CN111695730A - 基于arima及rnn的立磨振动预测方法及装置 - Google Patents

基于arima及rnn的立磨振动预测方法及装置 Download PDF

Info

Publication number
CN111695730A
CN111695730A CN202010517591.5A CN202010517591A CN111695730A CN 111695730 A CN111695730 A CN 111695730A CN 202010517591 A CN202010517591 A CN 202010517591A CN 111695730 A CN111695730 A CN 111695730A
Authority
CN
China
Prior art keywords
vertical mill
time sequence
sequence data
vibration
vibration value
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
Application number
CN202010517591.5A
Other languages
English (en)
Other versions
CN111695730B (zh
Inventor
纪杨建
陈欣玥
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010517591.5A priority Critical patent/CN111695730B/zh
Publication of CN111695730A publication Critical patent/CN111695730A/zh
Application granted granted Critical
Publication of CN111695730B publication Critical patent/CN111695730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24568—Data stream processing; Continuous queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施方式提供一种基于ARIMA及RNN的立磨振动预测方法及装置，属于立磨振动预测技术领域。方法包括：获取表征立磨实时振动值的第一时序数据及表征影响因子的实时值的第二时序数据；建立表征立磨的振动值与影响因子关联关系的第一时间序列矩阵；以第一时序数据为输入，经ARIMA自回归移动平均模型输出预测立磨未来振动值的第三时序数据；以第一时间序列矩阵为输入，经RNN循环神经网络模型输出预测立磨未来振动值的残差的第四时序数据；对第三时序数据及第四时序数据求和，输出最终预测立磨未来振动值的第五时序数据。本发明通过ARIMA和RNN混合建模，解决了现有技术在实时生产过程中具有较大的滞后性的问题。

Description

基于ARIMA及RNN的立磨振动预测方法及装置
技术领域
本发明涉及立磨振动预测技术领域，具体地涉及一种基于ARIMA及RNN的立磨振动预测方法及一种基于ARIMA及RNN的立磨振动预测装置。
背景技术
水泥行业是较为典型的高能耗与能源依赖型产业，水泥的生产过程中，生料、煤和矿渣等的粉磨作业是其中的重要能源消耗环节，约占总能源消耗的50％-60％，因此粉磨设备及相关工艺参数的研究改进是水泥产业中的热点。立磨作为粉磨设备的一大改进成果，相比于传统球磨等设备，能够更加高效利用能源，提高生产效率，已经在水泥领域中获得了全面推广与应用。在实际生产实践中，立磨的振动值对于设备使用寿命、生产与经济效益等有着关键的影响。实现对立磨振动的实时预测，能够对异常振动值提前预判，方便生产人员及时检查与调整设备，提高生产效率，减少不必要的能耗。然而现有的关于立磨振动的研究大多集中在影响其振动的因素分析，往往通过有丰富生产经验的工人对立磨振动做预测，人为发现振动值异常后才开始调整参数或检查，在实时生产过程中具有较大的滞后性。
发明内容
本发明实施方式的目的是基于ARIMA自回归移动平均模型挖掘立磨振动时序数据流中的线性关系并结合RNN循环神经网络捕捉经过线性提取后的立磨振动残差时序流与影响因子之间的非线性关系实现立磨振动值的在线预测，以解决现有技术中需人为发现振动值异常后才开始调整参数或检查，在实时生产过程中具有较大的滞后性的问题。
为了实现上述目的，在本发明的第一方面，提供一种基于ARIMA及RNN的立磨振动预测方法，包括：
获取表征立磨的实时振动值的第一时序数据及表征与所述立磨实时振动值关联的影响因子的实时值的第二时序数据；
依据所述第一时序数据及所述第二时序数据建立表征所述立磨的振动值与所述影响因子关联关系的第一时间序列矩阵；
以所述第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第三时序数据；
以所述第一时间序列矩阵为输入，经预训练的RNN循环神经网络模型输出预测所述立磨未来振动值的残差的第四时序数据；
对所述第三时序数据及所述第四时序数据求和，输出最终预测所述立磨未来振动值的第五时序数据。
可选地，所述以所述第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第三时序数据，包括：
对所述第一时序数据进行数据清洗，所述数据清洗包括缺失值、异常值及重复值的处理；
以进行数据清洗后的第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第三时序数据。
可选地，所述影响因子包括：
立磨主电机电流、立磨入口压力、立磨入口温度、立磨出口压力、立磨出口温度、主辊压力、主辊反压力、主辊风压、主辊转速、选粉机电机电流、选粉机转速、主减速器垂直振动、物料水分、磨内喷水量、喂料量以及料层厚度。
可选地，与所述立磨实时振动值关联的影响因子经XGBoost模型筛选得到，所述影响因子的筛选方法，包括：
获取所述立磨的所有监测项的历史时序数据，所述立磨的所有监测项的历史时序数据包括所述立磨振动值的历史时序数据；
以除所述立磨振动值之外的所有监测项的历史时序数据为输入，经XGBoost模型，输出所述立磨振动值的预测时序数据；
依据所述立磨振动值的预测时序数据及所述立磨振动值的历史时序数据的误差调整XGBoost模型的参数，重复上述过程，直至XGBoost模型满足迭代终止条件，完成XGBoost模型的训练；
经训练后的XGBoost模型计算表征各监测项相对训练后的XGBoost模型贡献度的平均增益并按平均增益将各监测项由高至低排序，以排序在前N％的监测项作为与所述立磨实时振动值关联的影响因子。
可选地，所述依据所述第一时序数据及所述第二时序数据建立表征所述立磨的振动值与所述影响因子关联关系的第一时间序列矩阵，包括：
分别对所述第一时序数据及所述第二时序数据进行归一化处理；
依据归一化处理后的第一时序数据及归一化处理后的第二时序数据建立表征所述立磨的振动值与所述影响因子关联关系的第一时间序列矩阵。
可选地，所述ARIMA自回归移动平均模型的建立方法，包括：
获取所述立磨振动值的历史时序数据；
对所述立磨振动值的历史时序数据进行ADF单位根检验，当所述立磨振动值的历史时序数据存在单位根时，对所述立磨振动值的历史时序数据进行d阶差分运算，直至所述立磨振动值的历史时序数据不存在单位根；
依据通过ADF单位根检验后的立磨振动值历史时序数据，基于AIC信息准则确定ARIMA自回归移动平均模型的阶数p和q，其中，p为自回归项数，q为滑动平均项数；
依据d、p及q建立ARIMA自回归移动平均模型：
Figure BDA0002530682910000031
Figure BDA0002530682910000032
其中，L是滞后算子，d∈Z，d>0，
Figure BDA0002530682910000033
及θi为待估计参数，εt表示零均值的白噪声随机误差序列，Xt为所述立磨振动值的历史时序数据。
可选地，所述依据通过ADF单位根检验后的立磨振动值历史时序数据，基于AIC信息准则确定ARIMA自回归移动平均模型的阶数p和q，包括：
通过公式
Figure BDA0002530682910000041
计算AIC值，其中，N为通过ADF单位根检验后的立磨振动值历史时序数据的序列长度，
Figure BDA0002530682910000042
为对噪声项方差的估计值；
依据AIC值遍历p和q的值，以AIC最小值对应的p和q的值作为所述ARIMA自回归移动平均模型的阶数。
可选地，所述RNN循环神经网络模型的训练方法，包括：
获取所述立磨振动值的历史时序数据及所述影响因子的历史时序数据；
依据所述立磨振动值的历史时序数据及所述影响因子的历史时序数据建立表征所述立磨的振动值与所述影响因子关联关系的第二时间序列矩阵；
以所述立磨振动值的历史时序数据为输入，经所述预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第六时序数据并计算所述第六时序数据的残差；
以所述第二时间序列矩阵为测试样本作为RNN循环神经网络的输入，以所述第六时序数据的预测残差为输出，以所述第六时序数据的残差为期望值，依据所述RNN循环神经网络的输出值和期望值的残差，通过反向传播调整所述RNN循环神经网络的参数，直至所述RNN循环神经网络满足收敛条件，得到预训练的RNN循环神经网络模型。
在本发明的第二方面，提供一种基于ARIMA及RNN的立磨振动预测装置，包括：
数据采集模块，被配置为获取表征立磨的实时振动值的第一时序数据及表征与所述立磨实时振动值关联的影响因子的实时值的第二时序数据；
计算模块，被配置为依据所述第一时序数据及所述第二时序数据建立表征所述立磨的振动值与所述影响因子关联关系的第一时间序列矩阵；
第一预测模块，被配置为以所述第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第三时序数据；
第二预测模块，被配置为以所述第一时间序列矩阵为输入，经预训练的RNN循环神经网络模型输出预测所述立磨未来振动值的残差的第四时序数据；
第三预测模块，被配置为对所述第三时序数据及所述第四时序数据求和，输出最终预测所述立磨未来振动值的第五时序数据。
在本发明的第三方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于ARIMA及RNN的立磨振动预测方法。
本发明上述技术方案通过ARIMA自回归移动平均模型挖掘立磨振动时序数据流中的线性关系对立磨振动值时序数据流进行预测，并通过RNN循环神经网络捕捉经过线性提取后的立磨振动值的残差时序数据流与影响因子之间的非线性关系对立磨振动值的预测时序数据流的残差进行预测，结合经ARIMA自回归移动平均模型预测的立磨振动值时序数据流及经RNN循环神经网络RNN循环神经网络预测的残差时序数据流，实现立磨振动值的在线预测，有效解决了现有技术中需人为发现振动值异常后才开始调整参数或检查，在实时生产过程中具有较大的滞后性的问题，同时，相比单一模型在立磨振动数据挖掘和预测中的不足，有效提高了对立磨振动数据预测的精确性。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明优选实施方式提供的基于ARIMA及RNN的立磨振动预测方法的方法流程图；
图2是本发明优选实施方式提供的立磨振动预测示意图；
图3是本发明优选实施方式提供的ARIMA-RNN混合模型的结构示意图；
图4是本发明优选实施方式提供的基于ARIMA及RNN的立磨振动预测装置的示意框图；
图5是本发明优选实施方式提供的终端设备示意图。
附图标记说明
10-终端设备，100-处理器，101-存储器，102-计算机程序，201-数据采集模块，202-计算模块，203-第一预测模块，204-第二预测模块，205-第三预测模块。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1、图2及图3所示，在本实施方式的第一方面，提供一种基于ARIMA及RNN的立磨振动预测方法，包括：
S100、获取表征立磨的实时振动值的第一时序数据及表征与立磨实时振动值关联的影响因子的实时值的第二时序数据；
S200、依据第一时序数据及第二时序数据建立表征立磨的振动值与影响因子关联关系的第一时间序列矩阵；
S300、以第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测立磨未来振动值的第三时序数据；
S400、以第一时间序列矩阵为输入，经预训练的RNN循环神经网络模型输出预测立磨未来振动值的残差的第四时序数据；
S500、对第三时序数据及第四时序数据求和，输出最终预测立磨未来振动值的第五时序数据。
如此，本实施方式通过ARIMA自回归移动平均模型挖掘立磨振动时序数据流中的线性关系对立磨振动值时序数据流进行预测，并通过RNN循环神经网络捕捉经过线性提取后的立磨振动值的残差时序数据流与影响因子之间的非线性关系对立磨振动值的预测时序数据流的残差进行预测，结合经ARIMA自回归移动平均模型预测的立磨振动值时序数据流及经RNN循环神经网络RNN循环神经网络预测的残差时序数据流，实现立磨振动值的在线预测，有效解决了现有技术中需人为发现振动值异常后才开始调整参数或检查，在实时生产过程中具有较大的滞后性的问题，同时，相比单一模型在立磨振动数据挖掘和预测中的不足，有效提高了对立磨振动数据预测的精确性。
具体的，生产过程中，立磨振动异常可能造成材料消耗增加、设备跳停等问题，而引起立磨振动异常的因素很多，当生产过程中产生立磨振动异常后再开始调整参数或检查往往具有较大的滞后性，难以及时避免或减小立磨振动异常造成的不良影响，为了解决上述问题，需要对立磨振动进行预测，以使得工作人员能提前调整参数，及时避免或减小影响。ARIMA自回归移动平均模型是一种时间序列模型，适合对如工业数据等非平稳的时序数据进行建模，通过对样本数据的处理和分析，提取有效信息尤其是线性和趋势关系，并实时动态预测。RNN(Recurrent Neural Network)循环神经网络是一类处理时序数据的神经网络，其输出序列不仅与输入时刻的参数值有关，还与这一段时间的参数值有关，适合于有前后关联的时序预测。本实施方式中，影响因子包括但不限于：立磨主电机电流、立磨入口压力、立磨入口温度、立磨出口压力、立磨出口温度、主辊压力、主辊反压力、主辊风压、主辊转速、选粉机电机电流、选粉机转速、主减速器垂直振动、物料水分、磨内喷水量、喂料量以及料层厚度。与立磨实时振动值关联的影响因子为预先依据矿渣粉磨生产线的上述影响因子的测点数据对立磨振动值影响的重要程度筛选得到。其中，每个影响因子时间序列中的数据与立磨实时振动值的时间序列中的数据一一对应，例如，立磨的实时振动值对应于同一采样时刻的立磨主电机电流、立磨入口压力及立磨入口温度，通过对第一时序数据进行数据清理后，建立立磨实时振动值与预先筛选得到的影响因子对应关系的第一时间序列矩阵，以第一时间序列矩阵为输入，通过预训练的RNN循环神经网络模型捕捉立磨振动预测残差与影响因子之间的非线性关系，从而对立磨振动值预测残差时间序列进行预测；以第一时序数据为输入，经预训练的ARIMA自回归移动平均模型对立磨的实时振动值时间序列进行预测，并与得到的立磨振动值预测残差时间序列求和，得到立磨未来振动值的预测时间序列，从而通过ARIMA自回归移动平均模型和RNN循环神经网络模型混合建模输出立磨振动最终预测值。
为了保证读取到的数据的准确性，以第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测立磨未来振动值的第三时序数据，包括：
对第一时序数据进行数据清洗，数据清洗包括缺失值、异常值及重复值的处理；其中，缺失值、异常值及重复值的处理可根据实际情况确定，此处不再赘述。例如缺失值的替换策略，可采用均值、众数和中位数的方法，如果场景固定，也可以使用特定值替换。
以进行数据清洗后的第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测立磨未来振动值的第三时序数据。
为了从矿渣粉磨生产线的各个工位测点数据中准确筛选与立磨振动具有较大相关性的影响因子，本实施方式的与立磨实时振动值关联的影响因子经XGBoost模型筛选得到，影响因子的筛选方法，包括：
获取立磨的所有监测项的历史时序数据，立磨的所有监测项的历史时序数据包括立磨振动值的历史时序数据；
以除立磨振动值之外的所有监测项的历史时序数据为输入，经XGBoost模型，输出立磨振动值的预测时序数据；
依据立磨振动值的预测时序数据及立磨振动值的历史时序数据的误差调整XGBoost模型的参数，重复上述过程，直至XGBoost模型满足迭代终止条件，完成XGBoost模型的训练；
经训练后的XGBoost模型计算表征各监测项相对训练后的XGBoost模型贡献度的平均增益并按平均增益将各监测项由高至低排序，以排序在前N％的监测项作为与立磨实时振动值关联的影响因子。
XGBoost模型由若干CART树组成，对于每颗CART树，确定CART树需要确定树的结构及各叶子节点的分数，树的结构负责将一个样本映射到一个确定的叶子节点上。增益表示相应特征对通过对模型中的每个树采取每个特征的贡献而计算出的模型的相对贡献，与其他特征相比，增益越高则表示其对于生成预测更重要。从数据库中读取所有矿渣粉磨生产线的监测项的历史时序数据，并以除立磨振动值之外的监测项的历史时序数据为输入，经XGBoost算法输出立磨振动值的预测时序数据；计算立磨振动值的预测时序数据与立磨振动值的历史时序数据之间的残差，并依据该残差调整XGBoost模型的参数，直至满足迭代终止条件，完成XGBoost模型的训练。训练好的XGBoost模型能直接计算各特征的平均增益，从而通过XGBoost梯度提升算法并结合工艺，筛选出立磨振动影响因子。以除立磨振动值之外的监测项为XGBoost模型的特征，利用变量作为划分变量后的平均增益计算相应变量的重要性，其目标函数为：
Figure BDA0002530682910000101
其中，
Figure BDA0002530682910000102
Figure BDA0002530682910000103
其中，T代表叶子节点数，wj代表每个叶子节点的权重，Ij为第j个叶子节点上的样本集合，gi为损失函数l在
Figure BDA0002530682910000104
处的一阶导数，hi为损失函数l在
Figure BDA0002530682910000105
处的二阶导数，yi为第i个样本的预测值，γ和λ则为模型中控制不同部分比重的参数，通过对wj求导数并令其等于0，可以解得：
Figure BDA0002530682910000106
以除立磨振动值之外的监测项为特征，对于每个特征的增益值，需要按上述公式得到其在每棵树对应的增益值并求平均，最终得到各特征的增益值并由高至低排序，选择排序在前N％的监测项作为与立磨实时振动值关联的影响因子。
为了消除不同指标之间的量纲影响，在进行运算之前，需要对数据进行标准化处理，因此，依据第一时序数据及第二时序数据建立表征立磨的振动值与影响因子关联关系的第一时间序列矩阵，包括：
分别对第一时序数据及第二时序数据进行归一化处理；
依据归一化处理后的第一时序数据及归一化处理后的第二时序数据建立表征立磨的振动值与影响因子关联关系的第一时间序列矩阵。
其中，归一化采用最大最小值Min-Max归一化方法，将输入和输出值归一化到[0,1]区间，归一化处理的方法采用下述计算公式：
xi＝(xi-μ)/(max-min)；
其中，xi为第i个样本数据，μ为该特征下所有样本数据的均值，max、min分别代表该特征下样本数据的最大值和最小值。
ARIMA模型是在平稳的时间序列基础上建立起来的，ARIMA自回归移动平均模型的建立方法，包括：
获取立磨振动值的历史时序数据，立磨振动值的历史时序数据预先存储在数据库中。
对立磨振动值的历史时序数据进行ADF单位根检验，当立磨振动值的历史时序数据存在单位根时，对立磨振动值的历史时序数据进行d阶差分运算，直至立磨振动值的历史时序数据不存在单位根，得到平稳的立磨振动值历史时序数据。本实施方式采用ADF单位根检验模型去检验时间序列是否平稳，如果序列平稳，则不存在单位根，否则有单位根。其原假设认为，该序列非平稳，即存在单位根，对于平稳时序数据流，需要在给定的置信水平上显著，方能拒绝原假设，若计算而得的统计量小于3个置信度(1％，5％，10％)的临界统计值时，拒绝原假设，另可根据P-value是都接近0.0001。如果时间序列不稳定，可以通过取对数或差分的方法使得时间序列稳定，本实施方式采用对立磨振动值的历史时序数据进行d阶差分运算的方法使时间序列稳定，例如，若进行1阶差分后仍然不平稳，则进行2阶差分，直至其成为平稳时间序列。然后进行ARIMA模型预测，得到稳定的时间序列的预测结果，对预测结果进行之前使序列稳定的操作的逆操作，即差分的逆操作，就可以得到原始数据的预测结果。
依据平稳的立磨振动值历史时序数据，基于AIC信息准则确定ARIMA自回归移动平均模型的阶数p和q，其中，p为自回归项数，代表预测模型中采用的时序数据本身的滞后数，q为滑动平均项数，代表预测模型中采用的预测误差的滞后数。
ARIMA自回归移动平均模型有三个参数，p、d及q，依据d、p及q建立ARIMA自回归移动平均模型：
Figure BDA0002530682910000111
Figure BDA0002530682910000112
其中，L是滞后算子，d∈Z，d>0，
Figure BDA0002530682910000113
及θi为待估计参数，εt表示零均值的白噪声随机误差序列，Xt为立磨振动值的历史时序数据。
其中，依据平稳的立磨振动值历史时序数据，基于AIC信息准则确定ARIMA自回归移动平均模型的阶数p和q，包括：
通过公式
Figure BDA0002530682910000121
计算AIC值，其中，N为平稳的立磨振动值历史时序数据的序列长度，
Figure BDA0002530682910000122
为对噪声项方差的估计值；
依据AIC值遍历p和q的值，以AIC最小值对应的p和q的值作为ARIMA自回归移动平均模型的阶数。
相比其他神经网络，RNN循环神经网络能更好的处理前面输入与后面输入具有关联的时序数据，本实施方式采用RNN循环神经网络来预测立磨振动值的预测时序数据流的残差，在python3.7,keras框架下搭建RNN循环神经网络模型，设置RNN的输入维度为参数个数，输出维度为1；设置输入和输出步长；设置读取批次规模(BatchSize)和优化器；设置激活函数和损失函数；设置隐含层层数、神经元节点数和模型迭代次数，对搭建好的RNN循环神经网络进行训练，以得到RNN循环神经网络模型。其中，RNN循环神经网络模型的训练方法，包括：
获取立磨振动值的历史时序数据及影响因子的历史时序数据；
依据立磨振动值的历史时序数据及影响因子的历史时序数据建立表征立磨的振动值与影响因子关联关系的第二时间序列矩阵；
以立磨振动值的历史时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测立磨未来振动值的第六时序数据并计算第六时序数据的残差；
以第二时间序列矩阵为测试样本作为RNN循环神经网络的输入，以第六时序数据的预测残差为输出，以第六时序数据的残差为期望值，依据RNN循环神经网络的输出值和期望值的残差，通过反向传播调整RNN循环神经网络的参数，直至RNN循环神经网络满足收敛条件，得到预训练的RNN循环神经网络模型。
如图4所示，在本发明的第二方面，提供一种基于ARIMA及RNN的立磨振动预测装置，包括：
数据采集模块201，被配置为获取表征立磨的实时振动值的第一时序数据及表征与立磨实时振动值关联的影响因子的实时值的第二时序数据；
计算模块202，被配置为依据第一时序数据及第二时序数据建立表征立磨的振动值与影响因子关联关系的第一时间序列矩阵；
第一预测模块203，被配置为以第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测立磨未来振动值的第三时序数据；
第二预测模块204，被配置为以第一时间序列矩阵为输入，经预训练的RNN循环神经网络模型输出预测立磨未来振动值的残差的第四时序数据；
第三预测模块205，被配置为对第三时序数据及第四时序数据求和，输出最终预测立磨未来振动值的第五时序数据。
在本发明的第三方面，提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于ARIMA及RNN的立磨振动预测方法。
如图5所示是本实施方式提供的终端设备的示意图。终端设备10包括：处理器100、存储器101以及存储在存储器101中并可在处理器100上运行的计算机程序102。处理器100执行计算机程序102时实现上述方法实施例中的步骤。或者，处理器100执行计算机程序102时实现上述各装置实施例中各模块/单元的功能。
示例性的，计算机程序102可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器101中，并由处理器100执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序102在终端设备10中的执行过程。例如，计算机程序102可以被分割成数据采集模块201、计算模块202、第一预测模块203、第二预测模块204及第三预测模块205。
终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图5仅仅是终端设备10的示例，并不构成对终端设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器101可以是终端设备10的内部存储单元，例如终端设备10的硬盘或内存。存储器101也可以是终端设备10的外部存储设备，例如终端设备10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端设备10所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
综上，本发明通过ARIMA自回归移动平均模型挖掘立磨振动时序数据流中的线性关系对立磨振动值时序数据流进行预测，并通过RNN循环神经网络捕捉经过线性提取后的立磨振动值的残差时序数据流与影响因子之间的非线性关系对立磨振动值的预测时序数据流的残差进行预测，结合经ARIMA自回归移动平均模型预测的立磨振动值时序数据流及经RNN循环神经网络RNN循环神经网络预测的残差时序数据流，实现立磨振动值的在线预测，有效解决了现有技术中需人为发现振动值异常后才开始调整参数或检查，在实时生产过程中具有较大的滞后性的问题，同时，相比单一模型在立磨振动数据挖掘和预测中的不足，有效提高了对立磨振动数据预测的精确性。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，同样应当视为本发明实施方式所公开的内容。

Claims (10)

1.一种基于ARIMA及RNN的立磨振动预测方法，其特征在于，包括：
获取表征立磨的实时振动值的第一时序数据，及表征与所述立磨实时振动值关联的影响因子的实时值的第二时序数据；
依据所述第一时序数据及所述第二时序数据，建立表征所述立磨的振动值与所述影响因子关联关系的第一时间序列矩阵；
以所述第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第三时序数据；
以所述第一时间序列矩阵为输入，经预训练的RNN循环神经网络模型输出预测所述立磨未来振动值的残差的第四时序数据；
对所述第三时序数据及所述第四时序数据求和，输出最终预测所述立磨未来振动值的第五时序数据。
2.根据权利要求1所述的基于ARIMA及RNN的立磨振动预测方法，其特征在于，所述以所述第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第三时序数据，包括：
对所述第一时序数据进行数据清洗，所述数据清洗包括缺失值、异常值及重复值的处理；
以进行数据清洗后的第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第三时序数据。
3.根据权利要求1所述的基于ARIMA及RNN的立磨振动预测方法，其特征在于，所述影响因子包括：
立磨主电机电流、立磨入口压力、立磨入口温度、立磨出口压力、立磨出口温度、主辊压力、主辊反压力、主辊风压、主辊转速、选粉机电机电流、选粉机转速、主减速器垂直振动、物料水分、磨内喷水量、喂料量以及料层厚度。
4.根据权利要求1所述的基于ARIMA及RNN的立磨振动预测方法，其特征在于，与所述立磨实时振动值关联的影响因子经XGBoost模型筛选得到，所述影响因子的筛选方法，包括：
获取所述立磨的所有监测项的历史时序数据，所述立磨的所有监测项的历史时序数据包括所述立磨振动值的历史时序数据；
以除所述立磨振动值之外的所有监测项的历史时序数据为输入，经XGBoost模型，输出所述立磨振动值的预测时序数据；
依据所述立磨振动值的预测时序数据及所述立磨振动值的历史时序数据的误差调整XGBoost模型的参数，重复上述过程，直至XGBoost模型满足迭代终止条件，完成XGBoost模型的训练；
经训练后的XGBoost模型计算表征各监测项相对训练后的XGBoost模型贡献度的平均增益，并按平均增益将各监测项由高至低排序，以排序在前N％的监测项作为与所述立磨实时振动值关联的影响因子。
5.根据权利要求1所述的基于ARIMA及RNN的立磨振动预测方法，其特征在于，所述依据所述第一时序数据及所述第二时序数据，建立表征所述立磨的振动值与所述影响因子关联关系的第一时间序列矩阵，包括：
分别对所述第一时序数据及所述第二时序数据进行归一化处理；
依据归一化处理后的第一时序数据及归一化处理后的第二时序数据，建立表征所述立磨的振动值与所述影响因子关联关系的第一时间序列矩阵。
6.根据权利要求1所述的基于ARIMA及RNN的立磨振动预测方法，其特征在于，所述ARIMA自回归移动平均模型的建立方法，包括：
获取所述立磨振动值的历史时序数据；
对所述立磨振动值的历史时序数据进行ADF单位根检验，当所述立磨振动值的历史时序数据存在单位根时，对所述立磨振动值的历史时序数据进行d阶差分运算，直至所述立磨振动值的历史时序数据不存在单位根；
依据通过ADF单位根检验后的立磨振动值历史时序数据，基于AIC信息准则确定ARIMA自回归移动平均模型的阶数p和q，其中，p为自回归项数，q为滑动平均项数；
依据d、p及q建立ARIMA自回归移动平均模型：
Figure FDA0002530682900000031
其中，L是滞后算子，d∈Z，d>0，
Figure FDA0002530682900000032
及θi为待估计参数，εt表示零均值的白噪声随机误差序列，Xt为所述立磨振动值的历史时序数据。
7.根据权利要求6所述的基于ARIMA及RNN的立磨振动预测方法，其特征在于，所述依据通过ADF单位根检验后的立磨振动值历史时序数据，基于AIC信息准则确定ARIMA自回归移动平均模型的阶数p和q，包括：
通过公式
Figure FDA0002530682900000033
计算AIC值，其中，N为通过ADF单位根检验后的立磨振动值历史时序数据的序列长度，
Figure FDA0002530682900000034
为对噪声项方差的估计值；
依据AIC值遍历p和q的值，以AIC最小值对应的p和q的值作为所述ARIMA自回归移动平均模型的阶数。
8.根据权利要求1所述的基于ARIMA及RNN的立磨振动预测方法，其特征在于，所述RNN循环神经网络模型的训练方法，包括：
获取所述立磨振动值的历史时序数据及所述影响因子的历史时序数据；
依据所述立磨振动值的历史时序数据及所述影响因子的历史时序数据，建立表征所述立磨的振动值与所述影响因子关联关系的第二时间序列矩阵；
以所述立磨振动值的历史时序数据为输入，经所述预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第六时序数据，并计算所述第六时序数据的残差；
以所述第二时间序列矩阵为测试样本作为RNN循环神经网络的输入，以所述第六时序数据的预测残差为输出，以所述第六时序数据的残差为期望值，依据所述RNN循环神经网络的输出值和期望值的残差，通过反向传播调整所述RNN循环神经网络的参数，直至所述RNN循环神经网络满足收敛条件，得到预训练的RNN循环神经网络模型。
9.一种基于ARIMA及RNN的立磨振动预测装置，其特征在于，包括：
数据采集模块，被配置为获取表征立磨的实时振动值的第一时序数据及表征与所述立磨实时振动值关联的影响因子的实时值的第二时序数据；
计算模块，被配置为依据所述第一时序数据及所述第二时序数据建立表征所述立磨的振动值与所述影响因子关联关系的第一时间序列矩阵；
第一预测模块，被配置为以所述第一时序数据为输入，经预训练的ARIMA自回归移动平均模型输出预测所述立磨未来振动值的第三时序数据；
第二预测模块，被配置为以所述第一时间序列矩阵为输入，经预训练的RNN循环神经网络模型输出预测所述立磨未来振动值的残差的第四时序数据；
第三预测模块，被配置为对所述第三时序数据及所述第四时序数据求和，输出最终预测所述立磨未来振动值的第五时序数据。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～8中任一项权利要求所述的基于ARIMA及RNN的立磨振动预测方法。
CN202010517591.5A 2020-06-09 2020-06-09 基于arima及rnn的立磨振动预测方法及装置 Active CN111695730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010517591.5A CN111695730B (zh) 2020-06-09 2020-06-09 基于arima及rnn的立磨振动预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010517591.5A CN111695730B (zh) 2020-06-09 2020-06-09 基于arima及rnn的立磨振动预测方法及装置

Publications (2)

Publication Number Publication Date
CN111695730A true CN111695730A (zh) 2020-09-22
CN111695730B CN111695730B (zh) 2023-06-30

Family

ID=72479910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010517591.5A Active CN111695730B (zh) 2020-06-09 2020-06-09 基于arima及rnn的立磨振动预测方法及装置

Country Status (1)

Country Link
CN (1) CN111695730B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561119A (zh) * 2020-10-29 2021-03-26 西安理工大学 一种使用arima-rnn组合模型的云服务器资源性能预测方法
CN112799913A (zh) * 2021-01-28 2021-05-14 中国工商银行股份有限公司 容器运行异常检测方法及装置
CN113012767A (zh) * 2021-02-24 2021-06-22 大唐环境产业集团股份有限公司 基于时间序列的脱硫系统浆液pH值在线预测方法及装置
CN116441031A (zh) * 2023-06-20 2023-07-18 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249752A1 (en) * 2007-04-03 2008-10-09 International Business Machines Corporation Prediction of trends based on history values of an observable
CN106990763A (zh) * 2017-04-20 2017-07-28 浙江大学 一种基于数据挖掘的立磨运行调控系统及方法
WO2019206436A1 (en) * 2018-04-26 2019-10-31 Barcelona Supercomputing Center - Centro Nacional De Supercomputación Fog computing systems and methods
WO2019224739A1 (en) * 2018-05-25 2019-11-28 University Of Johannesburg System and method for real time prediction of water level and hazard level of a dam

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249752A1 (en) * 2007-04-03 2008-10-09 International Business Machines Corporation Prediction of trends based on history values of an observable
CN106990763A (zh) * 2017-04-20 2017-07-28 浙江大学 一种基于数据挖掘的立磨运行调控系统及方法
WO2019206436A1 (en) * 2018-04-26 2019-10-31 Barcelona Supercomputing Center - Centro Nacional De Supercomputación Fog computing systems and methods
WO2019224739A1 (en) * 2018-05-25 2019-11-28 University Of Johannesburg System and method for real time prediction of water level and hazard level of a dam

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
代风;纪杨建;万安平;张真;: "矿渣粉磨健康状态识别模型及系统设计" *
许永强;姜志宏;蔡改贫;郭进山;熊洋;: "基于AR模型的磨机振动信号特征提取方法" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561119A (zh) * 2020-10-29 2021-03-26 西安理工大学 一种使用arima-rnn组合模型的云服务器资源性能预测方法
CN112561119B (zh) * 2020-10-29 2023-05-30 西安理工大学 一种使用arima-rnn组合模型的云服务器资源性能预测方法
CN112799913A (zh) * 2021-01-28 2021-05-14 中国工商银行股份有限公司 容器运行异常检测方法及装置
CN113012767A (zh) * 2021-02-24 2021-06-22 大唐环境产业集团股份有限公司 基于时间序列的脱硫系统浆液pH值在线预测方法及装置
CN116441031A (zh) * 2023-06-20 2023-07-18 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统
CN116441031B (zh) * 2023-06-20 2023-08-25 广东绿富域资源再生科技有限公司 一种焚烧垃圾炉渣的智能化破碎系统

Also Published As

Publication number Publication date
CN111695730B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN111695730A (zh) 基于arima及rnn的立磨振动预测方法及装置
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
CN107315884B (zh) 一种基于线性回归的建筑能耗建模方法
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
WO2016101628A1 (zh) 一种数据建模中的数据处理方法及装置
CN112365029B (zh) 用于空调负荷预测的缺失值处理方法及空调负荷预测系统
CN114706358B (zh) 一种直缝焊管的焊接工艺信息处理方法及系统
CN109033513B (zh) 电力变压器故障诊断方法与电力变压器故障诊断装置
CN111476422A (zh) 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN110046570B (zh) 一种粮仓粮食库存动态监管方法和装置
CN114037673B (zh) 一种基于机器视觉的硬件衔接接口监测方法及系统
CN115456929A (zh) 缺陷检测方法、计算机装置及存储介质
CN115964668A (zh) 一种基于大数据的供热监控分析方法、装置、设备及介质
CN112215398A (zh) 电力用户负荷预测模型建立方法、装置、设备及存储介质
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN105354228A (zh) 相似图搜索方法及装置
CN110782181A (zh) 一种低压台区线损率的计算方法及可读存储介质
CN117541023A (zh) 一种基于bim的桥梁施工进度管理方法及系统
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
CN113496324A (zh) 喷涂质量预测方法、装置、电子设备以及存储介质
CN110991841B (zh) 一种基于ai技术的对招投标过程中不规范行为的分析方法
CN114154415A (zh) 设备寿命的预测方法及装置
CN113343390B (zh) 基于神经网络非线性模型的发动机线性化建模方法
CN111368837A (zh) 一种图像质量评价方法、装置、电子设备及存储介质
CN111144910B (zh) 基于模糊熵均值阴影集的招投标“串标、陪标”对象推荐方法及装置

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