CN110910277A - 一种基于XGBoost的水泥磨系统电耗指标预测方法 - Google Patents
一种基于XGBoost的水泥磨系统电耗指标预测方法 Download PDFInfo
- Publication number
- CN110910277A CN110910277A CN201911173770.5A CN201911173770A CN110910277A CN 110910277 A CN110910277 A CN 110910277A CN 201911173770 A CN201911173770 A CN 201911173770A CN 110910277 A CN110910277 A CN 110910277A
- Authority
- CN
- China
- Prior art keywords
- data
- power consumption
- cement mill
- xgboost
- mill system
- 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
- 239000004568 cement Substances 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 38
- 238000012216 screening Methods 0.000 claims description 13
- 239000000843 powder Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/06—Energy or water supply
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于XGBoost的水泥磨系统电耗指标预测方法,首先选取与水泥磨电耗相关的八个变量,采用OPC技术对所需变量数据进行收集,采用人工经验去除法和准则去除异常数据,构建XGBoost模型输入输出层,根据样本数据初始化权重参数,按照该权重训练第一棵树,训练完成后根据目标函数更新权重参数,进行新一轮决策树的训练,当样本权重和小于设定阈值或迭代次数达到设定值时停止建树,完成XGBoost模型训练,将工业现场样本数据集代入训练好的模型完成水泥磨系统电耗指标在线预测,本发明通过XGBoost对样本数据进行训练,将实际水泥生产现场的变量数据输入到训练好的模型,实现水泥磨电耗指标的在线预测。
Description
技术领域
本发明涉及一种基于XGBoost的水泥磨系统电耗指标预测方法,属于水泥磨系统电耗指标预测领域。
背景技术
根据水泥行业相关数据显示,我国水泥产量排在世界前列,水泥磨系统在当代水泥生产中已经被广泛使用,实现水泥磨系统电耗指标的在线预测,有利于指导水泥磨研磨过程各参量的调度优化,有利于降低水泥磨生产过程电耗,从而达到节能减排,提高生产效率的目的。但是由于水泥磨系统研磨过程存在滞后性,多个工业变量具有很强的耦合性,仅从机理上难以建立水泥磨系统能耗模型,不同操作人员由于现场经验的差异,很难保证水泥磨机处于高效,稳定的运行状态,无法对能源进行高效利用。另外,采用OPC技术对水泥工业现场DCS设备的数据提取的过程中,由于设备运行情况,人员操作等因素,有时会造成数据缺失,这也为后续建立精确的电耗预测模型带来挑战。
针对上述问题,赵辉等人采用主成分分析法得到影响水泥生产电耗的关键因素,降低了回归预测模型的复杂度,并提出基于改进多元非线性算法的水泥电耗预测模型,但该方法未解决水泥生产过程的时滞问题。谢武明等人将33个指标作为输入建立基于BP神经网络的污水处理厂电耗预测模型,对于电耗预测这类问题要求解复杂非线性函数的全局极值,BP神经网络容易陷入局部最优。王昭旭等人将一种隐含时间序列深度信念网络能够用到水泥生产电耗预测,消除了时变时延对水泥能耗预测的影响,但深度信念网络预训练采用无监督学习,学习过程缓慢,难以进行水泥磨系统电耗在线预测。
发明内容
本发明需要解决的技术问题是提供一种基于XGBoost(eXtreme GradientBoosting)的水泥磨系统电耗指标预测方法,既解决了水泥磨系统滞后性的问题,也解决了水泥磨系统多变量之间强耦合问题,同时相对于神经网络模型,XGBoost计算速度快,训练时可以用所有的CPU内核来并行化建树,极大提高训练速率,对于工业数据中的缺失值特征,通过枚举的方式自动学习缺失值的分裂方向,在算法中加入L1和L2正则化项,防止过拟合,增强泛化能力。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于XGBoost的水泥磨系统电耗指标预测方法,首先选取与水泥磨电耗相关的八个变量,采用OPC技术对所需变量数据进行收集,采用人工经验去除法和3σ准则去除异常数据,构建XGBoost模型输入输出层,根据样本数据初始化权重参数,按照该权重训练第一棵树,训练完成后根据目标函数更新权重参数,进行新一轮决策树的训练,当样本权重和小于设定阈值或迭代次数达到设定值时停止建树,完成XGBoost模型训练,将工业现场样本数据集代入训练好的模型完成水泥磨系统电耗指标在线预测。
本发明技术方案的进一步改进在于:具体步骤如下:
步骤A:输入、输出变量筛选:通过对水泥生产现场水泥磨系统的运行分析,从众多工业参量中选取与水泥磨电耗相关的八个工业参量作为输入变量,一个工业参量作为输出变量;
步骤B:数据收集:采用OPC技术将水泥工业现场DCS设备的数据提取并导入sqlserver数据库存储,从水泥磨历史生产数据库中提取步骤A中的八个输入数据及一个输出变量数据;
步骤C:数据清洗:采用人工经验去除法和3σ准则筛选法相结合的方法去除由于操作人员不当操作等因素产生的异常数据,构建XGBoost水泥磨系统电耗指标预测模型输入输出层;
步骤D:利用步骤C构建好的输入输出层数据,结合XGBoost算法,进行XGBoost水泥磨系统电耗指标预测模型的训练;
步骤E:将水泥磨系统实际生产中的实时工业参量数据代入步骤D中训练好的XGBoost水泥磨系统电耗指标预测模型,实现水泥磨系统电耗指标的在线预测。
本发明技术方案的进一步改进在于:所述步骤A中的输入变量包括出磨提升机电流X1、选粉机入口负压X2、喂料提升机电机电流X3、辊压机电机电流X4、球磨主机电流X5、磨尾收尘风机反馈X6、选粉机转速反馈X7、回粉量均值X8,输出变量为水泥磨单位电耗Y1。
本发明技术方案的进一步改进在于:所述步骤B中进行数据收集时,将一天24小时的数据划分为144的区间,每个区间时间间隔为10分钟,利用当前时刻30分钟的输入变量数据预测未来10分钟的水泥磨单位电耗。
本发明技术方案的进一步改进在于:所述步骤C中的人工经验去除法是指根据现场工作人员的经验结合历史生产数据分布来制定的一个大异常数据去除策略,以各参量的期望值为中心,去除历史数据中小于0.1倍期望值和大于10倍期望值的数据。
本发明技术方案的进一步改进在于:所述步骤C中的3σ准则筛选法的计算公式如下:
U(xi)为数据xi的筛选法则,σi为该变量数据集合的标准差;
如果U(xi)=0时,则数据xi为异常生产数据,需去除;如果U(xi)=1时,则数据xi为正常生产数据,需保留。
本发明技术方案的进一步改进在于:
所述步骤D中的XGBoost水泥磨系统电耗指标预测模型具体训练步骤为:
D1、构建T树的模型
D2、定义目标函数
公式(3)中,第一项为损失函数,第二项为正则化项;
水泥磨系统电耗指标预测为回归问题,其损失函数为:
公式(4)中,yi为当前实际输出,f(xi)为当前预测输出;
正则化项为:
其中,T表示叶子结点的个数,w表示叶子节点的分数,γ可以控制叶子结点的个数,λ可以控制叶子节点的分数不会过大,防止过拟合;
D3、训练目标函数
从第1棵树开始,为了使目标函数最小化,依次训练,更新决策树参数,第t个目标函数为:
将目标函数按照二阶泰勒展开:
去掉常数项,这一目标函数只依赖于每个数据点的在误差函数上的一阶导数和二阶导数,将目标函数按照叶节点分组,并将公式(5)代入公式(7)化简后得:
令Gj=∑gi、Hj=∑hi,可得:
第j各节点和最优Obj的最优分数为:
目标函数最优解为:
按照一定的规则对树进行分割:
至此,基于XGBoost的水泥磨系统电耗指标预测模型训练完毕。
由于采用了上述技术方案,本发明取得的技术进步是:
1.本发明提出的基于XGBoost的水泥磨系统电耗指标预测方法,充分考虑水泥磨系统存在滞后性的问题,将一天划分为144个时间段,当前时刻之前30分钟的输入变量对应当前时刻之后10分钟的输出变量,构建XGBoost输入输出层,消除了水泥磨系统的滞后性对水泥磨电耗预测的影响。
2.本发明提出的基于XGBoost的水泥磨系统电耗指标预测方法,可以自动学习数据缺失值的分裂方向,在目标函数中加入正则项,用于控制模型复杂度,防止过拟合,训练时可以用所有的CPU内核并行建树,计算速度快,可以实现水泥磨系统电耗指标的在线预测。
附图说明
图1是本发明XGBoost模型预测水泥磨系统电耗指标的系统流程图;
图2是本发明基于XGBoost的水泥磨系统电耗指标预测方法的算法流程图。
具体实施方式
下面结合实施例对本发明做进一步详细说明:
本发明提出了一种基于XGBoost的水泥磨系统电耗指标预测方法,首先选取与水泥磨电耗相关的八个变量,采用OPC技术对所需变量数据进行收集,采用人工经验去除法和3σ准则去除异常数据,构建XGBoost模型输入输出层,根据样本数据初始化权重参数,按照该权重训练第一棵树,训练完成后根据目标函数更新权重参数,进行新一轮决策树的训练,当样本权重和小于设定阈值或迭代次数达到设定值时停止建树,完成XGBoost模型训练,将工业现场样本数据集代入训练好的模型完成水泥磨系统电耗指标在线预测。基于XGBoost的水泥磨系统电耗整体流程如图1所示,XGBoost算法流程如图2所示。
具体步骤如下:
步骤A:输入、输出变量筛选:通过对水泥生产现场水泥磨系统的运行分析,从众多工业参量中选取与水泥磨电耗相关的八个工业参量作为输入变量,一个工业参量作为输出变量;
通过对水泥生产现场水泥磨系统的分析,结合现场工程师经验知识,从众多工业参量中选取与水泥磨电耗相关的八个工业参量作为输入变量,分别为:出磨提升机电流X1、选粉机入口负压X2、喂料提升机电机电流X3、辊压机电机电流X4、球磨主机电流X5、磨尾收尘风机反馈X6、选粉机转速反馈X7、回粉量均值X8。输出变量为水泥磨单位电耗Y1。
步骤B:数据收集:采用OPC(OLE for Process Control)技术将水泥工业现场DCS设备的数据提取并导入sql server数据库存储,从水泥磨历史生产数据库中提取步骤A中的八个输入数据及一个输出变量数据;
数据收集时,将一天24小时的数据划分为144的区间,分别为t1、t2、t3...t144,每个区间时间间隔为10分钟,当前时刻之前30分钟的输入变量数据对应未来10分钟的水泥磨电耗。
步骤C:数据清洗:采用人工经验去除法和3σ准则筛选法相结合的方法去除由于操作人员不当操作等因素产生的异常数据,构建XGBoost水泥磨系统电耗指标预测模型输入输出层;
所述步骤C中的人工经验去除法是指根据现场工作人员的经验结合历史生产数据分布来制定的一个大异常数据去除策略,以各参量的期望值为中心,去除历史数据中小于0.1倍期望值和大于10倍期望值的数据;
由于水泥磨系统生产过程中各参量的数据记录一般都符合正态分布,因此也使用3σ准则筛选法来进行异常数据的去除;3σ准则筛选法的计算公式如下:
U(xi)为数据xi的筛选法则,σi为该变量数据集合的标准差;
如果U(xi)=0时,则数据xi为异常生产数据,需去除;如果U(xi)=1时,则数据xi为正常生产数据,需保留。
步骤D:利用步骤C构建好的输入输出层数据,结合XGBoost算法,进行XGBoost水泥磨系统电耗指标预测模型的训练;
XGBoost水泥磨系统电耗指标预测模型具体训练步骤为:
D1、构建T树的模型
D2、定义目标函数
公式(3)中,第一项为损失函数,第二项为正则化项;
水泥磨系统电耗指标预测为回归问题,其损失函数为:
公式(4)中,yi为当前实际输出,f(xi)为当前预测输出;
正则化项为:
其中,T表示叶子结点的个数,w表示叶子节点的分数,γ可以控制叶子结点的个数,λ可以控制叶子节点的分数不会过大,防止过拟合;
D3、训练目标函数
从第1棵树开始,为了使目标函数最小化,依次训练,更新决策树参数,第t个目标函数为:
将目标函数按照二阶泰勒展开:
去掉常数项,这一目标函数只依赖于每个数据点的在误差函数上的一阶导数和二阶导数,将目标函数按照叶节点分组,并将公式(5)代入公式(7)化简后得:
令Gj=∑gi、Hj=∑hi,可得:
第j各节点和最优Obj的最优分数为:
目标函数最优解为:
按照一定的规则对树进行分割:
至此,基于XGBoost的水泥磨系统电耗指标预测模型训练完毕。
步骤E:将水泥磨系统实际生产中的实时工业参量数据代入步骤D中训练好的XGBoost水泥磨系统电耗指标预测模型,实现水泥磨系统电耗指标的在线预测。
Claims (7)
1.一种基于XGBoost的水泥磨系统电耗指标预测方法,其特征在于:首先选取与水泥磨电耗相关的八个变量,采用OPC技术对所需变量数据进行收集,采用人工经验去除法和3σ准则去除异常数据,构建XGBoost模型输入输出层,根据样本数据初始化权重参数,按照该权重训练第一棵树,训练完成后根据目标函数更新权重参数,进行新一轮决策树的训练,当样本权重和小于设定阈值或迭代次数达到设定值时停止建树,完成XGBoost模型训练,将工业现场样本数据集代入训练好的模型完成水泥磨系统电耗指标在线预测。
2.根据权利要求1所述的一种基于XGBoost的水泥磨系统电耗指标预测方法,其特征在于:具体步骤如下:
步骤A:输入、输出变量筛选:通过对水泥生产现场水泥磨系统的运行分析,从众多工业参量中选取与水泥磨电耗相关的八个工业参量作为输入变量,一个工业参量作为输出变量;
步骤B:数据收集:采用OPC技术将水泥工业现场DCS设备的数据提取并导入sql server数据库存储,从水泥磨历史生产数据库中提取步骤A中的八个输入数据及一个输出变量数据;
步骤C:数据清洗:采用人工经验去除法和3σ准则筛选法相结合的方法去除由于操作人员不当操作等因素产生的异常数据,构建XGBoost水泥磨系统电耗指标预测模型输入输出层;
步骤D:利用步骤C构建好的输入输出层数据,结合XGBoost算法,进行XGBoost水泥磨系统电耗指标预测模型的训练;
步骤E:将水泥磨系统实际生产中的实时工业参量数据代入步骤D中训练好的XGBoost水泥磨系统电耗指标预测模型,实现水泥磨系统电耗指标的在线预测。
3.根据权利要求1所述的一种基于XGBoost的水泥磨系统电耗指标预测方法,其特征在于:所述步骤A中的输入变量包括出磨提升机电流X1、选粉机入口负压X2、喂料提升机电机电流X3、辊压机电机电流X4、球磨主机电流X5、磨尾收尘风机反馈X6、选粉机转速反馈X7、回粉量均值X8,输出变量为水泥磨单位电耗Y1。
4.根据权利要求1所述的一种基于XGBoost的水泥磨系统电耗指标预测方法,其特征在于:所述步骤B中进行数据收集时,将一天24小时的数据划分为144的区间,每个区间时间间隔为10分钟,利用当前时刻30分钟的输入变量数据预测未来10分钟的水泥磨单位电耗。
5.根据权利要求1所述的一种基于XGBoost的水泥磨系统电耗指标预测方法,其特征在于:所述步骤C中的人工经验去除法是指根据现场工作人员的经验结合历史生产数据分布来制定的一个大异常数据去除策略,以各参量的期望值为中心,去除历史数据中小于0.1倍期望值和大于10倍期望值的数据。
7.根据权利要求1所述的一种基于XGBoost的水泥磨系统电耗指标预测方法,其特征在于:所述步骤D中的XGBoost水泥磨系统电耗指标预测模型具体训练步骤为:
D1、构建T树的模型
D2、定义目标函数
公式(3)中,第一项为损失函数,第二项为正则化项;
水泥磨系统电耗指标预测为回归问题,其损失函数为:
公式(4)中,yi为当前实际输出,f(xi)为当前预测输出;
正则化项为:
其中,T表示叶子结点的个数,w表示叶子节点的分数,γ可以控制叶子结点的个数,λ可以控制叶子节点的分数不会过大,防止过拟合;
D3、训练目标函数
从第1棵树开始,为了使目标函数最小化,依次训练,更新决策树参数,第t个目标函数为:
将目标函数按照二阶泰勒展开:
去掉常数项,这一目标函数只依赖于每个数据点的在误差函数上的一阶导数和二阶导数,将目标函数按照叶节点分组,并将公式(5)代入公式(7)化简后得:
令Gj=Σgi、Hj=Σhi,可得:
第j各节点和最优Obj的最优分数为:
目标函数最优解为:
按照一定的规则对树进行分割:
至此,基于XGBoost的水泥磨系统电耗指标预测模型训练完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173770.5A CN110910277A (zh) | 2019-11-26 | 2019-11-26 | 一种基于XGBoost的水泥磨系统电耗指标预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911173770.5A CN110910277A (zh) | 2019-11-26 | 2019-11-26 | 一种基于XGBoost的水泥磨系统电耗指标预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910277A true CN110910277A (zh) | 2020-03-24 |
Family
ID=69819607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911173770.5A Pending CN110910277A (zh) | 2019-11-26 | 2019-11-26 | 一种基于XGBoost的水泥磨系统电耗指标预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910277A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
CN112183642A (zh) * | 2020-09-30 | 2021-01-05 | 燕山大学 | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 |
CN112845610A (zh) * | 2020-12-31 | 2021-05-28 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢电耗参数推荐方法及系统 |
CN113111577A (zh) * | 2021-04-01 | 2021-07-13 | 燕山大学 | 基于多目标布谷鸟搜索的水泥磨运行指标决策方法 |
CN113762805A (zh) * | 2021-09-23 | 2021-12-07 | 国网湖南省电力有限公司 | 一种应用于输电线路的山林火灾预警方法 |
CN114898818A (zh) * | 2022-04-06 | 2022-08-12 | 中国石油大学(北京) | 一种混合原油凝点预测模型训练方法、装置及应用方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
CN109214612A (zh) * | 2018-11-20 | 2019-01-15 | 广东机场白云信息科技有限公司 | 一种基于xgboost机场客流量时空分布预测方法 |
CN110322014A (zh) * | 2019-07-10 | 2019-10-11 | 燕山大学 | 一种基于bp神经网络的水泥成品比表面积预测方法 |
CN110428106A (zh) * | 2019-08-05 | 2019-11-08 | 山东农业大学 | 一种基于机器学习的农作物需水量预测方法 |
-
2019
- 2019-11-26 CN CN201911173770.5A patent/CN110910277A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679671A (zh) * | 2017-10-23 | 2018-02-09 | 燕山大学 | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 |
CN109214612A (zh) * | 2018-11-20 | 2019-01-15 | 广东机场白云信息科技有限公司 | 一种基于xgboost机场客流量时空分布预测方法 |
CN110322014A (zh) * | 2019-07-10 | 2019-10-11 | 燕山大学 | 一种基于bp神经网络的水泥成品比表面积预测方法 |
CN110428106A (zh) * | 2019-08-05 | 2019-11-08 | 山东农业大学 | 一种基于机器学习的农作物需水量预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化系统工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
CN112183642A (zh) * | 2020-09-30 | 2021-01-05 | 燕山大学 | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 |
CN112845610A (zh) * | 2020-12-31 | 2021-05-28 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢电耗参数推荐方法及系统 |
CN112845610B (zh) * | 2020-12-31 | 2023-03-14 | 中冶赛迪信息技术(重庆)有限公司 | 一种轧钢电耗参数推荐方法及系统 |
CN113111577A (zh) * | 2021-04-01 | 2021-07-13 | 燕山大学 | 基于多目标布谷鸟搜索的水泥磨运行指标决策方法 |
CN113111577B (zh) * | 2021-04-01 | 2023-05-05 | 燕山大学 | 基于多目标布谷鸟搜索的水泥磨运行指标决策方法 |
CN113762805A (zh) * | 2021-09-23 | 2021-12-07 | 国网湖南省电力有限公司 | 一种应用于输电线路的山林火灾预警方法 |
CN114898818A (zh) * | 2022-04-06 | 2022-08-12 | 中国石油大学(北京) | 一种混合原油凝点预测模型训练方法、装置及应用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910277A (zh) | 一种基于XGBoost的水泥磨系统电耗指标预测方法 | |
Wang et al. | Dual-objective program and improved artificial bee colony for the optimization of energy-conscious milling parameters subject to multiple constraints | |
CN107578124B (zh) | 基于多层改进gru神经网络的短期电力负荷预测方法 | |
CN112766608B (zh) | 一种基于极限学习机的水泥磨系统电耗指标预测方法 | |
CN107679671A (zh) | 一种隐含时间序列深度信念网络的水泥生产电耗预测方法 | |
CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
CN109242236B (zh) | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
Tian et al. | TS fuzzy neural network predictive control for burning zone temperature in rotary kiln with improved hierarchical genetic algorithm | |
CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
Liu et al. | Intelligent adaptive control in milling processes | |
CN112785080A (zh) | 一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法 | |
CN111555682A (zh) | 一种基于优化算法的pid永磁同步电机的控制方法 | |
CN112927097A (zh) | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 | |
CN114418177A (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN111639821A (zh) | 一种水泥炉窑生产能耗预测方法及系统 | |
Cao et al. | Simultaneous prediction for multiple key performance indicators in semiconductor wafer fabrication | |
Liu et al. | Research on stock price prediction method based on deep learning | |
CN114904655B (zh) | 一种单电场节能控制方法及装置 | |
CN114384931B (zh) | 一种基于策略梯度的无人机多目标最优控制方法和设备 | |
CN112183642A (zh) | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 | |
CN104122878B (zh) | 工业节能减排控制装置的控制方法 | |
CN112070200B (zh) | 一种谐波群优化方法及其应用 | |
CN113901710A (zh) | 一种离心泵运行优化控制方法 |
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: 20200324 |
|
RJ01 | Rejection of invention patent application after publication |