CN110751202B - 水泥联合粉磨球磨机负荷软测量模型的建立方法及应用 - Google Patents
水泥联合粉磨球磨机负荷软测量模型的建立方法及应用 Download PDFInfo
- Publication number
- CN110751202B CN110751202B CN201910982323.8A CN201910982323A CN110751202B CN 110751202 B CN110751202 B CN 110751202B CN 201910982323 A CN201910982323 A CN 201910982323A CN 110751202 B CN110751202 B CN 110751202B
- Authority
- CN
- China
- Prior art keywords
- value
- node
- mill
- kpcm
- load
- 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
Links
Images
Classifications
-
- 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
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水泥联合粉磨球磨机负荷软测量模型的建立方法,基于模糊聚类认知网络建立,具体方法包括:确定模糊认知网络节点,节点状态值归一化表示;根据各节点之间因果关系,确定节点权值;建立节点状态值与权值和上一时刻状态值的函数关系;节点权值随系统反馈值更新;采用可能性核聚类算法计算节点状态估计值;建立软测量规则库,根据规则使用节点状态估计值代替模糊认知网络的系统反馈值。本发明还公开了应用上述模型的软测量方法。本发明的软测量技术借助易于测量的辅助变量与较难测量的主导变量之间的函数关系,实现对主导变量即磨机负荷的在线测量,能够准确地反映磨机的实际工况。
Description
技术领域
本发明涉及水泥联合粉磨领域,具体涉及一种水泥联合粉磨球磨机负荷软测量模型的建立方法及应用。
背景技术
水泥联合粉磨是目前技术最为成熟并且被大多数水泥企业采用的生产工艺,球磨机系统是水泥联合粉磨的重要组成部分。水泥联合粉磨工艺如图1所示。在水泥联合粉磨工艺中,球磨机系统的主要设备有球磨机、后选粉机、后主排风机、磨尾收尘风机以及出磨提升机等。原料在完成预粉磨之后掺入粉煤灰进入球磨机继续粉磨,由球磨机磨尾排出的物料中一部分颗粒较小的物料由收尘器3收集后进入混料机,另一部分物料通过出磨提升机送入后选粉机进行分选,小颗粒物料由收尘器2收集起来进入混料机,大颗粒物料重新进入球磨机进行粉磨。
在水泥的粉磨过程中,球磨机起着至关重要的作用,表征球磨机运行状态的指标被称为磨机负荷,是决定球磨机做功好坏的主要因素。磨机负荷会直接影响水泥的粉磨效率,从而决定着水泥生产的质量和产量。受到物理条件和工作特性的限制,磨机负荷难以准确检测。目前,在水泥厂水泥粉磨的实际生产过程中,磨机负荷主要由现场操作员根据以往经验,由与磨机负荷有关的诸多变量中的一个变量或部分变量值来进行判断,这样会存在以下问题:(1)不同操作员的操作水平不同,经验不足的操作员往往很难准确的判断磨机负荷状态;(2)磨机的负荷与诸多变量有关,往往单一的一个变量或部分变量不能准确地反映磨机的实际工况,当某个变量出现波动时,容易导致操作员误判,进行不恰当的调节,从而影响水泥生产;(3)由于球磨机系统大惯性、大滞后的特点,磨机负荷的变化在一定的时间内才能显现出来,而现场操作员很难及时的进行相应的操作,从而不能使球磨机维持在稳定的工况下;(4)对于磨机负荷的分类定义(如欠负荷、正常负荷、过负荷等)没有量化为数值,区间过于宽泛,为后续的控制带来了很大的不确定性,磨机负荷的辨识框架设定过于简单。
发明内容
为了解决上述技术问题,本发明提出了一种水泥联合粉磨球磨机负荷软测量模型的建立方法及应用,实现对主导变量即磨机负荷的在线测量,提高测量结果可信度。
为实现上述目的,本发明采用以下技术方案:
水泥联合粉磨球磨机负荷软测量模型的建立方法,其特征是,基于模糊聚类认知网络建立,具体方法包括:
确定模糊认知网络节点,节点状态值归一化表示;
根据各节点之间因果关系,确定节点权值;
建立节点状态值与权值和上一时刻状态值的函数关系;
节点权值随系统反馈值更新;
采用可能性核聚类算法计算节点状态估计值;
建立软测量规则库,根据规则使用节点状态估计值代替模糊认知网络的系统反馈值。
进一步地,所述模糊认知网络节点包括:磨机负荷、磨机电流、回料量、出磨斗提电流、磨后温度。
进一步地,磨机负荷为主导变量节点,其他节点为辅助变量节点,辅助变量节点为稳定节点,主导变量节点为输出节点。
进一步地,所述函数关系表示为:
At=f(At-1W+At-1)
其中,At是t时刻节点状态值矩阵,At-1是t-1时刻节点状态值矩阵,W是表示各节点权值的矩阵,f是阈值函数。
进一步地,所述阈值函数f=|ex-e-x/ex+e-x|。
本发明还提供了一种水泥联合粉磨球磨机负荷的软测量方法,基于模糊聚类认知网络,建立软测量模型,其特征是,具体方法包括:
1)采集数据并预处理,得到上一时刻的状态值和由专家经验给定的初始权值;
2)根据可能性核聚类算法计算得到主导变量的节点状态估计值;
3)根据上一时刻状态值和权值计算得到模糊认知网络主导变量的节点状态计算值;
4)根据软测量规则库,比较主导变量的节点状态估计值和节点状态计算值,得到软测量系统反馈值;
5)根据软测量系统反馈值对权值进行更新,当节点误差小于预设值时,进入步骤6);否则,迭代修正权值,返回步骤3);
6)得到最终磨机负荷测量值。
进一步地,所述步骤2)具体方法包括:
21)根据负荷程度将磨机负荷划分类别;
22)采用聚类中心矩阵表示辅助变量数据聚类中心,隶属度矩阵表示当前磨机负荷所属类别的可能性;根据辅助变量与主导变量的相关程度,赋予辅助变量不同的权重;
23)通过非欧氏距离表达聚类中心矩阵与隶属度矩阵的函数关系;
24)计算隶属度矩阵中的可能性最大值,其对应的磨机负荷类别即为节点状态估计值。
进一步地,所述步骤5)采用带终端约束的非线性Hebbian算法进行迭代修正。
进一步地,所述软测量规则库规则为:
当|AKPCM-AFCN|≤0.025时,Asystem=AFCN;
当0.025<AKPCM-AFCN≤0.1时,Asystem=AKPCM-0.025;
当-0.1≤AKPCM-AFCN<-0.025时,Asystem=AKPCM+0.025;
当0.1<AKPCM-AFCN≤0.2,time>30min时,Asystem=AKPCM-0.05;
当-0.2≤AKPCM-AFCN<-0.1,time>30min时,Asystem=AKPCM+0.05;
当AKPCM-AFCN>0.2,time>30min时,Asystem=AKPCM-0.1;
当AKPCM-AFCN<-0.2,time>30min时,Asystem=AKPCM+0.1;
其中,AKPCM表示节点状态估计值,AFCN表示模糊认知网络状态计算值,Asystem表示软测量系统反馈值,time表示调节时间。
本发明的有益效果是:
本发明建立水泥联合磨机负荷软测量的模型,并使用此模型对磨机负荷进行描述,相较于人工判断,软测量技术借助易于测量的辅助变量与较难测量的主导变量之间的函数关系,实现对主导变量即磨机负荷的在线测量,能够准确地反映磨机的实际工况。
本发明选取多源信号作为磨机负荷软测量的辅助变量,克服了单一信号源的软测量方法可信度不足的问题,避免因其自身的局限性和其他因素的影响出现误差,扩大检测范围。通过模糊聚类认知网络将磨机负荷量化,使其以0~1的数值的形式表现出来,将磨机负荷量化为明确数值,降低了后续控制的不确定性。
附图说明
图1是现有水泥联合粉磨工艺图;
图2是本发明水泥联合粉磨磨机负荷软测量的FCN模型;
图3是本发明磨机负荷软测量流程示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
本发明提出了一种结合模糊认知网络(Fuzzy Cognitive Network,FCN)和可能性核聚类(Kernel-based Possibilistic C-means,KPCM)的算法——模糊聚类认知网络(Fuzzy C-means Cognitive Network,FCCN),并基于模糊聚类认知网络建立水泥联合粉磨磨机负荷的软测量模型,用以在线测量磨机负荷。
模糊认知网络是一种基于模糊认知图(Fuzzy Cognitive Map,FCM)的扩展框架,是一种结合模糊数学和人工神经网络的建模理论。传统的模糊认知图是一种离线的建模方法,依赖专家经验构造认知图并确定节点间的关系权值。模糊认知网络在模糊认知图的基础上引入了系统反馈,使模型能够在线更新权值,避免因工况变化和专家经验不准确而造成误差。模糊认知网络可以表示为一个含有节点、权值的随系统反馈更新的有向图。
本发明提出了一种水泥联合粉磨球磨机负荷软测量模型的建立方法,基于模糊聚类认知网络建立,具体方法包括:
确定模糊认知网络节点,节点状态值归一化表示;
根据各节点之间因果关系,确定节点权值;
建立节点状态值与权值和上一时刻状态值的函数关系;
节点权值随系统反馈值更新;
采用可能性核聚类算法计算节点状态估计值;
建立软测量规则库,根据规则使用节点状态估计值代替模糊认知网络的系统反馈值。
模糊认知网络的节点用Ci(i=1,2,…,n)表示,C={C1,C2,…,Cn}是节点的集合。由于本发明是用于测量水泥联合粉磨磨机负荷,所以节点可以为:磨机负荷、磨机电流、回料量、出磨斗提电流、磨后温度、磨机进出口压差等。节点Ci在t时刻的状态值经过归一化之后由表示,/>各节点之间的因果关系通过权值wij(i=1,2,…,n,j=1,2,…,n)表示,wij∈[-1,1]。如果Ci与Cj之间的因果关系是正向的,则wij>0;反之,wij<0;如果Ci与Cj之间没有因果关系,则wij=0。
每一时刻节点状态值都由该节点上一时刻的状态值取值以及跟其有因果关系的节点取值决定。模糊认知网络的节点状态值可以由下式计算:
At=f(At-1W+At-1) (1)
其中,At是t时刻节点状态值矩阵(1×n维),At-1是t-1时刻节点状态值矩阵(1×n维),W是表示各节点之间的因果关系的矩阵(n×n维),f是阈值函数。
本发明以磨机负荷作为主导变量,选取磨机电流、回料量、出磨斗提电流以及磨后温度作为辅助变量建立软测量模型,软测量模型的各节点表示为:C1是磨机电流,C2是回料量,C3是出磨斗提电流,C4是磨后温度,C5是磨机负荷。其中辅助变量节点为稳定节点,主导变量节点为输出节点,水泥联合粉磨磨机负荷软测量的FCN模型如图2所示。
该模型各节点之间的因果关系可以由矩阵W表示:
引入稳定节点和输出节点的系统反馈值,式(1)可以改进为如下形式:
其中,为节点Ci在t时刻的模糊认知网络计算值,/>为节点Ci在t-1时刻的模糊认知网络计算值,/>为节点Cj在t-1时刻影响节点Ci的权值,/>是系统反馈值;f是阈值函数,本发明选取|tanh|函数,f=|ex-e-x/ex+e-x|,用以确保将节点参数计算值约束在[0,1]之内。
本发明利用上述基于模糊聚类认知网络建立的软测量模型,提出了一种水泥联合粉磨球磨机负荷的软测量方法,方法流程示意图如图3所示,具体方法包括:
1)采集数据并预处理,得到上一时刻的状态值和由专家经验给定的初始权值;
2)根据可能性核聚类算法计算得到主导变量的节点状态估计值;
3)根据上一时刻状态值和权值计算得到模糊认知网络主导变量的节点状态计算值;
4)根据软测量规则库,比较主导变量的节点状态估计值和节点状态计算值,得到软测量系统反馈值;
5)根据软测量系统反馈值对权值进行更新,当节点误差小于预设值时,进入步骤6);否则,迭代修正权值,返回步骤3);
6)得到最终磨机负荷测量值。
根据可能性核聚类计算磨机负荷状态估计值的方法如下:
设X={x1,x2,x3,x4}T为辅助变量向量,其中x1代表磨机电流、x2代表回粉量、x3代表出磨斗提电流、x4代表出磨温度。
将磨机负荷划分为21种类别,记为O=[o1,o2,…,o21]=[0,0.05,0.10,0.15,…,0.85,0.90,0.95,1],其中0表示磨机无负荷(空磨),1表示磨机满负荷(饱磨),0.5代表当前磨机负荷为50%,其他各数值各代表磨机负荷的不同程度。设P和S分别为聚类中心矩阵、隶属度矩阵,分别表示磨机负荷辅助变量数据聚类中心和磨机负荷属于某个类别的可能性。
辅助变量聚类中心矩阵可以表示为一个21×4的矩阵:
其中,pij表示第j种类型的第i个辅助变量的聚类中心(i=1,2,3,4;j=1,2,…21),聚类中心由数据分析和专家知识确定。则第j种类型的聚类中心向量可以表示为pj=[p1j,p2j,p3j,p4j]T。
隶属度矩阵:
S=[s1,s2,…,s21] (4)
为了增强聚类算法的鲁棒性,本发明采用非欧氏距离来进行计算:
其中,ρ是大于0的常数。
可能性聚类的目标函数为:
利用非线性映射Φ将辅助向量X和聚类中心矩阵pj映射到特征核空间H中,变换后的特征矢量为Φ(x)、Φ(pj)。可以采用符合Mercer条件的核函数代替原空间的内积运算,则特征核空间的非欧氏距离可以表示为:
其中,K表示核函数,K(x,pj)=(Φ(x),Φ(pj))。
本发明选取的核函数为高斯核函数,则非欧氏距离可以改写为
其中,σ为高斯指数。
对式(6)进行简化,则简化之后的目标函数为:
最小化目标函数可以得到:
令smax=max{sj|j=1,2,…,21},求得隶属度矩阵中的可能性最大值,则smax对应的类别oj即为磨机负荷当前节点状态估计值。
输出
AKPCM=oj (12)
其中,AKPCM表示节点状态估计值。
对于软测量模型的系统反馈值,本发明用可能性核聚类计算值代替模糊认知网络模型的系统反馈值,由于可能性核聚类计算值是基于磨机负荷类别的估计值,为了减少误差影响,基于专家知识建立软测量规则库。规则如下:
当|AKPCM-AFCN|≤0.025时,Asystem=AFCN;
当0.025<AKPCM-AFCN≤0.1时,Asystem=AKPCM-0.025;
当-0.1≤AKPCM-AFCN<-0.025时,Asystem=AKPCM+0.025;
当0.1<AKPCM-AFCN≤0.2,time>30min时,Asystem=AKPCM-0.05;
当-0.2≤AKPCM-AFCN<-0.1,time>30min时,Asystem=AKPCM+0.05;
当AKPCM-AFCN>0.2,time>30min时,Asystem=AKPCM-0.1;
当AKPCM-AFCN<-0.2,time>30min时,Asystem=AKPCM+0.1;
其中,AKPCM表示节点状态估计值,AFCN表示模糊认知网络状态计算值,Asystem表示软测量系统反馈值,time表示调节时间。
当其适用于磨机负荷为主导变量的磨机负荷软测量模型时,软测量规则库如下:
当KPCM计算值与FCN的计算值的差值较小时,系统反馈应当在KPCM计算值的基础上做出微调。
当KPCM计算值与FCN的计算值的差值较大时,为避免由初始权值不准确导致的误差,对调节时间做出限制。
当出现较大的差值时,以KPCM计算值为基准。
总结上述各条规则,磨机负荷软测量规则库如表1所示。
表1磨机负荷软测量规则
为了满足式(2)需要引入权值更新机制。本发明采用一种带终端约束的非线性Hebbian算法使权值进行有向的迭代修正。
其中,代表节点Cj在k+1迭代时刻影响节点Ci的权值,/>代表节点Cj在k迭代时刻影响节点Ci的权值,/>是节点Ci在k迭代时刻的模糊认知网络计算值,/>是节点Cj在k迭代时刻的模糊认知网络计算值;γ是衰减率,θ是学习率,κ是修正率,一般选取0<γ,θ,κ<0.1;/>代表节点Ci的误差。
在本发明中由于各辅助变量节点是稳定节点,不受其他因素影响,所以式(13)、(14)可以改写为
其中,j=1,2,3,4。
权值停止修正的标准为:
标准1
这里取ε=0.002;
标准2
这里取δ=0.002。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制。对于所属领域的技术人员来说,在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (3)
1.水泥联合粉磨球磨机负荷软测量模型的建立方法,其特征是,基于模糊聚类认知网络建立,具体方法包括:
1)确定模糊认知网络节点,节点状态值归一化表示;
所述模糊认知网络节点包括:磨机负荷、磨机电流、回料量、出磨斗提电流、磨后温度;
2)根据各节点之间因果关系,确定节点权值;
磨机负荷为主导变量节点,其他节点为辅助变量节点,辅助变量节点为稳定节点,主导变量节点为输出节点;
3)采集数据并预处理,得到上一时刻的状态值和由专家经验给定的初始权值;
4)根据可能性核聚类算法计算得到主导变量的节点状态估计值;
5)根据上一时刻状态值和权值计算得到模糊认知网络主导变量的节点状态计算值;
具体为:
建立节点状态值与权值和上一时刻状态值的函数关系;
所述函数关系表示为:
At=f(At-1W+At-1)
其中,At是t时刻节点状态值矩阵,At-1是t-1时刻节点状态值矩阵,W是表示各节点权值的矩阵,f是阈值函数;
6)根据软测量规则库,比较主导变量的节点状态估计值和节点状态计算值,得到软测量系统反馈值;
所述软测量规则库规则为:
当|AKPCM-AFCN|≤0.025时,Asystem=AFCN;
当0.025<AKPCM-AFCN≤0.1时,Asystem=AKPCM-0.025;
当-0.1≤AKPCM-AFCN<-0.025时,Asystem=AKPCM+0.025;
当0.1<AKPCM-AFCN≤0.2,time>30min时,Asystem=AKPCM-0.05;
当-0.2≤AKPCM-AFCN<-0.1,time>30min时,Asystem=AKPCM+0.05;
当AKPCM-AFCN>0.2,time>30min时,Asystem=AKPCM-0.1;
当AKPCM-AFCN<-0.2,time>30min时,Asystem=AKPCM+0.1;
其中,AKPCM表示节点状态估计值,AFCN表示模糊认知网络节点状态计算值,Asystem表示软测量系统反馈值,time表示调节时间;
7)根据软测量系统反馈值对权值进行更新,当节点误差小于预设值时,进入步骤8);否则,迭代修正权值,返回步骤5);
8)得到最终磨机负荷测量值。
2.根据权利要求1所述的水泥联合粉磨球磨机负荷软测量模型的建立方法,其特征是,所述阈值函数f=|ex-e-x/ex+e-x|。
3.根据权利要求1所述的水泥联合粉磨球磨机负荷软测量模型的建立方法,其特征是,所述步骤4)具体方法包括:
根据负荷程度将磨机负荷划分类别;
采用聚类中心矩阵表示辅助变量数据聚类中心,隶属度矩阵表示当前磨机负荷所属类别的可能性;根据辅助变量与主导变量的相关程度,赋予辅助变量不同的权重;
通过非欧氏距离表达聚类中心矩阵与隶属度矩阵的函数关系;
计算隶属度矩阵中的可能性最大值,其对应的磨机负荷类别即为节点状态估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982323.8A CN110751202B (zh) | 2019-10-16 | 2019-10-16 | 水泥联合粉磨球磨机负荷软测量模型的建立方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982323.8A CN110751202B (zh) | 2019-10-16 | 2019-10-16 | 水泥联合粉磨球磨机负荷软测量模型的建立方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751202A CN110751202A (zh) | 2020-02-04 |
CN110751202B true CN110751202B (zh) | 2023-03-31 |
Family
ID=69278463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910982323.8A Active CN110751202B (zh) | 2019-10-16 | 2019-10-16 | 水泥联合粉磨球磨机负荷软测量模型的建立方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751202B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112275439A (zh) * | 2020-10-14 | 2021-01-29 | 济南大学 | 水泥生料立磨压差软测量建模方法、存储介质及系统 |
CN113177358B (zh) * | 2021-04-30 | 2022-06-03 | 燕山大学 | 一种基于模糊细粒度特征提取的水泥质量软测量方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109342279B (zh) * | 2018-10-10 | 2021-10-15 | 华东理工大学 | 基于粉磨机理和神经网络的混合软测量方法 |
CN110187636A (zh) * | 2019-05-30 | 2019-08-30 | 济南大学 | 适用于水泥预粉磨过程的模型的建立方法、装置及应用 |
-
2019
- 2019-10-16 CN CN201910982323.8A patent/CN110751202B/zh active Active
Non-Patent Citations (1)
Title |
---|
工业过程软测量研究;王孝红等;《济南大学学报(自然科学版)》;20090131;第23卷(第1期);80-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110751202A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
TWI543102B (zh) | 異因分析與校正方法與系統 | |
CN111105332B (zh) | 一种基于人工神经网络的高速公路智能预养护方法及系统 | |
JP4914457B2 (ja) | 自動バーチャル測定のシステムおよびその方法 | |
CN110751202B (zh) | 水泥联合粉磨球磨机负荷软测量模型的建立方法及应用 | |
CN110543616B (zh) | 基于工业大数据的smt锡膏印刷体积预测方法 | |
CN104835103A (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN101863088A (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN114200245A (zh) | 一种配电网的线损异常识别模型的构建方法 | |
CN111461329B (zh) | 一种模型的训练方法、装置、设备及可读存储介质 | |
CN108537249A (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN110456356B (zh) | 一种面向资料同化的天气雷达径向速度质量控制方法 | |
CN112711912A (zh) | 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质 | |
CN111242266A (zh) | 一种运行数据管理系统 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN115438309A (zh) | 基于lstm-svr的无人机发动机健康评估方法 |
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 |