CN111915005A - 一种工业硫磺回收装置尾气二氧化硫含量实时预测方法 - Google Patents
一种工业硫磺回收装置尾气二氧化硫含量实时预测方法 Download PDFInfo
- Publication number
- CN111915005A CN111915005A CN202010630128.1A CN202010630128A CN111915005A CN 111915005 A CN111915005 A CN 111915005A CN 202010630128 A CN202010630128 A CN 202010630128A CN 111915005 A CN111915005 A CN 111915005A
- Authority
- CN
- China
- Prior art keywords
- layer
- encoder
- self
- vector
- output
- 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
Links
Images
Classifications
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
Abstract
本发明公开一种工业硫磺回收装置尾气二氧化硫含量实时预测方法,本发明旨在充分利用SAE较强的特征提取能力,并在SAE的顶层增加一层非线性的输出神经元,从而可以将SAE应用于开发设计一种工业硫磺回收装置尾气二氧化硫含量在线软测量技术。与传统方法相比,首先,本发明方法通过在栈式自编码器的基础上新增一个输出层神经元,将适用于无监督学习的自编码器巧妙的转变成了有监督的软件测量建模方法;其次,本发明方法考虑到了工业硫磺回收装置采样数据在时间上的动态特性,采取将多个时刻的数据整合成一个输入向量,这样可以将时序性体现在软测量建模中;最后,在接下来的具体实施案例中,通过软测量精度对比验证了本发明方法的优越性。
Description
技术领域
本发明涉及一种工业软测量方法,特别涉及一种工业硫磺回收装置尾气二氧化硫含量 实时预测方法。
背景技术
在现代化的工业生产过程中,实时的测量过程运行的关键性指标数据可直接为生产安 全、产品质量、操作优化等提供参考依据。通常来讲,实时测量工业过程中的各种状态数据 最有效也是最直接的方式是使用先进测量仪器与仪表。例如,温度、压力、流量、液位等信 息可通过相应的传感器实现实时在线测量,而且这类传感器技术已经很成熟,硬件购置的费 用也相对大众化。然而,产品含量或浓度信息的测量相对来讲非常困难,通常是通过化学反 应规律来实现测量的。从这个角度来讲,含量或浓度的测量仪器需要定期维护,而且测量数 据实时性不高。这对需要实时利用含量或浓度数据的工业过程对象来说,是非常不利的。可 幸的是,软测量技术为解决这个问题提供了行之有效的解决思路。
在石化加工厂,工业硫磺回收装置可以有效的降低尾气排放中二氧化硫的含量,从而 大幅度降低石化企业对环境尤其是大气造成的污染。因此,工业硫磺回收装置需要实时的监 测尾气中二氧化硫的含量,并通过含量的变化及时调控工业硫磺回收装置的运行状态。如前 所述,二氧化硫(化学分子式为:SO2)含量的实时测量比较困难,石化企业通常不会投入 大量成本去购置实时性较强的在线成分分析仪,一般是通过离线采样分析SO2的含量,这就 对测量数据的实时性问题提出了很大的挑战。在工业硫磺回收装置中,测量的变量除SO2的 含量之外,其他容易测量的变量包括:单乙醇胺流量、汽提过程酸-水相流量等。这些容易测 量变量的采样数据对尾气中SO2的含量是存在很大关联性的。因此可以通过这些流量数据来 实时软测量尾气中SO2的含量。
虽然利用容易测量数据来软测量浓度或含量数据在技术层面上是可行的,但是软测量 能否成功有效应用还的看采用何种软测量建模算法。由于工业硫磺回收装置各个测量变量之 间的存在复杂非线性关系,且工业硫磺回收装置运行状态的复杂性,导致常规神经网络建模 方法的软测量精度不高。若是采样深度神经网络来建立软测量模型,则需要大量的训练数据。 由于工业硫磺回收装置尾气中的二氧化硫含量的测量时依靠离线完成的,不能提供很大量的 训练数据,导致深度神经网络模型的软测量精度有限。因此,针对工业硫磺回收装置尾气二 氧化硫含量在线软测量技术还值得商榷。
发明内容
本发明所要解决的主要技术问题是:如何利用栈式自编码器(Stacked Auto-Encoder,缩 写:SAE)实现对工业硫磺回收装置尾气二氧化硫含量的在线软测量。由于SAE是一类无监 督学习方法,而软测量建模归属为有监督学习。因此,本发明旨在充分利用SAE较强的特征 提取能力,并在SAE的顶层增加一层非线性的输出神经元,从而可以将SAE应用于开发设 计一种工业硫磺回收装置尾气二氧化硫含量在线软测量技术。
本发明方法解决上述问题所采用的技术方案为:一种工业硫磺回收装置尾气二氧化硫 含量在线软测量方法,包括以下步骤:
步骤(1):在工业硫磺回收装置正常运行时,利用5个流量仪表实时测量工业硫磺回 收装置中的流量数据,直至采集得到N个样本数据,分别记录成5个列向量x1,x2,x3,x4,x5, 并利用离线分析仪获取相同测量时刻尾气SO2含量的N个样本数据,对应记录成列向量y, 其中xi由第i个流量的N个样本数据组成,i∈{1,2,3,4,5}分别对应于单乙醇胺气体流量,两个 进气管道内的空气流量,酸-水汽提过程的气相流量,和酸-水汽提过程的空气流量。
其中,RN×5表示N×5维的实数矩阵,表示归一化处理后的第i个数据向量,xi(min) 表示列向量xi中的最小值,xi(max)表示列向量xi中的最大值,ymin与ymax分别表示列向量y 中的最小值和最大值。
步骤(3):搭建一个由M层自编码器串联组成的栈式自编码器,并确定各层自编码器 的隐层神经元个数h1,h2,…,hM、隐层神经元激活函数f(u)和输出层神经元激活函数ζ(u);其 中u表示函数自变量。
步骤(4):根据如下所示公式组建N-9个输入向量z1,z2,…,zn,其中n=N-9。
zj=[X(j+9),X(j+4),X(j+2),X(j)]T ②
上式中,X(j+9),X(j+4),X(j+2),X(j)分别表示数据矩阵X中的第j+9行,第j+4行,第j+2行和第j行的行向量,j∈{1,2,…,n},zj∈R1×20表示第j个输入向量,R1×20表示 1×20维的实数向量,上标号T表示矩阵或向量的转置。
步骤(5):利用反向传播(Back-Propagation,缩写:BP)算法依次训练步骤(3)中搭建的栈式自编码器第1层自编码器,第2层自编码器,直至第M层自编码器的隐层神经元权重系数矩阵W1,W2,…,WM和阈值向量b1,b2,…,bM,具体的实施过程如下所示。
步骤(5.1):第1层自编码器的输入层有20个神经元,隐层有h1个神经元,输出层有20个神经元,并分别初始化隐层神经元和输出层神经元的权重系数矩阵和阈值向量。
步骤(5.2):以z1,z2,…,zn做为第1层自编码器的输入,同时以z1,z2,…,zn做为第1层 自编码器的输出,利用BP算法训练得到第1层自编码器的隐层神经元层权重系数矩阵和阈值向量后,初始化m=1。
步骤(5.3):第m+1层自编码器的输入层有hm个神经元,隐层有hm+1个神经元,输出层有20个神经元,并分别初始化隐层神经元和输出层神经元的权重系数矩阵和阈值向量。
步骤(5.4):以第m层自编码器隐层的输出向量g1(m),g2(m),…,gn(m)做为第m+1层自编码器的输入,同时以z1,z2,…,zn做为第m层自编码器的输出,再次利用BP算法训练得到第m+1层自编码器的隐层神经元的权重系数矩阵和阈值向量其中表示hm×hm+1维的实数矩阵,表示hm+1×1维的实数向量,g1(m),g2(m),…,gn(m)的 计算方式如下所示。
上式中,j∈{1,2,…,n}。
步骤(5.5):判断是否满足m+1<M;若是,则设置m=m+1后返回步骤(5.3);若 否,则训练结束,保留栈式自编码器所有隐层神经元的权重系数矩阵W1,W2,…,WM和阈值向 量b1,b2,…,bM。
步骤(6):在步骤(5)训练好的栈式自编码器的基础上,新增一层只包含一个神经元的输出层,并确定相应的激活函数γ(u)以及初始化该神经元的权重系数与阈值。
步骤(7):以第M层自编码器隐层的输出向量g1(M),g2(M),…,gn(M)做为步骤(6)中输出层神经元的输入,同时以做为输出,利用BP算法训练得到步骤(6) 中输出层神经元的权重系数Wo和阈值bo;其中分别表示输出向量中的 第10个,第11个,至第N个元素。
上述实施步骤完成了对工业硫磺回收装置尾气SO2含量的软测量建模,接下来就是利 用在线实时测量的5个流量数据,实现对尾气SO2含量的实时软测量,具体实施步骤如下所 示。
上式中,i∈{1,2,3,4,5}。
步骤(9):根据at=[v(t),v(t-5),v(t-7),v(t-9)]T组建最新采样时刻的输入向量at,其 中,行向量v(t-5),v(t-7),v(t-9)分别表示t-5采样时刻, t-7采样时刻,t-9采样时刻的测量数据经归一化处理后的数据组建的行向量。
步骤(10):以输入向量at为栈式自编码器的输入,通过步骤(5.5)中保留的权重系数矩阵W1,W2,…,WM和阈值向量b1,b2,…,bM,依次计算得到第1层自编码器隐层,第2层自 编码器隐层,直至第M层自编码器隐层的输出向量c1,c2,…,cM,具体的实施过程如下所示:
步骤(10.1):根据公式c1=f(W1 Tat+b1)计算第1层自编码器隐层的输出向量c1,再初始化m=2。
步骤(10.3):判断是否满足m<M;若是,则设置m=m+1后,返回步骤(10.2); 若否,则得到第M层自编码器隐层神经元的输出向量cM。
步骤(12):返回步骤(8),继续实施对下一个最新采样时刻的SO2含量的软测量。
通过以上所述实施步骤,本发明方法的优势介绍如下
首先,本发明方法通过在栈式自编码器的基础上新增一个输出层神经元,将适用于无 监督学习的自编码器巧妙的转变成了有监督的软件测量建模方法;其次,本发明方法考虑到 了工业硫磺回收装置采样数据在时间上的动态特性,采取将多个时刻的数据整合成一个输入 向量,这样可以将时序性体现在软测量建模中;最后,在接下来的具体实施案例中,通过软 测量精度对比验证了本发明方法的优越性。
附图说明
图1为本发明方法的实施流程示意图。
图2为工业硫磺回收装置的结构示意图
图3为用于软测量建模的栈式自编码器的结构示意图。
图4为本发明方法与其他方法在软测量工业硫磺回收装置尾气SO2含量的精度对比。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明公开了一种工业硫磺回收装置尾气二氧化硫含量实时预测方法, 下面结合一个具体应用实例来说明本发明方法的具体实施方式。
如图2所示,工业硫磺回收装置通过四个子单元的并行工作将工业酸性气体中的硫磺 进行回收产生副产品。经过处理后的工业酸性气体的SO2含量得到有效的降低,从而满足石 化企业的环保生产要求;具体的组成包括:一个具备两个独立燃烧室的反应炉(F101)、四个 冷凝器(E101~E104)、和两个催化反应器(R101与R102);图2所示的工业硫磺回收装置的流 量测量仪表分别是单乙醇胺气体流量仪表,两个燃烧室的空气进气流量仪表,酸-水汽提过程 的气相流量仪表,和酸-水汽提过程的空气流量仪表。
首先,利用1000个样本数据离线训练软测量模型,具体包括如下所示步骤(1)至步骤(7)。
步骤(1):在工业硫磺回收装置正常运行时,利用5个流量仪表实时测量工业硫磺回 收装置中的流量数据,直至采集得到N=1000个样本数据,分别记录成5个列向量 x1,x2,x3,x4,x5,并利用离线分析仪获取相同测量时刻尾气SO2含量的1000个样本数据,对应 记录成列向量y。
步骤(3):搭建一个由M=3层自编码器串联组成的栈式自编码器,其结构如图3所示,并确定各层自编码器的隐层神经元个数h1,h2,h3、隐层神经元激活函数f(u)和输出层神经 元激活函数ζ(u);
步骤(4):根据上述公式②组建N-9个输入向量z1,z2,…,zn,其中n=N-9=991。
步骤(5):利用反向传播(Back-Propagation,缩写:BP)算法依次训练步骤(3)中搭建的栈式自编码器第1层自编码器,第2层自编码器,直至第M层自编码器的隐层神经元权重系数矩阵W1,W2,…,WM和阈值向量b1,b2,…,bM。
值得指出的是,利用BP算法训练自编码器的权重叙述和阈值时,需要确定相应的目 标函数;以第m层的自编码器为例,其目标函数为:
步骤(6):在步骤(5)训练好的栈式自编码器的基础上,新增一层只包含一个神经元的输出层,并确定相应的激活函数γ(u)以及初始化该神经元的权重系数与阈值;
步骤(7):以第M层自编码器隐层hM个神经元的输出向量g1(M),g2(M),…,gn(M)做为步骤(6)中输出层神经元的输入,同时以做为输出,利用BP算法训 练得到步骤(6)中输出层神经元的权重系数Wo和阈值bo;
至此,离线的软测量建模阶段完成,接下来就是利用在线实时测量的5个流量数据软 测量得到尾气中SO2的含量,具体包括如下所示步骤(8)至步骤(12)。
步骤(9):根据at=[v(t),v(t-5),v(t-7),v(t-9)]T组建最新采样时刻的输入向量at。
步骤(10):以输入向量at为栈式自编码器的输入,通过步骤(5.5)中保留的权重系数矩阵W1,W2,…,WM和阈值向量b1,b2,…,bM,依次计算得到第1层自编码器隐层,第2层自 编码器隐层,直至第M层自编码器隐层的输出向量c1,c2,…,cM。
步骤(12):返回步骤(8),继续实施对下一个最新采样时刻的SO2含量的实时预测。
如图4所示,本发明方法应用于在线软测量SO2含量的实际值与软测量值对比;从图 4中可以发现,本发明方法软测量精度很高;此外,本发明方法与其他两种有监督型的神经 网络软测量技术(浅层神经网络与多层神经网络)进行精度上的对比,对比结果如下表1所 示。
表1.SO2含量的软测量精度对比(软测量误差)。
方法技术名称 | 软测量误差 |
浅层神经网络 | 3.40 |
多层神经网络 | 2.97 |
本发明方法 | 2.90 |
从上表1中可以发现,本发明方法能降低软测量误差,从而验证了本发明方法的软测 量精度优势。
上述实施案例只用来解释说明本发明的具体实施,而不是对本发明进行限制。在本发 明的精神和权利要求的保护范围内,对本发明做出的任何修改,都落入本发明的保护范围。
Claims (1)
1.一种工业硫磺回收装置尾气二氧化硫含量实时预测方法,其特征在于,包括以下步骤:
首先,离线建模阶段包括如下所示步骤(1)至步骤(8);
步骤(1):在工业硫磺回收装置正常运行时,利用5个流量仪表实时测量工业硫磺回收装置中的流量数据,直至采集得到N个样本数据,分别记录成5个列向量x1,x2,x3,x4,x5,并利用离线分析仪获取相同采样时刻尾气SO2含量的N个样本数据,对应记录成列向量y,其中xi由第i个流量的N个样本数据组成,i∈{1,2,3,4,5}分别对应于单乙醇胺气体流量,两个进气管道内的空气流量,酸-水汽提过程的气相流量,和酸-水汽提过程的空气流量;
其中,RN×5表示N×5维的实数矩阵,表示归一化处理后的第i个数据向量,xi(min)表示列向量xi中的最小值,xi(max)表示列向量xi中的最大值,ymin与ymax分别表示列向量y中的最小值和最大值;
步骤(3):搭建一个由M层自编码器串联组成的栈式自编码器,并确定各层自编码器的隐层神经元个数h1,h2,…,hM、隐层神经元激活函数f(u)和输出层神经元激活函数ζ(u);其中u表示函数自变量;
步骤(4):根据如下所示公式组建N-9个输入向量z1,z2,…,zn,其中n=N-9;
zj=[X(j+9),X(j+4),X(j+2),X(j)]T ②
上式中,X(j+9),X(j+4),X(j+2),X(j)分别表示数据矩阵X中的第j+9行,第j+4行,第j+2行和第j行的行向量,j∈{1,2,…,n},zj∈R20×1表示第j个输入向量,R20×1表示20×1维的实数向量,上标号T表示矩阵或向量的转置;
步骤(5):利用BP算法依次训练步骤(3)中搭建的栈式自编码器第1层自编码器,第2层自编码器,直至第M层自编码器的隐层神经元权重系数矩阵W1,W2,…,WM和阈值向量b1,b2,…,bM,具体的实施过程如下所示;
步骤(5.1):第1层自编码器的输入层有20个神经元,隐层有h1个神经元,输出层有20个神经元,并分别初始化隐层神经元和输出层神经元的权重系数矩阵和阈值向量;
步骤(5.2):以z1,z2,…,zn做为第1层自编码器的输入,同时以z1,z2,…,zn做为第1层自编码器的输出,利用BP算法训练得到第1层自编码器的隐层神经元层权重系数矩阵和阈值向量后,初始化m=1;
步骤(5.3):第m+1层自编码器的输入层有hm个神经元,隐层有hm+1个神经元,输出层有20个神经元,并分别初始化隐层神经元和输出层神经元的权重系数矩阵和阈值狗粮;
步骤(5.4):以第m层自编码器隐层的输出向量g1(m),g2(m),…,gn(m)做为第m+1层自编码器的输入,同时以z1,z2,…,zn做为第m层自编码器的输出,再次利用BP算法训练得到第m+1层自编码器的隐层神经元的权重系数矩阵和阈值向量其中表示hm×hm+1维的实数矩阵,表示hm+1×1维的实数向量,g1(m),g2(m),…,gn(m)的计算方式如下所示:
上式中,j∈{1,2,…,n};
步骤(5.5):判断是否满足m+1<M;若是,则设置m=m+1后返回步骤(5.3);若否,则训练结束,保留栈式自编码器所有隐层神经元的权重系数矩阵W1,W2,…,WM和阈值向量b1,b2,…,bM;
步骤(6):在步骤(5)训练好的栈式自编码器的基础上,新增一层只包含一个神经元的输出层,并确定相应的激活函数γ(u)以及初始化该神经元的权重系数与阈值;
步骤(7):以第M层自编码器隐层的输出向量g1(M),g2(M),…,gn(M)做为步骤(6)中输出层神经元的输入,同时以做为输出,利用BP算法训练得到步骤(6)中输出层神经元的权重系数Wo和阈值bo;其中分别表示输出向量中的第10个,第11个,至第N个元素;
上述实施步骤完成了对工业硫磺回收装置尾气SO2含量的软测量建模,接下来就是利用在线实时测量的5个流量数据,实现对尾气SO2含量的实时软测量,具体实施步骤如下所示;
上式中,i∈{1,2,3,4,5};
步骤(9):根据at=[v(t),v(t-5),v(t-7),v(t-9)]T组建最新采样时刻的输入向量at,其中,行向量v(t-5),v(t-7),v(t-9)分别表示t-5采样时刻,t-7采样时刻,t-9采样时刻的测量数据经归一化处理后的数据组建的行向量;
步骤(10):以输入向量at为栈式自编码器的输入,通过步骤(5.5)中保留的权重系数矩阵W1,W2,…,WM和阈值向量b1,b2,…,bM,依次计算得到第1层自编码器隐层,第2层自编码器隐层,直至第M层自编码器隐层的输出向量c1,c2,…,cM,具体的实施过程如下所示;
步骤(10.1):根据公式c1=f(W1 Tat+b1)计算第1层自编码器隐层的输出向量c1,再初始化m=2;
步骤(10.3):判断是否满足m<M;若是,则设置m=m+1后,返回步骤(10.2);若否,则得到第M层自编码器隐层神经元的输出向量cM;
步骤(12):返回步骤(8),继续实施对下一个最新采样时刻的SO2含量的实时预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630128.1A CN111915005B (zh) | 2020-06-23 | 2020-06-23 | 一种工业硫磺回收装置尾气二氧化硫含量实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630128.1A CN111915005B (zh) | 2020-06-23 | 2020-06-23 | 一种工业硫磺回收装置尾气二氧化硫含量实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915005A true CN111915005A (zh) | 2020-11-10 |
CN111915005B CN111915005B (zh) | 2023-09-26 |
Family
ID=73227314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630128.1A Active CN111915005B (zh) | 2020-06-23 | 2020-06-23 | 一种工业硫磺回收装置尾气二氧化硫含量实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915005B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018075016A1 (en) * | 2016-10-18 | 2018-04-26 | Mawetal Llc | Environment-friendly marine fuel |
CN108921343A (zh) * | 2018-06-26 | 2018-11-30 | 浙江工业大学 | 基于堆栈自编码器-支持向量回归的交通流量预测方法 |
CN109255469A (zh) * | 2018-08-07 | 2019-01-22 | 河海大学 | 融合栈式自编码器和支持向量回归的洪水预测方法 |
CN110442991A (zh) * | 2019-08-12 | 2019-11-12 | 江南大学 | 一种基于参数化fir模型的动态硫回收软测量建模方法 |
-
2020
- 2020-06-23 CN CN202010630128.1A patent/CN111915005B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018075016A1 (en) * | 2016-10-18 | 2018-04-26 | Mawetal Llc | Environment-friendly marine fuel |
CN109844075A (zh) * | 2016-10-18 | 2019-06-04 | 马威特尔有限责任公司 | 环保型船用燃料 |
CN108921343A (zh) * | 2018-06-26 | 2018-11-30 | 浙江工业大学 | 基于堆栈自编码器-支持向量回归的交通流量预测方法 |
CN109255469A (zh) * | 2018-08-07 | 2019-01-22 | 河海大学 | 融合栈式自编码器和支持向量回归的洪水预测方法 |
CN110442991A (zh) * | 2019-08-12 | 2019-11-12 | 江南大学 | 一种基于参数化fir模型的动态硫回收软测量建模方法 |
Non-Patent Citations (1)
Title |
---|
谢国 等: "列车轴温监测数据软测量方法", 《交通运输工程学报》, vol. 18, no. 6, pages 101 - 111 * |
Also Published As
Publication number | Publication date |
---|---|
CN111915005B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Hierarchical quality-relevant feature representation for soft sensor modeling: A novel deep learning strategy | |
CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
Yuan et al. | Stacked enhanced auto-encoder for data-driven soft sensing of quality variable | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
Zio et al. | Failure and reliability predictions by infinite impulse response locally recurrent neural networks | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
CN112241609A (zh) | 柴油机NOx排放实时估计系统 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
Guo et al. | Deep learning technique for process fault detection and diagnosis in the presence of incomplete data | |
Zhang et al. | A two-stage data-driven approach to remaining useful life prediction via long short-term memory networks | |
CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
CN115034129A (zh) | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 | |
Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
CN111915005A (zh) | 一种工业硫磺回收装置尾气二氧化硫含量实时预测方法 | |
Curreri et al. | Soft Sensor Transferability between Lines of a Sulfur Recovery Unit | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN111915006B (zh) | 一种基于有监督型sae的尾气硫化氢浓度实时监测方法 | |
CN111916156B (zh) | 一种基于栈式自编码器的尾气含硫物质浓度实时预测方法 | |
CN111914477A (zh) | 一种基于sae的脱丁烷塔底部产品丁烷浓度实时监测方法 | |
Chang et al. | Soft Sensor of the Key Effluent Index in the Municipal Wastewater Treatment Process Based on Transformer | |
Yao et al. | Attention Weighted SIQAE Neural Network for Chemical Process Quality Prediction | |
CN111781821B (zh) | SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法 | |
Xu et al. | Adaptive control of a class of nonlinear discrete-time systems using support vector machine | |
Vicario et al. | Learning on Scarce Data for Industrial Control: a Transfer Learning approach |
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 |