CN110245690A - 一种基于模糊聚类的高炉炉况识别方法与系统 - Google Patents
一种基于模糊聚类的高炉炉况识别方法与系统 Download PDFInfo
- Publication number
- CN110245690A CN110245690A CN201910436658.XA CN201910436658A CN110245690A CN 110245690 A CN110245690 A CN 110245690A CN 201910436658 A CN201910436658 A CN 201910436658A CN 110245690 A CN110245690 A CN 110245690A
- Authority
- CN
- China
- Prior art keywords
- utilization rate
- gas utilization
- value
- cooling wall
- blast furnace
- 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.)
- Pending
Links
Classifications
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于模糊聚类的高炉炉况识别方法及系统,首先从边缘冷却壁稳定以及能耗的角度出发,确定冷却壁温度和煤气利用率为炉况划分的的参数;接着根据实际生产需求,设定四种不同类型的炉况;然后基于模糊聚类的方法计算冷却壁温度参数属于不同类的隶属度值,根据隶属度值确定样本所属的类别;最后采用动态阈值更新的方法对煤气利用率进行划分;根据划分的结果与四种炉况种的一种进行对应,确定最终的炉况类别。采用本发明所述的方法,从炉况稳定性以及能耗出发,能够有效地对高炉参数进行划分,可以实现高炉炉况的实时识别。
Description
技术领域
本发明涉及高炉炼铁领域,更具体地说,涉及一种基于模糊聚类的高炉炉况识别方法与系统。
背景技术
钢铁产业是我国国民经济的重要组成部分,广泛涉及到建设、能源、汽车、基础设施等国家发展的核心产业,是我国实现国民全面小康、建设经济强国的强劲支持。在过去的几十年里,在全面经济建设的强劲需求,我国的钢铁产业得到迅猛发展,在钢材的生产和消费上都处在国际领先地位。但是整体来说,我国的钢铁生产技术与国际相比还有很大的差距,尤其是钢铁冶炼过程中的自动化程度,明显落后于发达国家。钢铁工业是一个高能耗、高污染的产业,给我国节能降耗、环境保护方面带来了巨大的压力。高炉作为钢铁冶炼过程中的重要设备,进行着钢铁生产的关键冶炼过程。高炉运行状态的稳定与否与效率高低,直接决定工业生产的钢材产出质量、能源消耗以及生产安全,与钢铁企业的经济效益和行业竞争力密切相关。
在高炉生产过程中,布料是最主动与关键的操作手段,它决定着炉内炉料的分布,影响着煤气流发展以及高炉其他状态。现场操作人员往往是根据当前炉况来给出合适的布料参数,但是由于高炉是个密闭的黑箱,检测信息有限,导致操作人员对高炉炉况的识别往往不及时和不准确,难以给出合理的布料参数。因此实现高炉炉况的有效识别,为高炉布料操作调整提供基础指导,对于高炉现代化高效节能生产将有重要意义。
发明内容
本发明要解决的技术问题在于,现有技术在高炉生产过程中,操作人员对高炉炉况的识别往往不及时和不准确,难以给出合理的布料参数的技术缺陷,提供了一种基于模糊聚类的高炉炉况识别方法与系统。
根据本发明的其中一方面,本发明解决其技术问题所采用的基于模糊聚类的高炉炉况识别方法包括以下步骤:
步骤一:获取高炉炉况的各个分类,该分类以高炉的冷却壁温度变化率和煤气利用率小时平均值作为划分的基准参数;
步骤二:根据实际采集的数据集,利用模糊C均值聚类方法计算冷却壁温度变化率所属于各个分类的隶属度值;
步骤三:利用动态阈值更新的方法判断当前煤气利用率的高低;
步骤四:基于步骤二计算的隶属度值以及步骤三的判断结果,识别炉况类别。
进一步地,在本发明的基于模糊聚类的高炉炉况识别方法中,步骤一高炉炉况的各个分类具体是指下述四个分类:
冷却壁不稳定,煤气利用率低:冷却壁温度变化率大于预设变化率,煤气利用率小时均值小于预设小时均值;
冷却壁不稳定,煤气利用率高:冷却壁温度变化率大于预设变化率,煤气利用率小时均值不小于预设小时均值
冷却壁稳定,煤气利用率低:冷却壁温度变化率不大于预设变化率,煤气利用率小时均值小于预设小时均值
冷却壁稳定,煤气利用率高:冷却壁温度变化率不大于预设变化率,煤气利用率小时均值不小于预设小时均值。
进一步地,在本发明的基于模糊聚类的高炉炉况识别方法中,步骤二所述的利用模糊C均值聚类方法计算冷却壁温度变化率所属于各个分类的隶属度值具体包括以下过程:
赋初始值给uij和ci其中的一个,然后根据下述公式进行迭代:
在每次迭代完成后,根据下述公式计算出目标函数J,并判断目标函数J在本次迭代完成后与上一次迭代完成后的差值,当所述差值小于预设值时,停止迭代,否则继续迭代:
式中,样本xj为数据集X中的第j个样本,数据集X的识别类别数为c,ci为c个识别类别中的第i个,uij为每个样本xj属于某一识别类别ci的隶属度,m是一个隶属度的因子,λ为拉格朗日乘子,n为最大样本数。
进一步地,在本发明的基于模糊聚类的高炉炉况识别方法中,数据集X的识别类别数为2,分别为冷却壁温度绝对值和冷却壁温度方差。
进一步地,在本发明的基于模糊聚类的高炉炉况识别方法中,步骤三所述利用动态阈值更新的方法判断当前煤气利用率的高低具体包括以下过程:针对现场实际情况,对煤气利用率进行动态划分,以某一段时间煤气利用率的均值为衡量标准,高于这个值就是煤气利用率较好,即为高,低于这个值就是煤气利用率不达标,即为低。
进一步地,在本发明的基于模糊聚类的高炉炉况识别方法中动态划分的时间区间为一个星期,也就是上一个星期的煤气利用率均值作为下一个星期煤气利用率的衡量标准。
进一步地,在本发明的基于模糊聚类的高炉炉况识别方法中步骤四所述的识别炉况具体包括以下过程:首先判断根据步骤二所计算的隶属度值,将每一个样本属于两类的隶属度函数进行比较,定义隶属度值为ui1和ui2,如果ui1>ui2,那么就认为第i个样本属于第1类,反之就属于第2类,接着对煤气利用率进行划分,如果煤气利用率小时均值高于所设定的阈值,那么就认定煤气利用率较高,如果低于所设定的阈值,那么就认为煤气利用率较低,从而实现将冷却壁温度变化率以及煤气利用率的判断结果相结合,实现对炉况的识别。
根据本发明的另一方面,本发明为解决其技术问题,还提供了一种基于模糊聚类的高炉炉况识别系统,该系统采用如上述任一项中的基于模糊聚类的高炉炉况识别方法进行高炉炉况识别。
本发明基于其技术方案所具有的有益效果在于:本发明从边缘冷却壁稳定以及能耗的角度出发,确定冷却壁温度和煤气利用率为炉况划分的的参数,根据实际需求设定四种不同类型的炉况。然后基于模糊聚类的方法计算冷却壁温度参数属于不同类的隶属度值,最后采用动态阈值更新的方法对煤气利用率进行划分,根据划分的结果与四种炉况种的一种进行对应,实现高炉炉况的有效识别,对于指导高炉布料操作具有重要的意义。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1本发明的流程图;
图2隶属度计算结果;
图3冷却壁温度变化率划分结果;
图4煤气利用率划分结果。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明公开了一种基于模糊聚类的高炉炉况的识别方法,从边缘冷却壁稳定以及能耗的角度出发,确定冷却壁温度和煤气利用率为炉况划分的的参数,根据实际需求设定四种不同类型的炉况。基于模糊聚类的方法计算冷却壁温度参数属于不同类的隶属度值,采用动态阈值更新的方法对煤气利用率进行划分。根据划分的结果与四种炉况种的一种进行对应,确定对高炉炉况进行识别。整个过程如图1所示。具体步骤如下:
(1)高炉现场数据的采集
高炉现场数据均存放在ORACLE10g数据库中。采集的数据包括冷却壁温度变化率与煤气利用率。采集数据间隔为1小时,一共900个样本,对异常数据进行剔除。
(2)设定高炉炉况的划分标准
针对实际情况,当冷却壁温度变化率过大或较平稳时,属于不同的炉况;当煤气利用率小时均值较低或较高时,属于不同的炉况;将这两种不同的情况相组合,可以定义四种炉况,包括冷却壁不稳定,煤气利用率低、冷却壁不稳定,煤气利用率高、冷却壁稳定,煤气利用率低、冷却壁稳定,煤气利用率高。如表1所示:
冷却壁不稳定,煤气利用率低:冷却壁温度变化率大于预设变化率,煤气利用率小时均值小于预设小时均值;
冷却壁不稳定,煤气利用率高:冷却壁温度变化率大于预设变化率,煤气利用率小时均值不小于预设小时均值
冷却壁稳定,煤气利用率低:冷却壁温度变化率不大于预设变化率,煤气利用率小时均值小于预设小时均值
冷却壁稳定,煤气利用率高:冷却壁温度变化率不大于预设变化率,煤气利用率小时均值不小于预设小时均值。
表1高炉炉况划分基准
(3)基于模糊C均值聚类的冷却壁温度变化率隶属度计算
利用模糊C均值聚类方法计算冷却壁温度变化率所属于每一类的隶属度值具体包括以下过程:
(3-1)定义数据集为X,识别类别为c,定义每个样本j属于某一类i的隶属度为uij,可以定义目标函为
其中J由相应样本的隶属度与该样本到各个类中心的距离相乘组成的,m是一个隶属度的因子。
(3-2)对于uij,定义约束函数为
上式表明一个样本属于所有类的隶属度之和要为1。
(3-3)采用拉格朗日乘数法将约束条件带到目标函数中去,得到
其中,λ为拉格朗日乘子。
(3-4)然后对uij和ci求导,可以得到uij和ci的迭代式为
其中uij和ci是相互关联的,彼此包含对方,任意随便赋值给uij和ci其中的一个,只要数值满足条件即可。然后就开始迭代,在这个过程中还目标函数J一直在变化,逐渐趋向稳定值。那么当J不在变化的时候就认为得到一个比较好的结果了。
在本实施例中,首先定义数据集为D={X1,X2},其中X1表示冷却壁的绝对温度值,X2表示冷却壁温度变化率(本实施例中为冷却壁温度变化方差)。根据之前的分析,将数据集分为2类,即c=2。所计算的隶属度函数分布如图2所示。
(4)基于动态阈值判断当前煤气利用率的高低
对煤气利用率进行划分,煤气利用率的高低与当前炉况有着密切的联系,因此本发明采取动态阈值更新的方式,所谓动态划分就是以某一段时间煤气利用率的均值为标准,高于这个值就是煤气利用率较好,低于这个值就是煤气利用率不达标。这里动态划分的时间区间为一个星期,也就是上一个星期的煤气利用率均值作为下一个星期煤气利用率的衡量标准。根据此原则,对数据样本进行划分,划分结果如图3所示。
(5)基于步骤(3)隶属度值以及步骤(4)的判断结果,识别炉况类别
首先,判断根据步骤(3)所计算的隶属度值,将每一个样本属于两类的隶属度函数进行比较,定义隶属度值为ui1和ui2。如果ui1>ui2,那么就认为第i个样本属于第1类,反之就属于第2类。接着对煤气利用率进行划分,如果煤气利用率小时均值高于所设定的阈值,那么就认定煤气利用率较高,如果低于所设定的阈值,那么就认为煤气利用率较低,划分结果见图4。将冷却壁温度变化率以及煤气利用率的判断结果相结合,实现对炉况的识别。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种基于模糊聚类的高炉炉况识别方法,其特征在于,包括以下步骤:
步骤一:获取高炉炉况的各个分类,该分类以高炉的冷却壁温度变化率和煤气利用率小时平均值作为划分的基准参数;
步骤二:根据实际采集的数据集,利用模糊C均值聚类方法计算冷却壁温度变化率所属于各个分类的隶属度值;
步骤三:利用动态阈值更新的方法判断当前煤气利用率的高低;
步骤四:基于步骤二计算的隶属度值以及步骤三的判断结果,识别炉况类别。
2.根据权利要求1所述的基于模糊聚类的高炉炉况识别方法,其特征在于,步骤一高炉炉况的各个分类具体是指下述四个分类:
冷却壁不稳定,煤气利用率低:冷却壁温度变化率大于预设变化率,煤气利用率小时均值小于预设小时均值;
冷却壁不稳定,煤气利用率高:冷却壁温度变化率大于预设变化率,煤气利用率小时均值不小于预设小时均值
冷却壁稳定,煤气利用率低:冷却壁温度变化率不大于预设变化率,煤气利用率小时均值小于预设小时均值
冷却壁稳定,煤气利用率高:冷却壁温度变化率不大于预设变化率,煤气利用率小时均值不小于预设小时均值。
3.根据权利要求1所述的基于模糊聚类的高炉炉况识别方法,其特征在于,步骤二所述的利用模糊C均值聚类方法计算冷却壁温度变化率所属于各个分类的隶属度值具体包括以下过程:
赋初始值给uij和ci其中的一个,然后根据下述公式进行迭代:
在每次迭代完成后,根据下述公式计算出目标函数J,并判断目标函数J在本次迭代完成后与上一次迭代完成后的差值,当所述差值小于预设值时,停止迭代,否则继续迭代:
式中,样本xj为数据集X中的第j个样本,数据集X的识别类别数为c,ci为c个识别类别中的第i个,uij为每个样本xj属于某一识别类别ci的隶属度,m是一个隶属度的因子,λ为拉格朗日乘子,n为最大样本数。
4.根据权利要求3所述的基于模糊聚类的高炉炉况识别方法,其特征在于,数据集X的识别类别数为2,分别为冷却壁温度绝对值和冷却壁温度方差。
5.根据权利要求1所述的基于模糊聚类的高炉炉况识别方法,其特征在于,步骤三所述利用动态阈值更新的方法判断当前煤气利用率的高低具体包括以下过程:针对现场实际情况,对煤气利用率进行动态划分,以某一段时间煤气利用率的均值为衡量标准,高于这个值就是煤气利用率较好,即为高,低于这个值就是煤气利用率不达标,即为低。
6.根据权利要求5所述的基于模糊聚类的高炉炉况识别方法,其特征在于,动态划分的时间区间为一个星期,也就是上一个星期的煤气利用率均值作为下一个星期煤气利用率的衡量标准。
7.根据权利要求1所述的基于模糊聚类的高炉炉况识别方法,其特征在于,步骤四所述的识别炉况具体包括以下过程:首先判断根据步骤二所计算的隶属度值,将每一个样本属于两类的隶属度函数进行比较,定义隶属度值为ui1和ui2,如果ui1>ui2,那么就认为第i个样本属于第1类,反之就属于第2类,接着对煤气利用率进行划分,如果煤气利用率小时均值高于所设定的阈值,那么就认定煤气利用率较高,如果低于所设定的阈值,那么就认为煤气利用率较低,从而实现将冷却壁温度变化率以及煤气利用率的判断结果相结合,实现对炉况的识别。
8.一种基于模糊聚类的高炉炉况识别系统,其特征在于,采用如权利要求1-7任一项所述的基于模糊聚类的高炉炉况识别方法进行高炉炉况识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436658.XA CN110245690A (zh) | 2019-05-23 | 2019-05-23 | 一种基于模糊聚类的高炉炉况识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910436658.XA CN110245690A (zh) | 2019-05-23 | 2019-05-23 | 一种基于模糊聚类的高炉炉况识别方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245690A true CN110245690A (zh) | 2019-09-17 |
Family
ID=67885047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910436658.XA Pending CN110245690A (zh) | 2019-05-23 | 2019-05-23 | 一种基于模糊聚类的高炉炉况识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245690A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111336828A (zh) * | 2020-04-14 | 2020-06-26 | 福建三钢闽光股份有限公司 | 一种基于fcm模糊时间序列的加热炉炉温控制器 |
CN112270237A (zh) * | 2020-10-22 | 2021-01-26 | 中冶南方工程技术有限公司 | 一种高炉煤气流状态识别方法、系统及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101109952A (zh) * | 2007-08-23 | 2008-01-23 | 济南钢铁集团总公司 | 基于柜位预测的钢铁企业煤气动态平衡实时控制方法 |
CN102915027A (zh) * | 2012-11-16 | 2013-02-06 | 武汉钢铁(集团)公司 | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 |
CN102952912A (zh) * | 2012-12-10 | 2013-03-06 | 武汉钢铁(集团)公司 | 基于专家系统和知识库的高炉冶炼方法和系统 |
CN105219899A (zh) * | 2015-10-30 | 2016-01-06 | 天津钢铁集团有限公司 | 一种根据静压差判断高炉异常炉况的预警方法 |
CN106679602A (zh) * | 2016-12-19 | 2017-05-17 | 武汉钢铁股份有限公司 | 一种确定高炉铜冷却壁渣皮厚度变化的方法及装置 |
CN107723399A (zh) * | 2017-09-21 | 2018-02-23 | 江苏省沙钢钢铁研究院有限公司 | 一种高炉布料智能监测系统和调整方法 |
CN108197391A (zh) * | 2018-01-05 | 2018-06-22 | 燕山大学 | 一种高炉一氧化碳利用率预测模型的建立方法 |
CN109376500A (zh) * | 2018-12-19 | 2019-02-22 | 中国地质大学(武汉) | 基于预测模型的烧结过程综合焦比在线优化方法及系统 |
-
2019
- 2019-05-23 CN CN201910436658.XA patent/CN110245690A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101109952A (zh) * | 2007-08-23 | 2008-01-23 | 济南钢铁集团总公司 | 基于柜位预测的钢铁企业煤气动态平衡实时控制方法 |
CN102915027A (zh) * | 2012-11-16 | 2013-02-06 | 武汉钢铁(集团)公司 | 一种基于模式识别技术构建的高炉冶炼专家系统及其方法 |
CN102952912A (zh) * | 2012-12-10 | 2013-03-06 | 武汉钢铁(集团)公司 | 基于专家系统和知识库的高炉冶炼方法和系统 |
CN105219899A (zh) * | 2015-10-30 | 2016-01-06 | 天津钢铁集团有限公司 | 一种根据静压差判断高炉异常炉况的预警方法 |
CN106679602A (zh) * | 2016-12-19 | 2017-05-17 | 武汉钢铁股份有限公司 | 一种确定高炉铜冷却壁渣皮厚度变化的方法及装置 |
CN107723399A (zh) * | 2017-09-21 | 2018-02-23 | 江苏省沙钢钢铁研究院有限公司 | 一种高炉布料智能监测系统和调整方法 |
CN108197391A (zh) * | 2018-01-05 | 2018-06-22 | 燕山大学 | 一种高炉一氧化碳利用率预测模型的建立方法 |
CN109376500A (zh) * | 2018-12-19 | 2019-02-22 | 中国地质大学(武汉) | 基于预测模型的烧结过程综合焦比在线优化方法及系统 |
Non-Patent Citations (3)
Title |
---|
JIANQI AN,YUWAN YANG,MIN WU,TAKAO TERANO: "Analysis of Influencing Factors on Carbon Monoxide Utilization Rate of Blast Furnace Based on Multi-Timescale Characteristics", 《 2017 36TH CHINESE CONTROL CONFERENCE》 * |
于仲洁,陈令坤,杨天钧,左海滨,国宏伟: "武钢 1 号高炉冶炼专家系统开发的新进展", 《钢铁研究》 * |
黄娟,肖铁忠,李小汝,罗范杰: "基于模糊C均值聚类算法的温度测点优化与建模研究", 《机床与液压》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111336828A (zh) * | 2020-04-14 | 2020-06-26 | 福建三钢闽光股份有限公司 | 一种基于fcm模糊时间序列的加热炉炉温控制器 |
CN112270237A (zh) * | 2020-10-22 | 2021-01-26 | 中冶南方工程技术有限公司 | 一种高炉煤气流状态识别方法、系统及存储介质 |
CN112270237B (zh) * | 2020-10-22 | 2023-08-29 | 中冶南方工程技术有限公司 | 一种高炉煤气流状态识别方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839057B (zh) | 一种锑浮选工况识别方法及系统 | |
CN107038167A (zh) | 基于模型评估的大数据挖掘分析系统及其分析方法 | |
CN101976842B (zh) | 基于电气分区的关键断面自动获取方法 | |
CN109685289A (zh) | 高炉炉况顺行预测方法、装置及系统 | |
CN108665703B (zh) | 基于宏观基本图的路网状态转换点判别方法 | |
CN110245690A (zh) | 一种基于模糊聚类的高炉炉况识别方法与系统 | |
CN109376500A (zh) | 基于预测模型的烧结过程综合焦比在线优化方法及系统 | |
CN103047165B (zh) | 一种熔炼炉除尘风机的控制方法及其控制系统 | |
CN105787271B (zh) | 基于大数据分析技术的供热机组可调出力区间评估方法 | |
CN110210730A (zh) | 一种区域综合能源系统能效状态评价方法 | |
CN112926749A (zh) | 一种智能电网信息设备监控系统及方法 | |
CN111210170B (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN102163261A (zh) | 一种基于案例推理的钢水温度预测方法 | |
CN107818409A (zh) | 基于模糊关联规则的水泥生产参数及调节区间的优化方法 | |
CN109033511A (zh) | 一种结合数据驱动与数据挖掘的水泥窑系统热耗分析方法 | |
CN107942873B (zh) | 一种家具制造生产线的运营成本智能化核算及监控方法 | |
CN107619894A (zh) | 一种高炉操作炉型在线管理方法 | |
CN103425994A (zh) | 一种用于模式分类的特征选择方法 | |
CN110445726A (zh) | 一种基于信息熵的自适应网络流概念漂移检测方法 | |
Guder et al. | Data mining framework for power quality event characterization of iron and steel plants | |
CN111047103B (zh) | 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 | |
CN109656808A (zh) | 一种基于混合式主动学习策略的软件缺陷预测方法 | |
Yin et al. | Dynamic real–time abnormal energy consumption detection and energy efficiency optimization analysis considering uncertainty | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN107808221A (zh) | 基于案例匹配的高炉布料参数决策方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |
|
RJ01 | Rejection of invention patent application after publication |