CN110378799B - 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 - Google Patents

基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 Download PDF

Info

Publication number
CN110378799B
CN110378799B CN201910640653.9A CN201910640653A CN110378799B CN 110378799 B CN110378799 B CN 110378799B CN 201910640653 A CN201910640653 A CN 201910640653A CN 110378799 B CN110378799 B CN 110378799B
Authority
CN
China
Prior art keywords
alumina
comprehensive production
index
layer
indexes
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
CN201910640653.9A
Other languages
English (en)
Other versions
CN110378799A (zh
Inventor
刘长鑫
徐德鹏
丁进良
柴天佑
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910640653.9A priority Critical patent/CN110378799B/zh
Priority to PCT/CN2019/096331 priority patent/WO2021007801A1/zh
Priority to EP19906600.2A priority patent/EP3792718A4/en
Priority to US16/955,490 priority patent/US11487962B2/en
Priority to JP2020541523A priority patent/JP7078294B2/ja
Publication of CN110378799A publication Critical patent/CN110378799A/zh
Application granted granted Critical
Publication of CN110378799B publication Critical patent/CN110378799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01F—COMPOUNDS OF THE METALS BERYLLIUM, MAGNESIUM, ALUMINIUM, CALCIUM, STRONTIUM, BARIUM, RADIUM, THORIUM, OR OF THE RARE-EARTH METALS
    • C01F7/00—Compounds of aluminium
    • C01F7/02—Aluminium oxide; Aluminium hydroxide; Aluminates
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B21/00—Obtaining aluminium
    • C22B21/0015—Obtaining aluminium by wet processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/40—Minimising material used in manufacturing processes
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Organic Chemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)

Abstract

本发明提供一种基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，涉及氧化铝综合生产决策技术领域。该方法主要由几个子模型组成：反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型；反映氧化铝上层调度指标对氧化铝综合生产指标影响的全连接神经网络预报子模型；反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型；及协同优化子模型参数的多尺度信息神经网络集成模型；该方法通过这种集成的预报模型结构同时利用浅层网络的记忆能力与深层网络的特征提取能力，实现对氧化铝生产指标的精确决策。

Description

基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
技术领域
本发明涉及氧化铝综合生产决策技术领域，尤其涉及一种基于多尺度深度卷积网络的氧化铝综合生产指标决策方法。
背景技术
铝及其合金具有许多优良的性能，同时，铝的资源很丰富，因此铝工业自问世以来发展十分迅速。大型化的设备有利于工艺过程的自动检测和控制，以微机和计算机为基础的生产控制和管理系统为氧化铝厂提高劳动生产率、降低原材料消耗和节能提供了巨大的潜力。
尽管相关企业在氧化铝冶炼技术方面进行了项目改良和升级，但是，依旧存在原料质量差、项目能耗高以及产品质量不足的问题，产品多数都是中间状态的氧化铝就会对整体技术应用管理造成影响，制约产品结构。
传统氧化铝生产过程中，很多控制指标主要依赖管理者、调度员、工程师等知识型工作者人工凭经验进行设定，生产系统不能运行在优化条件下。
同时，对于氧化铝生产产生的大量数据，利用传统机器学习算法，很难对大量数据中存在的信息进行有效挖掘。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，实现对氧化铝综合生产的管理决策。
为解决上述技术问题，本发明所采取的技术方案是：基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，包括以下步骤：
步骤1、采氧化铝生产过程中产生的生产指标数据，利用样本划分算法将采集到的生产指标数据划分为训练集、验证集和测试集，通过数据预处理算法将数据进行预处理，得到能够进行建模的数据；
步骤2、构建反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型；
将一段时间内与最终氧化铝综合生产指标密切相关的氧化铝生产过程指标的采样值组成信息矩阵，表示如下：
Yd＝[v(kv),v(kv-1),v(kv-2),…,v(kv-nk)]
其中，Yd为反映底层生产过程指标影响的多尺度深度拼接卷积网络预报子模型的输入，其中隐含了底层过程生产指标对最终氧化铝综合生产指标的影响的特征信息，其大小为lp×nk，lp为底层过程生产指标个数，nk为一段时间内底层过程生产指标的采样次数，v(kv)为任一底层过程生产指标，kv代表某一采样时刻；
所述底层生产过程指标包括：入磨AO、A/S，调矿NK，调矿固含，石灰有效钙，原矿浆固含、原矿浆细度，溶出赤泥A/S，溶出赤泥N/S，外排A/S，溶出ak，溶出固含，精液Nk，精液ak，精液浮游物，粗液浮游物，循环母液Nc/Nt、Nk，循环效率，种分母液浮游物，种分末槽ak，分解率，平盘滤饼附水、附碱，平母浮游物，分解母液ak及赤泥滤饼含水量；
所述反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型包括3个多尺度卷积层、3个池化层、1个普通卷积层、1个全连接层和输出变换层；
所述多尺度卷积层同时使用3个尺寸的卷积核并行进行卷积操作，并将得到的多尺度特征拼接在一起作为下一层的输入；在卷积过程中，卷积核大小为k′×k′,k′＝1,3,5，移动步幅为1，卷积时填充补全方式为k′/2补全，保证在每种卷积核尺寸下得到的输出特征尺寸是一致的；
所述多尺度卷积层的输出分为两部分，一部分输出通过将不同卷积核尺寸下得到多尺度特征拼接在一起的方式得到，并作为下一层的输入；另一部分输出通过优化选择方式得到，首先计算每种尺度特征下对应的输出，然后选择使得输出最大化对应的尺度特征作为该层的最优尺度特征作为输出，并直接连接到最后的全连接层；
所述普通卷积层中卷积核大小为1×1；每个池化层中降采样方式为Max池化，移动步幅和降采样比均为sr＝2；所有卷积层均采用ReLU激活函数；
全连接层通过各个卷积层最优尺度特征通过跨层拼接方式得到，其包含各个抽象级别下的最优尺度特征；
步骤3、构建反映氧化铝上层调度指标对氧化铝综合生产指标影响的全连接神经网络预报子模型；
将一段时间内上层调度指标的采样值组成信息矩阵，表示如下：
Xd＝[q(kq),q(kq-1),q(kq-2),…,q(kq-nh)]
其中，Xd作为反映上层调度指标对氧化铝综合生产指标影响的预报子模型的输入，其大小为lh×nh，lh为上层调度指标个数，nh为一段时间内上层调度指标的采样次数，q(kq)为任一上层调度指标，kq代表某一采样时刻；
所述氧化铝上层调度指标包括：进料量，碱液总存储量，隔膜泵，辊磨机，球磨机，叶滤机，取料机，立盘，外排泵，蒸发器，焙烧炉运时，加碱液量，全天下灰量，溶出总进料量，破矿量及全天下矿；
该全连接神经网络预报子模型采用单层全连接神经网络，全连接网络节点数与上层调度指标数一致，激活函数选择Sigmoid激活函数；
步骤4、构建反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型；
步骤4.1、定义历史工况样本集：采用初始生产条件与上层调度指标的Xd简化表示生产工况{Xd，Yd}，同时将其对应的氧化铝综合生产指标组成历史工况样本集
Figure GDA0003523279490000032
其中，d＝1,2,…,nd；
所述氧化铝综合生产指标包括商品氧化铝产量，实际氧化铝产量，氢氧化铝产量，氧化铝碱耗，氧化铝能耗及氧化铝品级率；
步骤4.2、历史工况分组：
首先，采用基于高斯混合模型的自动聚类方法，得到历史工况的分类；将上述聚类结果表示为
Figure GDA0003523279490000033
其中lc为得到的历史工况分类的个数；
步骤4.3、对与当前工况相关的过去时刻氧化铝综合生产指标进行搜索，得到既包含过去时刻的氧化铝综合生产指标，且包含氧化铝综合生产指标历史生产工况与当前工况的相关性信息的氧化铝综合生产指标信息；
采用高斯核函数对要选择与当前工况相关的过去时刻氧化铝综合生产指标进行相关性度量，如下公式所示：
Figure GDA0003523279490000031
其中，K(d(·))为核函数，d(·)表示欧氏距离；
给定d时刻生产工况Xd，首先，计算该工况分到现有各历史工况分类的概率，记结果为P＝{pi(Xd|ci)},i＝1,2,…,lc；然后，在取得概率最大值的工况分类中，采用k近邻算法选择该分类工况下前lk个工况，记为：
Figure GDA0003523279490000041
其中，cj表示第j个历史工况分类，满足pj＝max(P)；
记剩余工况分类的中心点为：
Figure GDA0003523279490000042
使用δd表示d时刻工况Xd与其相关历史工况
Figure GDA0003523279490000043
内各工况的相关性组成的向量；将d时刻工况相关历史工况
Figure GDA0003523279490000044
对应的氧化铝综合生产指标信息zd、δd以及各历史工况对应的分类概率pd合并到一起，记为：
Zd＝[zd,δd,pd]
其中，Zd作为反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型的输入，其大小为(lc+lk-1)×3；Zd中不只包含过去时刻的氧化铝综合生产指标，而且包含了氧化铝综合生产指标历史生产工况与当前工况的相关性信息；
该子模型采用单层全连接神经网络，全连接网络节点数与输入变量大小一致，激活函数选择Sigmoid激活函数；
步骤5、构建协同优化子模型参数的多尺度信息神经网络集成模型；
所述集成模型由单层神经网组成，其中，输入源变量个数为3，对应上述步骤2-步骤4建立的3个预报子模型的输出，输出变量个数为1，表示氧化铝综合生产指标预报值；输出节点的非线性激活函数选择Sigmoid；所述集成模型根据氧化铝综合生产指标预报误差损失函数的梯度信息，同时训练上述三个预报子模型网络参数，即模型的训练误差会同时反向传播到反映各类信息对氧化铝综合生产指标影响作用的预报子模型的输入层，每类输入信息的权重同时受到其它输入信息对模型训练误差的共同影响，从而实现了不同时间尺度信息对氧化铝综合生产指标影响作用权重的协同优化，同时降低了预报模型的复杂度；
联合训练过程中，多尺度深度拼接卷积网络预报子模型参数更新选择AdaGrad算法，其余两个单层的全连接神经网络子模型的参数更新算法均选择随机梯度下降方法；
步骤6、利用建立好的模型进行氧化铝综合生产指标优化决策；
根据针对氧化铝综合生产指标建立的一个或多个模型进行单目标或多目标的优化决策；给出决策变量的边界条件，利用单目标或多目标优化算法进行优化决策，得到氧化铝氧化铝综合生产指标优化决策结果。
采用上述技术方案所产生的有益效果在于：本发明提供的基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，能充分发掘氧化铝生产过程中产生数据中的有效信息，实现了利用不同时间尺度信息对氧化铝生产指标影响作用权重的协同优化，使得建立的预报模型精度大幅提高。能够实现氧化铝生产过程中各种资源的有效调度，减少资源浪费，提高氧化铝生产的生产质量和效益。
附图说明
图1为本发明实施例提供的一种基于多尺度深度卷积网络的氧化铝综合生产指标决策方法的流程图；
图2为本发明实施例提供的多尺度卷积层示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，一种基于深度卷积网络的氧化铝综合生产指标决策方法，如图1所示，包括以下步骤：
步骤1、采氧化铝生产过程中产生的生产指标数据，利用样本划分算法将采集到的生产指标数据划分为训练集、验证集和测试集，通过数据预处理算法将数据进行预处理，得到能够进行建模的数据；
本实施例中，采集一个月内的氧化铝生产过程中的底层生产过程指标数据如表1所示：
表1底层生产过程指标数据
Figure GDA0003523279490000051
Figure GDA0003523279490000061
本实施例中，采集一个月内的氧化铝生产过程中产生的上层调度指标数据，如表2所示：
表2上层调度指标数据表
Figure GDA0003523279490000071
本实施例中，采集一月内的氧化铝生产过程中产生的实际氧化铝产量数据如表3所示：
表3实际氧化铝产量数据
时间序列 1 2 3 4 5 6 7 8 9 10
氧化铝产量 6849 6621 6393 6315 6191 6035 6039 6154 6086 6153
时间序列 … 292 293 294 295 296 297 298 299 300
氧化铝产量 … 6055 5873 6231 6063 6160 6091 6092 6238 6396
步骤2、构建反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型；
将一段时间内与最终氧化铝综合生产指标密切相关的氧化铝生产过程指标的采样值组成信息矩阵，表示如下：
Yd＝[v(kv),v(kv-1),v(kv-2),…,v(kv-nk)]
其中，Yd为反映底层生产过程指标影响的多尺度深度拼接卷积网络预报子模型的输入，其中隐含了底层过程生产指标对最终氧化铝综合生产指标的影响的特征信息，其大小为lp×nk，lp为底层过程生产指标个数，nk为一段时间内底层过程生产指标的采样次数，v(kv)为任一底层过程生产指标，kv代表某一采样时刻；
所述底层生产过程指标包括：入磨AO、A/S，调矿NK，调矿固含，石灰有效钙，原矿浆固含、原矿浆细度，溶出赤泥A/S，溶出赤泥N/S，外排A/S，溶出ak，溶出固含，精液Nk，精液ak，精液浮游物，粗液浮游物，循环母液Nc/Nt、Nk，循环效率，种分母液浮游物，种分末槽ak，分解率，平盘滤饼附水、附碱，平母浮游物，分解母液ak及赤泥滤饼含水量；
在一段时间内，采样得到的过程信息矩阵中，各生产过程指标按照前后工序依次排列，同时采样时间按照生产进行方向排列，该过程信息矩阵的空间位置关系反映了生产过程指标的空间分布，同时隐含了与对氧化铝综合生产指标影响的时滞等特征信息；
所述反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型包括3个多尺度卷积层、3个池化层、1个普通卷积层、1个全连接层和输出变换层；其中，3个多尺度卷积层结构如图2所示。
所述多尺度卷积层同时使用3个尺寸的卷积核并行进行卷积操作，并将得到的多尺度特征拼接在一起作为下一层的输入；在卷积过程中，卷积核大小为k′×k′,k′＝1,3,5，移动步幅为1，卷积时填充补全方式为k′/2补全，保证在每种卷积核尺寸下得到的输出特征尺寸是一致的；
所述多尺度卷积层的输出分为两部分，一部分输出通过将不同卷积核尺寸下得到多尺度特征拼接在一起的方式得到，并作为下一层的输入；另一部分输出通过优化选择方式得到，首先计算每种尺度特征下对应的输出，然后选择使得输出最大化对应的尺度特征作为该层的最优尺度特征作为输出，并直接连接到最后的全连接层；
所述普通卷积层中卷积核大小为1×1；每个池化层中降采样方式为Max池化，移动步幅和降采样比均为sr＝2；所有卷积层均采用ReLU激活函数；
全连接层通过各个卷积层最优尺度特征通过跨层拼接方式得到，其包含各个抽象级别下的最优尺度特征；有利于提高反映生产过程指标对氧化铝综合生产指标影响的预报子模型精度；
本实施例中，利用留出法对底层生产过程指标样本数据进行样本划分，并对数据进行归一化处理，利用处理好的数据训练多尺度深度拼接卷积网络预报子模型；其中卷积核大小分别为1*1、3*3、5*5；池化降采样比和幅度相同均设置为2；4个卷积层的特征数分别为16，32，64，32。为避免梯度消失问题，多尺度深度拼接卷积网络中非线性激活函数选择ReLU。
步骤3、构建反映氧化铝上层调度指标对氧化铝综合生产指标影响的全连接神经网络预报子模型；
将一段时间内上层调度指标的采样值组成信息矩阵，表示如下：
Xd＝[q(kq),q(kq-1),q(kq-2),…,q(kq-nh)]
其中，Xd作为反映上层调度指标对氧化铝综合生产指标影响的预报子模型的输入，其大小为lh×nh，lh为上层调度指标个数，nh为一段时间内上层调度指标的采样次数，q(kq)为任一上层调度指标，kq代表某一采样时刻；
所述氧化铝上层调度指标包括：进料量，碱液总存储量，隔膜泵，辊磨机，球磨机，叶滤机，取料机，立盘，外排泵，蒸发器，焙烧炉运时，加碱液量，全天下灰量，溶出总进料量，破矿量及全天下矿；
该全连接神经网络预报子模型采用单层全连接神经网络，全连接网络节点数与上层调度指标数一致，激活函数选择Sigmoid激活函数；
本实施例中，利用留出法对采集的氧化铝上层调度指标样本数据进行样本划分，并对数据进行归一化处理，利用处理好的数据输入全连接神经网络，其中激活函数选择Sigmoid以加快训练速度。
步骤4、构建反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型；
步骤4.1、定义历史工况样本集：考虑到实际计算的复杂性，采用包含主要信息的初始生产条件与上层调度指标的Xd简化表示生产工况{Xd，Yd}，同时将其对应的氧化铝综合生产指标组成历史工况样本集
Figure GDA0003523279490000091
其中，d＝1,2,…,nd；
所述氧化铝综合生产指标包括商品氧化铝产量，实际氧化铝产量，氢氧化铝产量，氧化铝碱耗，氧化铝能耗及氧化铝品级率；
步骤4.2、历史工况分组：
首先，采用基于高斯混合模型的自动聚类方法，得到历史工况的分类；相比其它方法(如k-means等)，该方法的优势在于可以同时输出某一工况属于不同工况分类的概率。相比于只给出是否属于某一工况分类的单一判断，输出概率显然包含了更多的信息量。高斯混合模型和K-means等方法一样，并不能保证总能得到全局最优解，而且每次迭代计算的复杂度高。因此，具体实现过程中，先采用AFK-MC2算法得到粗糙的工况分类的中心点，然后，将其作为初值传入到高斯混合模型聚类方法中，进行精细迭代，从而在聚类质量和计算速度上得到良好均衡；将上述聚类结果表示为
Figure GDA0003523279490000103
其中lc为得到的历史工况分类的个数；
本实施例中，采用基于高斯混合模型的自动聚类方法，得到历史工况的分类，先采用AFK-MC2算法得到粗糙的工况分类的中心点，然后，将其作为初值传入到高斯混合模型聚类方法中，进行精细迭代，从而在聚类质量和计算速度上得到良好均衡。其中自动聚类个数为5。
步骤4.3、对与当前工况相关的过去时刻氧化铝综合生产指标进行搜索，得到既包含过去时刻的氧化铝综合生产指标，且包含氧化铝综合生产指标历史生产工况与当前工况的相关性信息的氧化铝综合生产指标信息；
采用高斯核函数对要选择与当前工况相关的过去时刻氧化铝综合生产指标进行相关性度量，如下公式所示：
Figure GDA0003523279490000101
其中，K(d(·))为核函数，d(·)表示欧氏距离；
给定d时刻生产工况Xd，首先，计算该工况分到现有各历史工况分类的概率，记结果为P＝{pi(Xd|ci)},i＝1,2,…,lc；然后，在取得概率最大值的工况分类中，采用k近邻算法选择该分类工况下前lk个工况，记为：
Figure GDA0003523279490000102
其中，cj表示第j个历史工况分类，满足pj＝max(P)；本实施例中，lk＝5；
记剩余工况分类的中心点为：
Figure GDA0003523279490000111
使用δd表示d时刻工况Xd与其相关历史工况
Figure GDA0003523279490000112
内各工况的相关性组成的向量；将d时刻工况相关历史工况
Figure GDA0003523279490000113
对应的氧化铝综合生产指标信息zd、δd以及各历史工况对应的分类概率pd合并到一起，记为：
Zd＝[zd,δd,pd]
其中，Zd作为反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型的输入，其大小为(lc+lk-1)×3；Zd中不只包含过去时刻的氧化铝综合生产指标，而且包含了氧化铝综合生产指标历史生产工况与当前工况的相关性信息；
该子模型采用单层全连接神经网络，全连接网络节点数与输入变量大小一致，激活函数选择Sigmoid激活函数，以加快训练速度；
步骤5、构建协同优化子模型参数的多尺度信息神经网络集成模型；
所述集成模型由单层神经网组成，其中，输入源变量个数为3，对应上述步骤2-步骤4建立的3个预报子模型的输出，输出变量个数为1，表示氧化铝综合生产指标预报值；输出节点的非线性激活函数选择Sigmoid；所述集成模型根据氧化铝综合生产指标预报误差损失函数的梯度信息，同时训练上述三个预报子模型网络参数，即模型的训练误差会同时反向传播到反映各类信息对氧化铝综合生产指标影响作用的预报子模型的输入层，每类输入信息的权重同时受到其它输入信息对模型训练误差的共同影响，从而实现了不同时间尺度信息对氧化铝综合生产指标影响作用权重的协同优化，同时降低了预报模型的复杂度；
联合训练过程中，多尺度深度拼接卷积网络预报子模型参数更新选择AdaGrad算法，其余两个单层的全连接神经网络子模型的参数更新算法均选择随机梯度下降方法；
步骤6、利用建立好的模型进行氧化铝综合生产指标优化决策；
根据针对氧化铝综合生产指标建立的一个或多个模型进行单目标或多目标的优化决策；给出决策变量的边界条件，利用单目标或多目标优化算法进行优化决策，得到氧化铝氧化铝综合生产指标优化决策结果。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，其特征在于：包括以下步骤：
步骤1、采氧化铝生产过程中产生的生产指标数据，利用样本划分算法将采集到的生产指标数据划分为训练集、验证集和测试集，通过数据预处理算法将数据进行预处理，得到能够进行建模的数据；
步骤2、构建反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型；
将一段时间内与最终氧化铝综合生产指标密切相关的氧化铝生产过程指标的采样值组成信息矩阵，表示如下：
Yd＝[v(kv),v(kv-1),v(kv-2),…,v(kv-nk)]
其中，Yd为反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型的输入，其中隐含了底层过程生产指标对最终氧化铝综合生产指标的影响的特征信息，其大小为lp×nk，lp为底层过程生产指标个数，nk为一段时间内底层过程生产指标的采样次数，v(kv)为任一底层过程生产指标，kv代表某一采样时刻；
所述反映底层生产过程指标对氧化铝综合生产指标影响的多尺度深度拼接卷积网络预报子模型包括3个多尺度卷积层、3个池化层、1个普通卷积层、1个全连接层和输出变换层；
步骤3、构建反映氧化铝上层调度指标对氧化铝综合生产指标影响的全连接神经网络预报子模型；
将一段时间内上层调度指标的采样值组成信息矩阵，表示如下：
Xd＝[q(kq),q(kq-1),q(kq-2),…,q(kq-nh)]
其中，Xd作为反映上层调度指标对氧化铝综合生产指标影响的预报子模型的输入，其大小为lh×nh，lh为上层调度指标个数，nh为一段时间内上层调度指标的采样次数，q(kq)为任一上层调度指标，kq代表某一采样时刻；
所述全连接神经网络预报子模型采用单层全连接神经网络，全连接网络节点数与上层调度指标数一致，激活函数选择Sigmoid激活函数；
步骤4、构建反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型；
步骤4.1、定义历史工况样本集：采用初始生产条件与上层调度指标的Xd简化表示生产工况{Xd，Yd}，同时将其对应的氧化铝综合生产指标组成历史工况样本集
Figure FDA0003613677160000021
其中，d＝1,2,…,nd；
步骤4.2、历史工况分组：
首先，采用基于高斯混合模型的自动聚类方法，得到历史工况的分类；将上述聚类结果表示为C＝{c1,…,clc}，其中lc为得到的历史工况分类的个数；
步骤4.3、对与当前工况相关的过去时刻氧化铝综合生产指标进行搜索，得到既包含过去时刻的氧化铝综合生产指标，且包含氧化铝综合生产指标历史生产工况与当前工况的相关性信息的氧化铝综合生产指标信息；
该子模型采用单层全连接神经网络，全连接网络节点数与输入变量大小一致，激活函数选择Sigmoid激活函数；
采用高斯核函数对要选择与当前工况相关的过去时刻氧化铝综合生产指标进行相关性度量，如下公式所示：
Figure FDA0003613677160000022
其中，K(d(·))为核函数，d(·)表示欧氏距离；
给定d时刻生产工况Xd，首先，计算该工况分到现有各历史工况分类的概率，记结果为P＝{pi(Xd|ci)},i＝1,2,…,lc；然后，在取得概率最大值的工况分类中，采用k近邻算法选择该分类工况下前lk个工况，记为：
Figure FDA0003613677160000023
其中，cj表示第j个历史工况分类，满足pj＝max(P)；
记剩余工况分类的中心点为：
Figure FDA0003613677160000024
使用δd表示d时刻工况Xd与其相关历史工况
Figure FDA0003613677160000025
内各工况的相关性组成的向量；将d时刻工况相关历史工况
Figure FDA0003613677160000026
对应的氧化铝综合生产指标信息zd、δd以及各历史工况对应的分类概率pd合并到一起，记为：
Zd＝[zd,δd,pd]
其中，Zd作为反映过去时刻氧化铝综合生产指标对当前氧化铝综合生产指标影响的全连接神经网络预报子模型的输入，其大小为(lc+lk-1)×3；Zd中不只包含过去时刻的氧化铝综合生产指标，而且包含了氧化铝综合生产指标历史生产工况与当前工况的相关性信息；
步骤5、构建协同优化子模型参数的多尺度信息神经网络集成模型；
所述集成模型由单层神经网组成，其中，输入源变量个数为3，对应上述步骤2-步骤4建立的3个预报子模型的输出，输出变量个数为1，表示氧化铝综合生产指标预报值；输出节点的非线性激活函数选择Sigmoid；所述集成模型根据氧化铝综合生产指标预报误差损失函数的梯度信息，同时训练上述三个预报子模型网络参数，即模型的训练误差会同时反向传播到反映各类信息对氧化铝综合生产指标影响作用的预报子模型的输入层，每类输入信息的权重同时受到其它输入信息对模型训练误差的共同影响，从而实现了不同时间尺度信息对氧化铝综合生产指标影响作用权重的协同优化，同时降低了预报模型的复杂度；
步骤6、利用建立好的模型进行氧化铝综合生产指标优化决策；
根据针对氧化铝综合生产指标建立的一个或多个模型进行单目标或多目标的优化决策；给出决策变量的边界条件，利用单目标或多目标优化算法进行优化决策，得到氧化铝综合生产指标优化决策结果。
2.根据权利要求1所述的基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，其特征在于：步骤2所述底层生产过程指标包括：入磨氧化铝含量、铝硅比，调矿苛性碱浓度，调矿固含量，石灰有效钙含量，原矿浆固含量，原矿浆细度，溶出赤泥铝硅比，溶出赤泥钠硅比，外排铝硅比，溶出苛性比值，溶出固含量，精液苛性碱浓度，精液苛性比值，精液浮游物含量，粗液浮游物含量，循环母液碳碱全碱比浓度，循环母液苛性碱浓度，循环效率，种分母液浮游物含量，种分末槽苛性比值，分解率，平盘滤饼附水、附碱量，平母浮游物含量，分解母液苛性比值及赤泥滤饼含水量。
3.根据权利要求1所述的基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，其特征在于：步骤2所述多尺度卷积层同时使用3个尺寸的卷积核并行进行卷积操作，并将得到的多尺度特征拼接在一起作为下一层的输入；在卷积过程中，卷积核大小为k×k,k＝1,3,5，移动步幅为1，卷积时填充补全方式为k′/2补全，保证在每种卷积核尺寸下得到的输出特征尺寸是一致的；
所述多尺度卷积层的输出分为两部分，一部分输出通过将不同卷积核尺寸下得到多尺度特征拼接在一起的方式得到，并作为下一层的输入；另一部分输出通过优化选择方式得到，首先计算每种尺度特征下对应的输出，然后选择使得输出最大化对应的尺度特征作为该层的最优尺度特征作为输出，并直接连接到最后的全连接层；
所述普通卷积层中卷积核大小为1×1；每个池化层中降采样方式为Max池化，移动步幅和降采样比均为sr＝2；所有卷积层均采用ReLU激活函数；
全连接层通过各个卷积层最优尺度特征通过跨层拼接方式得到，其包含各个抽象级别下的最优尺度特征。
4.根据权利要求1所述的基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，其特征在于：步骤3所述氧化铝上层调度指标包括：进料量，碱液总存储量，隔膜泵、辊磨机、球磨机、叶滤机、取料机、立盘、外排泵、蒸发器和焙烧炉的运行时间，加碱液量，全天下灰量，溶出总进料量，破矿量及全天下矿量。
5.根据权利要求1所述的基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，其特征在于：步骤4所述氧化铝综合生产指标包括商品氧化铝产量，实际氧化铝产量，氢氧化铝产量，氧化铝碱耗，氧化铝能耗及氧化铝品级率。
6.根据权利要求1所述的基于多尺度深度卷积网络的氧化铝综合生产指标决策方法，其特征在于：步骤5所述构建的协同优化子模型参数的多尺度信息神经网络集成模型在联合训练过程中，多尺度深度拼接卷积网络预报子模型参数更新选择AdaGrad算法，其余两个单层的全连接神经网络子模型的参数更新算法均选择随机梯度下降方法。
CN201910640653.9A 2019-07-16 2019-07-16 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 Active CN110378799B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910640653.9A CN110378799B (zh) 2019-07-16 2019-07-16 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
PCT/CN2019/096331 WO2021007801A1 (zh) 2019-07-16 2019-07-17 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
EP19906600.2A EP3792718A4 (en) 2019-07-16 2019-07-17 DECISION-MAKING PROCEDURE FOR A COMPREHENSIVE PRODUCTION INDEX OF ALUMINUM OXIDE BASED ON A MULTI-SCALE DEEP FOLDING NETWORK
US16/955,490 US11487962B2 (en) 2019-07-16 2019-07-17 Decision-making method of comprehensive alumina production indexes based on multi-scale deep convolutional network
JP2020541523A JP7078294B2 (ja) 2019-07-16 2019-07-17 マルチスケール深層畳み込みニューラルネットワークに基づくアルミナ総合生産指標の決定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640653.9A CN110378799B (zh) 2019-07-16 2019-07-16 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法

Publications (2)

Publication Number Publication Date
CN110378799A CN110378799A (zh) 2019-10-25
CN110378799B true CN110378799B (zh) 2022-07-12

Family

ID=68253418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640653.9A Active CN110378799B (zh) 2019-07-16 2019-07-16 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法

Country Status (5)

Country Link
US (1) US11487962B2 (zh)
EP (1) EP3792718A4 (zh)
JP (1) JP7078294B2 (zh)
CN (1) CN110378799B (zh)
WO (1) WO2021007801A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10231770B2 (en) 2015-01-09 2019-03-19 Medtronic Holding Company Sárl Tumor ablation system
CN110866659B (zh) * 2019-12-09 2023-08-15 东北大学 一种拜耳法氧化铝生产高压管道溶出过程中苛性比值在线预测方法
US11484355B2 (en) 2020-03-02 2022-11-01 Medtronic Holding Company Sàrl Inflatable bone tamp and method for use of inflatable bone tamp
CN112861071B (zh) * 2021-02-05 2022-09-02 哈尔滨工程大学 一种基于深度自编码的高铁牵引系统异常检测方法
CN113608506B (zh) * 2021-06-18 2022-10-25 东北大学 一种氧化铝运行指标的智能检测装置
CN113642448B (zh) * 2021-08-09 2024-01-26 中国人民解放军海军航空大学航空作战勤务学院 一种空中平台对海/地面机动目标的图像识别方法和装置
CN113674844A (zh) * 2021-08-19 2021-11-19 浙江远图互联科技股份有限公司 基于多头cnn网络的医院门诊人流量预测及分诊系统
CN113762609A (zh) * 2021-08-27 2021-12-07 浙江天垂科技有限公司 产品质量预测方法及装置
CN114912074A (zh) * 2022-04-07 2022-08-16 华北电力大学 基于数据空间多价值链统计分析制造业生产智能计算方法
CN114519311B (zh) * 2022-04-21 2022-07-22 中国海洋大学 全港池波浪有效波高的预测方法、系统、存储介质、应用
CN114781875A (zh) * 2022-04-25 2022-07-22 四川中电启明星信息技术有限公司 一种基于深度卷积网络的微电网经济运行状态评估方法
CN114781280B (zh) * 2022-06-21 2022-09-30 烟台国工智能科技有限公司 基于循环神经网络的交互式收率优化方法及系统
CN115619050B (zh) * 2022-12-19 2023-03-28 绵阳丰瑞尚雅木业有限公司 一种防火铝木饰面板加工质量预测方法、系统及存储介质
CN117077979B (zh) * 2023-10-13 2023-12-26 江苏甬金金属科技有限公司 一种钛带生产管理方法及系统
CN117236571B (zh) * 2023-11-14 2024-01-12 北京南天智联信息科技股份有限公司 一种基于物联网的规划方法和系统
CN117436771B (zh) * 2023-12-20 2024-03-08 天津撒布浪斯探测仪器有限公司 蠕墨铸铁制品的智能在线质量监测与优化控制系统
CN117575581B (zh) * 2024-01-16 2024-04-26 江苏中凯金属科技有限公司 一种用于废旧铝材回收的铝棒生产方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096632A (zh) * 2016-06-02 2016-11-09 哈尔滨工业大学 基于深度学习和mri图像的心室功能指标预测方法
CN106991646A (zh) * 2017-03-28 2017-07-28 福建帝视信息科技有限公司 一种基于密集连接网络的图像超分辨率方法
CN108469797A (zh) * 2018-04-28 2018-08-31 东北大学 一种基于神经网络和进化计算的磨矿过程建模方法
CN109033561A (zh) * 2018-07-05 2018-12-18 平安煤炭开采工程技术研究院有限责任公司 矿井通风系统抗灾能力评价方法及装置
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105467946B (zh) 2015-02-05 2018-04-20 贵阳铝镁设计研究院有限公司 一种铝电解生产精确感知与智能决策方法及mes系统
CN105259790B (zh) 2015-11-16 2018-03-06 中南大学 一种氧化铝生产蒸发过程多参数数据的时间配准方法
CN105483310B (zh) 2015-11-23 2017-05-10 东北大学 一种面向全流程生产的炼钢组批与排产方法
JP6639987B2 (ja) 2016-03-29 2020-02-05 太平洋セメント株式会社 セメントの品質または製造条件の予測方法
JP6889173B2 (ja) 2016-09-30 2021-06-18 株式会社Uacj アルミニウム製品の特性予測装置、アルミニウム製品の特性予測方法、制御プログラム、および記録媒体
JP6922675B2 (ja) 2017-11-09 2021-08-18 日本製鉄株式会社 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム
CN108873737B (zh) 2018-07-18 2020-12-25 东北大学 一种基于m-hstpn模型的自动分拣控制与决策系统
CN109376939B (zh) 2018-11-01 2021-08-10 三峡大学 一种基于自适应神经网络的电网稳定性实时预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096632A (zh) * 2016-06-02 2016-11-09 哈尔滨工业大学 基于深度学习和mri图像的心室功能指标预测方法
CN106991646A (zh) * 2017-03-28 2017-07-28 福建帝视信息科技有限公司 一种基于密集连接网络的图像超分辨率方法
CN108469797A (zh) * 2018-04-28 2018-08-31 东北大学 一种基于神经网络和进化计算的磨矿过程建模方法
CN109033561A (zh) * 2018-07-05 2018-12-18 平安煤炭开采工程技术研究院有限责任公司 矿井通风系统抗灾能力评价方法及装置
CN109086700A (zh) * 2018-07-20 2018-12-25 杭州电子科技大学 基于深度卷积神经网络的雷达一维距离像目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Multi-scale convolutional neural networks for crowd counting";Lingke Zeng 等;《 2017 IEEE International Conference on Image Processing (ICIP)》;20180222;第465-469页 *
"深度卷积神经网络的发展及其在计算机视觉领域的应用";张顺 等;《计算机学报》;20170918;第42卷(第3期);第453-482页 *

Also Published As

Publication number Publication date
CN110378799A (zh) 2019-10-25
JP2021534055A (ja) 2021-12-09
US20210192272A1 (en) 2021-06-24
EP3792718A1 (en) 2021-03-17
EP3792718A4 (en) 2021-05-05
WO2021007801A1 (zh) 2021-01-21
US11487962B2 (en) 2022-11-01
JP7078294B2 (ja) 2022-05-31

Similar Documents

Publication Publication Date Title
CN110378799B (zh) 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法
CN109300111B (zh) 一种基于深度学习的染色体识别方法
CN103745273A (zh) 一种半导体制造过程的多性能预测方法
CN113256066A (zh) 基于PCA-XGBoost-IRF的作业车间实时调度方法
CN112819802B (zh) 基于风口信息深度学习的监督及预测高炉炉况异常的方法
CN111723738A (zh) 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统
CN101271572A (zh) 基于免疫克隆选择聚类的图像分割方法
CN110119747A (zh) 一种基于x射线图像的煤矸识别方法
CN111340306A (zh) 一种面向智能制造的机床设备优化方法
CN111709942B (zh) 一种基于纹理度优化的锌浮选加药量预测控制方法
CN105046323B (zh) 一种正则化rbf网络多标签分类方法
CN104572985A (zh) 一种基于复杂网络社区发现的工业数据样本筛选方法
CN113591905A (zh) 基于双层注意力机制和对抗学习的深度学习时序聚类方法
CN107992945A (zh) 基于深度学习和进化计算的特征基因选择方法
CN111507365A (zh) 一种基于模糊聚类的置信规则自动生成方法
CN115204035A (zh) 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质
Chu et al. Co-training based on semi-supervised ensemble classification approach for multi-label data stream
CN106845696B (zh) 一种智能优化水资源配置方法
Li et al. The method of reagent control based on time series distribution of bubble size in a gold‐antimony flotation process
CN109409394A (zh) 一种基于半监督聚类的cop-kmeans方法与系统
CN115619033A (zh) 基于工业互联网的采购供应链一体化优化方法和设备
CN108520087B (zh) 一种机械结构异类多目标性能的稳健性度量与均衡优化设计方法
CN116467911B (zh) 基于多工况信息融合的蒸发过程出口溶液浓度估算方法
CN113743652B (zh) 一种基于深度特征识别的甘蔗压榨过程预测方法
CN114970343A (zh) 一种基于搜索空间变动的水泥粉磨过程多目标优化方法

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