US20220261655A1 (en) | Real-time prediction method for engine emission | |
CN104462850A (zh) | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN106778838A (zh) | 一种预测空气质量的方法 | |
CN110245398A (zh) | 空气预热器转子热变形量的软测量深度学习方法 | |
CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
CN106405683B (zh) | 基于g-l混合噪声特性核岭回归技术的风速预报方法及装置 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
Wang et al. | Deep-learning modeling and control optimization framework for intelligent thermal power plants: A practice on superheated steam temperature | |
CN113988215A (zh) | 一种配电网计量柜状态检测方法及系统 | |
CN110378035A (zh) | 一种基于深度学习的加氢裂化软测量建模方法 | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
CN1327376C (zh) | 基于支持向量机的软测量仪表建模方法 | |
CN116843057A (zh) | 基于LSTM-ViT的风电功率超短期预测方法 | |
CN114692677B (zh) | 一种基于多目标特征选择的焊接缺陷识别方法 | |
CN107341503B (zh) | 一种切削过程中针对多源能效状态的识别方法 | |
CN115834161A (zh) | 一种人工智能四层架构的电网假数据注入攻击检测方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 |
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 |