CN112069744B - 一种基于数据挖掘的加热炉运行参数推荐系统和方法 - Google Patents
一种基于数据挖掘的加热炉运行参数推荐系统和方法 Download PDFInfo
- Publication number
- CN112069744B CN112069744B CN202010916391.7A CN202010916391A CN112069744B CN 112069744 B CN112069744 B CN 112069744B CN 202010916391 A CN202010916391 A CN 202010916391A CN 112069744 B CN112069744 B CN 112069744B
- Authority
- CN
- China
- Prior art keywords
- sample
- heating
- optimal
- data
- sample set
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000007418 data mining Methods 0.000 title claims abstract description 26
- 239000000446 fuel Substances 0.000 claims abstract description 73
- 238000004519 manufacturing process Methods 0.000 claims abstract description 69
- 230000003993 interaction Effects 0.000 claims description 45
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000033764 rhythmic process Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000011157 data evaluation Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010079 rubber tapping Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 description 24
- 239000007789 gas Substances 0.000 description 10
- 238000007619 statistical method Methods 0.000 description 10
- 239000002436 steel type Substances 0.000 description 10
- 238000005096 rolling process Methods 0.000 description 9
- 229910000831 Steel Inorganic materials 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 8
- 238000002791 soaking Methods 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 238000002372 labelling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D11/00—Process control or regulation for heat treatments
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21D—MODIFYING THE PHYSICAL STRUCTURE OF FERROUS METALS; GENERAL DEVICES FOR HEAT TREATMENT OF FERROUS OR NON-FERROUS METALS OR ALLOYS; MAKING METAL MALLEABLE, e.g. BY DECARBURISATION OR TEMPERING
- C21D9/00—Heat treatment, e.g. annealing, hardening, quenching or tempering, adapted for particular articles; Furnaces therefor
- C21D9/70—Furnaces for ingots, i.e. soaking pits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B45/00—Devices for surface or other treatment of work, specially combined with or arranged in, or specially adapted for use in connection with, metal-rolling mills
- B21B45/004—Heating the product
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Databases & Information Systems (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Data Mining & Analysis (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
本发明提供一种基于数据挖掘的加热炉运行参数推荐系统和方法，通过获取并存储当前时刻、历史时刻中加热炉的生产数据和加热数据；根据存储的数据生成包括多个样本的总样本集；根据存储的数据设定参数推荐条件；根据参数推荐条件计算并显示最优运行参数值和最优运行参数范围。本发明不仅能够实现对加热炉在不同需求下的加热运行的各个控制参数更加准确和精细化的推荐，而且还能有效的提升加热炉的加热质量，并同时降低燃料单耗的需求。
Description
技术领域
本发明涉及冶金工业加热炉控制技术领域，特别是涉及一种基于数据挖掘的加热炉运行参数推荐系统和方法。
背景技术
加热炉是冶金工业生产过程至关重要的加热设备，其作用是通过对钢坯进行加热操作，使其满足后续轧制的要求。加热炉加热过程的好坏不仅影响钢坯的加热质量与能源消耗，也对后续钢材的产量、质量等有着重要影响。因此，对加热炉加热过程的控制是十分必要的。
现有技术方案对于加热炉运行参数的确定通常依赖于对燃耗理论与加热工艺的理解，根据经验公式或使用数学方法(例如有限元分析以及有限差分法等)进行理论推导；例如专利《一种精细化加热控制方法》(专利申请号：CN201911209027.0)提出了使用数学模型对实时加热质量进行预测，并根据预测结果对炉温进行参数设定的技术方案。
现有技术对于加热炉运行参数的设定种类上，主要考虑了加热时间、加热温度、生产节奏。例如《一种变生产节奏下的加热炉炉温设定方法》(专利申请号：CN201710266928.8)在考虑了变化生产节奏的情况下采用传感器测量和实时计算来对加热炉炉温进行调整和控制。
现有技术存在的缺陷：
1.现有方法大多数是基于模型的，从加热理论，加热工艺，自动控制原理等出发构建优化模型，所构建的模型通常与现实物理环境存在一定的误差。
2.适用范围小，迁移能力差，不能满足多层次的需求。通常基于某些特定的条件，特定的需求进行优化，所构建的模型只适用于该种情形下。
3.现有方法能够由计算机自动调整的参数较少(通常只对炉温、时间、生产节奏进行了的自动设定)，不够精细化，部分参数仍然需要人工根据经验设定。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于数据挖掘的加热炉运行参数推荐系统和方法，用于解决现有技术中存在的问题。
为实现上述目的及其他相关目的，本发明提供一种基于数据挖掘的加热炉运行参数推荐方法，包括有：
获取当前时刻加热炉的生产数据和整个加热过程的加热数据，以及历史时刻加热炉的生产数据和加热数据；
存储当前时刻以及历史时刻的生产数据和加热数据，并生成包括多个样本的总样本集；其中，单个样本均包括每一项参数数据；
根据存储的数据在人机交互界面设定参数推荐条件；其中，参数推荐条件包括：生产数据参数、加热数据范围以及评价函数权重；
根据所述评价函数权重和预设打分公式对设定的加热数据范围对应的样本进行评价打分，获得对应的样本得分；将所述样本得分与置信度、支持度进行结合寻找最优样本，根据所述最优样本计算最优运行参数值；以及根据所述最优样本和预设寻优方法在特征空间中找出近邻样本集，根据所述近邻样本集计算最优运行参数范围；并在人机交互界面显示最优运行参数值和最优运行参数范围。
可选地，计算最优运行参数范围，包括：
通过预设寻优方法找到最优样本，并计算总样本集D中其余样本di与所述最优样本的欧氏距离disti；其中，i为样本序号，i＝1，2，...，n；
在所述欧式距离disti满足距离阈值dist_t限制条件后，计算融合目标加权评分swi后的距离s_disti；其中，s_disti＝disti*k1+(1-swi)*k2；k1，k2为人工设定的权重；
根据距离s_disti对所述总样本集D中的样本按照从小到大进行排序，并选择前K个样本形成近邻样本集N；
根据所述近邻样本集N计算最优运行参数范围R。
可选地，通过预设寻优方法找到最优样本，包括：
根据总样本集D的目标加权得分从高到低排序，设定一个窗口大小win，每轮遍历win个样本；
计算本轮中每个样本的支持度和置信度；若某个样本的支持度满足设定的阈值，且置信度在本轮所有样本中最大，则判定该样本为最优样本；若未找到最优样本，则按照相同方法进行下一轮遍历，直至出现最优样本。
可选地，所述目标加权评分swi的计算包括：
swi＝s1i*w1+s2i*w2；
其中，swi为目标加权评分；s1i为加热质量评分；s2i为燃料单耗评分；w1为归一化后加热质量权重；w2为归一化后燃料单耗权重。
可选地，所述评价函数权重包括加热质量权重a1、燃料单耗权重a2；
对加热质量权重a1、燃料单耗权重a2进行归一化，获取归一化后的权重；有：
其中，wj为归一化后的权重。
可选地，加热质量评分s1i和燃料单耗评分s2i的计算包括：
其中，tmax为过滤异常样本后的样本集S中断面温差的最大值；
tmin为过滤异常样本后的样本集S中断面温差的最小值；
rmax为过滤异常样本后的样本集S中燃料单耗的最大值；
rmin为过滤异常样本后的样本集S中燃料单耗的最小值；
ti为过滤异常样本后的样本集S中各个样本的断面温差；
ri为过滤异常样本后的样本集S中各个样本的燃料单耗。
可选地，对于操控参数，寻找近邻样本集N中的最大值和最小值作为最优运行参数的区间值，确定最优运行参数范围R1；其中，操控参数至少包括炉温、空燃比和空气流量；
对于不可控参数以及断面温差、燃料单耗这些评价指标，计算近邻样本集N中的均值作为推荐值，得到推荐值集R2；其中，不可控参数至少包括出钢节奏。
可选地，按照设定的参数推荐条件从加热炉动态数据库中获取总样本集D，采用聚类算法对总样本集D中的异常样本进行识别，得到异常样本集合F；则过滤异常样本后的样本集S＝D－F。
可选地，还包括以可视化的图线和/或图表显示最优运行参数值和最优运行参数范围。
本发明还提供一种基于数据挖掘的加热炉运行参数推荐系统，包括有：
加热数据采集器模块，用于实时获取当前时刻加热炉的生产数据和整个加热过程的加热数据；以及获取历史时刻加热炉的生产数据和加热数据；
加热炉动态数据库，用于存储当前时刻以及历史时刻的生产数据和加热数据，并生成包括多个样本的总样本集；其中，单个样本均包括每一项参数数据；
人机交互模块，用于根据所述加热炉动态数据库存储的数据设定参数推荐条件，以及显示最优运行参数值和显示最优运行参数范围；其中，参数推荐条件包括：生产数据参数、加热数据范围以及评价函数权重；
加热数据评价与推荐算法模块，包括评价单元与推荐单元；所述评价单元用于根据所述评价函数权重和预设打分公式对设定的加热数据范围对应的样本进行评价打分，获得对应的样本得分；所述推荐单元用于将所述样本得分与置信度、支持度进行结合寻找最优样本，根据所述最优样本计算最优运行参数值；以及根据所述最优样本和预设寻优方法在特征空间中找出近邻样本集，根据所述近邻样本集计算最优运行参数范围。
如上所述，本发明提供一种基于数据挖掘的加热炉运行参数推荐系统和方法，具有以下有益效果：通过获取并存储当前时刻加热炉的生产数据和整个加热过程的加热数据，以及历史时刻加热炉的生产数据和加热数据；根据存储的数据生成包括多个样本的总样本集；其中，单个样本均包括每一项参数数据；根据存储的数据在人机交互界面设定参数推荐条件；其中，参数推荐条件包括：生产数据参数、加热数据范围以及评价函数权重；根据评价函数权重和预设打分公式对设定的加热数据范围对应的样本进行评价打分，获得对应的样本得分；将样本得分与置信度、支持度进行结合寻找最优样本，根据最优样本计算最优运行参数值；以及根据最优样本和预设寻优方法在特征空间中找出近邻样本集，根据近邻样本集计算最优运行参数范围；并在人机交互界面显示最优运行参数值和最优运行参数范围。本发明根据计算出的加热炉的最优运行参数值和最优运行参数范围来控制加热炉，可以提升加热炉运行的控制精度，进一步降低能耗，提升加热质量；而且本发明还可以在自动设定和人工设定之间进行选择，不局限于固定的生产范围、固定的质量和能耗偏好、固定的参考数据范围，能够更加灵活适用于生产，可依据实际生产需要进行个性化定制加热参数的推荐设定。同时，本发明基于真实生产数据构建算法模型，可以融入更多的参数采集、分析、评价和推荐设定。在数据挖掘的基础上，本发明能够满足不同业务需求下的加热炉运行参数精细化推荐，达到提升加热质量和降低能耗的目的。本发明不仅能够实现对加热炉在不同需求下的加热运行的各个控制参数更加准确和精细化的推荐，而且还能有效的提升加热炉的加热质量，并同时降低燃料单耗的需求。
附图说明
图1为一实施例提供的基于数据挖掘的加热炉运行参数推荐方法的流程示意图；
图2为另一实施例提供的基于数据挖掘的加热炉运行参数推荐方法的流程示意图；
图3为一实施例提供的基于数据挖掘的加热炉运行参数推荐系统的硬件结构示意图。
元件标号说明
M10 加热数据采集器模块
M20 加热炉动态数据库
M30 人机交互模块
M40 加热数据评价与推荐算法模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具备技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
请参阅图1，本实施例提供一种基于数据挖掘的加热炉运行参数推荐方法，包括有：
S100，获取当前时刻加热炉的生产数据和整个加热过程的加热数据，以及历史时刻加热炉的生产数据和加热数据。作为示例，本申请实施例通过加热数据采集器采集生产数据和加热数据，包括采集钢种、钢坯规格、成品规格、入炉温度、在炉时长、热值、炉膛压力均值、断面温差、燃料单耗；预热段、加热段、均热段的出口温度、上下部炉温、残氧值；加热段上下部空燃比、空气流量、煤气流量；均热段轧机侧和非轧机侧的上下部空燃比、空气流量、煤气流量参数。
S200，存储当前时刻以及历史时刻的生产数据和加热数据，并生成包括多个样本的总样本集；其中，单个样本均包括每一项参数数据。作为示例，加热炉动态数据库中存储的数据包括：钢种、钢坯规格、成品规格、入炉温度、在炉时长、热值、炉膛压力均值、断面温差、燃料单耗、异常数据标签；预热段、加热段、均热段的出口温度、上下部炉温、残氧值；加热段上下部空燃比、空气流量、煤气流量；均热段轧机侧和非轧机侧的上下部空燃比、空气流量、煤气流量。
S300，根据存储的数据在人机交互界面设定参数推荐条件；其中，参数推荐条件包括：生产数据参数、加热数据范围以及评价函数权重。作为示例，本申请实施例中的人机交互界面包括人机交互设定界面和人机交互显示界面。其中，人机交互设定界面用于根据存储的数据设定参数推荐条件。本申请实施例中，人机交互设定界面的设定方式可在系统自动生成、自动推荐和人工设定之间自由选择切换。人机交互设定界面设定内容包括钢种、钢坯规格、成品规格、分析时间、是否过滤异常值、加热质量和燃料单耗；通过多种推荐启动条件的设定，可以更好的获得推荐参数。例如通过自动设定或人工设定的方式，设置生产信息、历史数据范围、加热质量权重、燃料单耗权重。
S400，根据评价函数权重和预设打分公式对设定的加热数据范围对应的样本进行评价打分，获得对应的样本得分；将样本得分与置信度、支持度进行结合寻找最优样本，根据最优样本计算最优运行参数值；以及根据最优样本和预设寻优方法在特征空间中找出近邻样本集，根据近邻样本集计算最优运行参数范围；并在人机交互显示界面显示最优运行参数值和最优运行参数范围。作为示例，例如接收人机交互设定界面设定的参数推荐条件，利用大数据挖掘、分析、处理的方法对筛选出的历史数据进行评价，计算出加热炉最优运行参数值和最优运行参数范围，并将最优运行参数值和最优运行参数范围推荐至人机交互显示界面进行显示。
本方法根据计算出的加热炉的最优运行参数值和最优运行参数范围来控制加热炉，可以提升加热炉运行的控制精度，进一步降低能耗，提升加热质量；而且本方法还可以在自动设定和人工设定之间进行选择，不局限于固定的生产范围、固定的质量和能耗偏好、固定的参考数据范围，能够更加灵活适用于生产，可依据实际生产需要进行个性化定制加热参数的推荐设定。同时，本方法基于真实生产数据构建算法模型，可以融入更多的参数采集、分析、评价和推荐设定。
在一示例性实施例中，计算最优运行参数范围，包括：通过预设寻优方法找到最优样本，并计算总样本集D中其余样本di与最优样本的欧氏距离disti；其中，i为样本序号，i＝1，2，...，n；在欧式距离disti满足距离阈值dist_t限制条件后，计算融合目标加权评分swi后的距离s_disti；其中，s_disti＝disti*k1+(1-swi)*k2；k1，k2为人工设定的权重；根据距离s_disti对总样本集D中的样本按照从小到大进行排序，并选择前K个样本形成近邻样本集N；根据近邻样本集N计算最优运行参数范围R。作为示例，本申请实施例通过预设寻优方法找到最优样本，包括：根据总样本集D的目标加权得分从高到低排序，设定一个窗口大小win，每轮遍历win个样本；计算本轮中每个样本的支持度和置信度；若某个样本的支持度满足设定的阈值，且置信度在本轮所有样本中最大，则判定该样本为最优样本；若未找到最优样本，则按照相同方法进行下一轮遍历，直至出现最优样本。本申请实施例中K的取值范围为5-15，K取整数。作为示例，本申请实施例中的K取10。
根据上述记载，在一示例性实施例中，评价函数权重包括加热质量权重a1、燃料单耗权重a2；a1和a2为0-100以内任意整数；例如a1＝50，a2＝50。
对加热质量权重a1、燃料单耗权重a2进行归一化，获取归一化后的权重；有：
其中，wj为归一化后的权重。即w1为归一化后加热质量权重；w2为归一化后燃料单耗权重。本申请实施例中，若a1＝50，a2＝50，则归一化后加热质量权重w1＝0.5，归一化后燃料单耗权重w2＝0.5。
目标加权评分swi的计算包括：swi＝s1i*w1+s2i*w2；
其中，swi为目标加权评分；s1i为加热质量评分；s2i为燃料单耗评分；w1为归一化后加热质量权重；w2为归一化后燃料单耗权重。
其中，加热质量评分s1i和燃料单耗评分s2i的计算包括：
其中，tmax为过滤异常样本后的样本集S中断面温差的最大值；
tmin为过滤异常样本后的样本集S中断面温差的最小值；
rmax为过滤异常样本后的样本集S中燃料单耗的最大值；
rmin为过滤异常样本后的样本集S中燃料单耗的最小值；
ti为过滤异常样本后的样本集S中各个样本的断面温差；
ri为过滤异常样本后的样本集S中各个样本的燃料单耗。
根据上述记载，按照设定的参数推荐条件从加热炉动态数据库中获取总样本集D，采用聚类算法对总样本集D中的异常样本进行识别，得到异常样本集合F；则过滤异常样本后的样本集S＝D－F。
根据上述记载，在一些示例性实施例中，对于炉温、空燃比、空气流量等操控参数，寻找近邻样本集N中的最大值和最小值作为最优运行参数的区间值，确定最优运行参数范围R1。
对于出钢节奏等其他不可控参数，以及断面温差、燃料单耗等评价指标，计算近邻样本集N中的均值作为推荐值，得到推荐值集R2。
根据上述记载，在一些示例性实施例中，还可以以可视化的图线和/或图表在人机交互显示界面显示最优运行参数值和最优运行参数范围。例如，在人机交互显示界面显示统计分析图表、能耗直方图、温度曲线图；显示的主要参数可以是：炉膛压力值、上部炉温、下部炉温、残氧值；其他参数可以是：空燃比、空气流量、煤气流量；以及预计优化效果展示：能耗、断面温差。
在另一实施例中，如图2所示，S101，在人机交互模块的设定界面，人工设定生产信息参数和数据范围参数以及根据实际生产需求设定评价函数权重值；或通过加热数据采集器模块自动获取当前钢坯信息后，自动生成其他生产信息参数、数据范围参数以及评价函数权重值；
S102，从加热炉动态数据库中按上述筛选条件筛选出将要分析的数据样本；
S103，启动加热数据评价与推荐算法模块，包括对筛选后的数据结合评价函数权重值和打分公式对样本进行打分；结合样本得分，置信度，支持度等寻找最优样本并计算最优运行参数值；根据最优样本和寻优算法在特征空间中找出近邻样本集，根据样本集合计算最优运行参数范围；同时根据数据样本计算和生成统计分析图表；
S104，将最优运行参数、最优运行参数范围以及统计分析图表返回给人机交互模块的结果界面。
本实施例根据计算出的加热炉的最优运行参数值和最优运行参数范围来控制加热炉，可以提升加热炉运行的控制精度，进一步降低能耗，提升加热质量；而且本实施例还可以在自动设定和人工设定之间进行选择，不局限于固定的生产范围、固定的质量和能耗偏好、固定的参考数据范围，能够更加灵活适用于生产，可依据实际生产需要进行个性化定制加热参数的推荐设定。同时，本实施例基于真实生产数据构建算法模型，可以融入更多的参数采集、分析、评价和推荐设定。在数据挖掘的基础上，本实施例能够满足不同业务需求下的加热炉运行参数精细化推荐，达到提升加热质量和降低能耗的目的。本实施例提供一种基于数据挖掘的加热炉运行控制参数推荐方法，实现对加热炉在不同需求下的加热运行的各个控制参数更加准确和精细化的推荐，并且能有效的提升加热炉的加热质量同时降低燃料单耗的需求。
根据上述记载，在一示例性实施例中，在人机交互设定界面进行设定前，还包括：加热炉动态数据库对数据的分类标注；加热采集器对当前钢种、钢材规格信息的实时采集；对数据的分类标注可以提高后续的运算速度和精度。本申请实施例在人机交互界面可以自动设定或者人工设定；其中，人机交互界面包括生产信息单元、数据范围单元、能耗与质量权重单元。生产信息单元用于设定钢种、钢坯规格、成品规格信息；数据范围单元用于设定时间范围、是否排除异常数据；燃料单耗和加热质量权重单元用于设定加热质量权重a1、燃料单耗权重a2；其中，a1和a2为0-100以内任意整数。
根据上述记载，本申请实施例中的最优运行参数包括主要参数、其他参数和统计分析图；其中，主要参数是实现加热质量和降低能耗的主要关联参数；其他参数是除去主要参数的其他关联参数；统计分析图包括温度曲线图、能耗直方图。通过主要参数、其他参数和统计分析图标可以从更多维度进行参数推荐。
根据上述一些示例性实施例的记载，本发明中在人机交互设定界面交互输入参数如表1所示。
表1交互输入参数
根据上述一些示例性实施例的记载，本发明中在人机交互显示界面显示的主要推荐参数如表2所示。
表2主要推荐参数
根据上述一些示例性实施例的记载，本发明中在人机交互显示界面显示的其他推荐参数如表3所示。
表3其他推荐参数
如图3所示，本发明还提供一种基于数据挖掘的加热炉运行参数推荐系统，包括有：
加热数据采集器模块M10，用于实时获取当前时刻加热炉的生产数据和整个加热过程的加热数据；以及获取历史时刻加热炉的生产数据和加热数据。作为示例，本申请实施例通过加热数据采集器采集生产数据和加热数据，包括采集钢种、钢坯规格、成品规格、入炉温度、在炉时长、热值、炉膛压力均值、断面温差、燃料单耗；预热段、加热段、均热段的出口温度、上下部炉温、残氧值；加热段上下部空燃比、空气流量、煤气流量；均热段轧机侧和非轧机侧的上下部空燃比、空气流量、煤气流量参数。
加热炉动态数据库M20，用于存储当前时刻以及历史时刻的生产数据和加热数据，并生成包括多个样本的总样本集；其中，单个样本均包括每一项参数数据。作为示例，加热炉动态数据库M20中存储的数据包括：钢种、钢坯规格、成品规格、入炉温度、在炉时长、热值、炉膛压力均值、断面温差、燃料单耗、异常数据标签；预热段、加热段、均热段的出口温度、上下部炉温、残氧值；加热段上下部空燃比、空气流量、煤气流量；均热段轧机侧和非轧机侧的上下部空燃比、空气流量、煤气流量。
人机交互模块M30，用于根据加热炉动态数据库存储的数据设定参数推荐条件，以及显示最优运行参数值和显示最优运行参数范围；其中，参数推荐条件包括：生产数据参数、加热数据范围以及评价函数权重。作为示例，本申请实施例中的人机交互界面包括人机交互设定界面和人机交互显示界面。其中，人机交互设定界面用于根据存储的数据设定参数推荐条件；人机交互显示界面用于显示最优运行参数值和最优运行参数范围。本申请实施例中，人机交互设定界面的设定方式可在系统自动生成、自动推荐和人工设定之间自由选择切换。人机交互设定界面设定内容包括钢种、钢坯规格、成品规格、分析时间、是否过滤异常值、加热质量和燃料单耗；通过多种推荐启动条件的设定，可以更好的获得推荐参数。例如通过自动设定或人工设定的方式，设置生产信息、历史数据范围、加热质量权重、燃料单耗权重。
加热数据评价与推荐算法模块M40，包括评价单元与推荐单元；评价单元用于根据评价函数权重和预设打分公式对设定的加热数据范围对应的样本进行评价打分，获得对应的样本得分；推荐单元用于将样本得分与置信度、支持度进行结合寻找最优样本，根据最优样本计算最优运行参数值；以及根据最优样本和预设寻优方法在特征空间中找出近邻样本集，根据近邻样本集计算最优运行参数范围。
本系统根据计算出的加热炉的最优运行参数值和最优运行参数范围来控制加热炉，可以提升加热炉运行的控制精度，进一步降低能耗，提升加热质量；而且本系统还可以在自动设定和人工设定之间进行选择，不局限于固定的生产范围、固定的质量和能耗偏好、固定的参考数据范围，能够更加灵活适用于生产，可依据实际生产需要进行个性化定制加热参数的推荐设定。同时，本系统基于真实生产数据构建算法模型，可以融入更多的参数采集、分析、评价和推荐设定。
在一示例性实施例中，计算最优运行参数范围，包括：通过预设寻优方法找到最优样本，并计算总样本集D中其余样本di与最优样本的欧氏距离disti；其中，i为样本序号，i＝1，2，...，n；在欧式距离disti满足距离阈值dist_t限制条件后，计算融合目标加权评分swi后的距离s_disti；其中，s_disti＝disti*k1+(1-swi)*k2；k1，k2为人工设定的权重；根据距离s_disti对总样本集D中的样本按照从小到大进行排序，并选择前K个样本形成近邻样本集N；根据近邻样本集N计算最优运行参数范围R。作为示例，本申请实施例通过预设寻优方法找到最优样本，包括：根据总样本集D的目标加权得分从高到低排序，设定一个窗口大小win，每轮遍历win个样本；计算本轮中每个样本的支持度和置信度；若某个样本的支持度满足设定的阈值，且置信度在本轮所有样本中最大，则判定该样本为最优样本；若未找到最优样本，则按照相同方法进行下一轮遍历，直至出现最优样本。本申请实施例中K的取值范围为5-15，K取整数。作为示例，本申请实施例中的K取10。
根据上述记载，在一示例性实施例中，评价函数权重包括加热质量权重a1、燃料单耗权重a2；a1和a2为0-100以内任意整数；例如a1＝50，a2＝50。
对加热质量权重a1、燃料单耗权重a2进行归一化，获取归一化后的权重；有：
其中，wj为归一化后的权重。即w1为归一化后加热质量权重；w2为归一化后燃料单耗权重。本申请实施例中，若a1＝50，a2＝50，则归一化后加热质量权重w1＝0.5，归一化后燃料单耗权重w2＝0.5。
目标加权评分swi的计算包括：swi＝s1i*w1+s2i*w2；
其中，swi为目标加权评分；s1i为加热质量评分；s2i为燃料单耗评分；w1为归一化后加热质量权重；w2为归一化后燃料单耗权重。
其中，加热质量评分s1i和燃料单耗评分s2i的计算包括：
其中，tmax为过滤异常样本后的样本集S中断面温差的最大值；
tmin为过滤异常样本后的样本集S中断面温差的最小值；
rmax为过滤异常样本后的样本集S中燃料单耗的最大值；
rmin为过滤异常样本后的样本集S中燃料单耗的最小值；
ti为过滤异常样本后的样本集S中各个样本的断面温差；
ri为过滤异常样本后的样本集S中各个样本的燃料单耗。
根据上述记载，按照设定的参数推荐条件从加热炉动态数据库中获取总样本集D，采用聚类算法对总样本集D中的异常样本进行识别，得到异常样本集合F；则过滤异常样本后的样本集S＝D－F。
根据上述记载，在一些示例性实施例中，对于炉温、空燃比、空气流量等操控参数，寻找近邻样本集N中的最大值和最小值作为最优运行参数的区间值，确定最优运行参数范围R1。
对于出钢节奏等其他不可控参数，以及断面温差、燃料单耗等评价指标，计算近邻样本集N中的均值作为推荐值，得到推荐值集R2。
根据上述记载，在一些示例性实施例中，还可以以可视化的图线和/或图表在人机交互显示界面显示最优运行参数值和最优运行参数范围。例如，在人机交互显示界面显示统计分析图表、能耗直方图、温度曲线图；显示的主要参数可以是：炉膛压力值、上部炉温、下部炉温、残氧值；其他参数可以是：空燃比、空气流量、煤气流量；以及预计优化效果展示：能耗、断面温差。
根据上述记载，在一示例性实施例中，在人机交互设定界面进行设定前，还包括：加热炉动态数据库对数据的分类标注；加热采集器对当前钢种、钢材规格信息的实时采集；对数据的分类标注可以提高后续的运算速度和精度。本申请实施例在人机交互界面可以自动设定或者人工设定；其中，人机交互界面包括生产信息单元、数据范围单元、能耗与质量权重单元。生产信息单元用于设定钢种、钢坯规格、成品规格信息；数据范围单元用于设定时间范围、是否排除异常数据；燃料单耗和加热质量权重单元用于设定加热质量权重a1、燃料单耗权重a2；其中，a1和a2为0-100以内任意整数。
根据上述记载，本申请实施例中的最优运行参数包括主要参数、其他参数和统计分析图；其中，主要参数是实现加热质量和降低能耗的主要关联参数；其他参数是除去主要参数的其他关联参数；统计分析图包括温度曲线图、能耗直方图。通过主要参数、其他参数和统计分析图标可以从更多维度进行参数推荐。
根据上述一些示例性实施例的记载，本发明中在人机交互设定界面交互输入参数如表1所示。
表1交互输入参数
根据上述一些示例性实施例的记载，本发明中在人机交互显示界面显示的主要推荐参数如表2所示。
表2主要推荐参数
根据上述一些示例性实施例的记载，本发明中在人机交互显示界面显示的其他推荐参数如表3所示。
表3其他推荐参数
综上所述，针对现有技术存在模型复杂，建模误差大；需要人工设定的运行参数多；适用范围窄，无法满足个性化需求等缺陷，本发明提出一种基于数据挖掘的加热炉运行参数推荐的系统和方法，通过获取并存储当前时刻加热炉的生产数据和整个加热过程的加热数据，以及历史时刻加热炉的生产数据和加热数据；根据存储的数据生成包括多个样本的总样本集；其中，单个样本均包括每一项参数数据；根据存储的数据在人机交互界面设定参数推荐条件；其中，参数推荐条件包括：生产数据参数、加热数据范围以及评价函数权重；根据评价函数权重和预设打分公式对设定的加热数据范围对应的样本进行评价打分，获得对应的样本得分；将样本得分与置信度、支持度进行结合寻找最优样本，根据最优样本计算最优运行参数值；以及根据最优样本和预设寻优方法在特征空间中找出近邻样本集，根据近邻样本集计算最优运行参数范围；并在人机交互界面显示最优运行参数值和最优运行参数范围。本发明根据计算出的加热炉的最优运行参数值和最优运行参数范围来控制加热炉，可以提升加热炉运行的控制精度，进一步降低能耗，提升加热质量；而且本发明还可以在自动设定和人工设定之间进行选择，不局限于固定的生产范围、固定的质量和能耗偏好、固定的参考数据范围，能够更加灵活适用于生产，可依据实际生产需要进行个性化定制加热参数的推荐设定。同时，本发明基于真实生产数据构建算法模型，可以融入更多的参数采集、分析、评价和推荐设定。在数据挖掘的基础上，本发明能够满足不同业务需求下的加热炉运行参数精细化推荐，达到提升加热质量和降低能耗的目的。本发明不仅能够实现对加热炉在不同需求下的加热运行的各个控制参数更加准确和精细化的推荐，而且还能有效的提升加热炉的加热质量，并同时降低燃料单耗的需求。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于数据挖掘的加热炉运行参数推荐方法，其特征在于，包括有：
获取当前时刻加热炉的生产数据和整个加热过程的加热数据，以及历史时刻加热炉的生产数据和加热数据；
存储当前时刻以及历史时刻的生产数据和加热数据，并生成包括多个样本的总样本集；其中，单个样本均包括每一项参数数据；
根据存储的数据在人机交互界面设定参数推荐条件；其中，参数推荐条件包括：生产数据参数、加热数据范围以及评价函数权重；
根据所述评价函数权重和预设打分公式对设定的加热数据范围对应的样本进行评价打分，获得对应的样本得分；将所述样本得分与置信度、支持度进行结合寻找最优样本，根据所述最优样本计算最优运行参数值；以及根据所述最优样本和预设寻优方法在特征空间中找出近邻样本集，根据所述近邻样本集计算最优运行参数范围；并在人机交互界面显示最优运行参数值和最优运行参数范围；
计算最优运行参数范围，包括：
通过预设寻优方法找到最优样本，并计算总样本集D中其余样本di与所述最优样本的欧氏距离disti；其中，i为样本序号，i＝1,2,…,n；
在所述欧式距离disti满足距离阈值dist_t限制条件后，计算融合目标加权评分swi后的距离s_disti；其中，s_disti＝disti*k1+(1-swi)*k2；k1，k2为人工设定的权重；
根据距离s_disti对所述总样本集D中的样本按照从小到大进行排序，并选择前K个样本形成近邻样本集N；
根据所述近邻样本集N计算最优运行参数范围R；
通过预设寻优方法找到最优样本，包括：
根据总样本集D的目标加权得分从高到低排序，设定一个窗口大小win，每轮遍历win个样本；
计算本轮中每个样本的支持度和置信度；若某个样本的支持度满足设定的阈值，且置信度在本轮所有样本中最大，则判定该样本为最优样本；若未找到最优样本，则按照相同方法进行下一轮遍历，直至出现最优样本；
所述目标加权评分swi的计算包括：
swi＝s1i*w1+s2i*w2；
其中，swi为目标加权评分；s1i为加热质量评分；s2i为燃料单耗评分；w1为归一化后加热质量权重；w2为归一化后燃料单耗权重。
2.根据权利要求1所述的基于数据挖掘的加热炉运行参数推荐方法，其特征在于，所述评价函数权重包括加热质量权重a1、燃料单耗权重a2；
对加热质量权重a1、燃料单耗权重a2进行归一化，获取归一化后的权重；有：
其中，wj为归一化后的权重。
3.根据权利要求1所述的基于数据挖掘的加热炉运行参数推荐方法，其特征在于，加热质量评分s1i和燃料单耗评分s2i的计算包括：
其中，tmax为过滤异常样本后的样本集S中断面温差的最大值；
tmin为过滤异常样本后的样本集S中断面温差的最小值；
rmax为过滤异常样本后的样本集S中燃料单耗的最大值；
rmin为过滤异常样本后的样本集S中燃料单耗的最小值；
ti为过滤异常样本后的样本集S中各个样本的断面温差；
ri为过滤异常样本后的样本集S中各个样本的燃料单耗。
4.根据权利要求1至3中任一所述的基于数据挖掘的加热炉运行参数推荐方法，其特征在于，对于操控参数，寻找近邻样本集N中的最大值和最小值作为最优运行参数的区间值，确定最优运行参数范围R1；其中，操控参数至少包括炉温、空燃比和空气流量；
对于不可控参数以及断面温差、燃料单耗这些评价指标，计算近邻样本集N中的均值作为推荐值，得到推荐值集R2；其中，不可控参数至少包括出钢节奏。
5.根据权利要求1至3中任一所述的基于数据挖掘的加热炉运行参数推荐方法，其特征在于，按照设定的参数推荐条件从加热炉动态数据库中获取总样本集D，采用聚类算法对总样本集D中的异常样本进行识别，得到异常样本集合F；则过滤异常样本后的样本集S＝D－F。
6.根据权利要求1所述的基于数据挖掘的加热炉运行参数推荐方法，其特征在于，还包括以可视化的图线和/或图表显示最优运行参数值和最优运行参数范围。
7.一种基于数据挖掘的加热炉运行参数推荐系统，其特征在于，包括有：
加热数据采集器模块，用于实时获取当前时刻加热炉的生产数据和整个加热过程的加热数据；以及获取历史时刻加热炉的生产数据和加热数据；
加热炉动态数据库，用于存储当前时刻以及历史时刻的生产数据和加热数据，并生成包括多个样本的总样本集；其中，单个样本均包括每一项参数数据；
人机交互模块，用于根据所述加热炉动态数据库存储的数据设定参数推荐条件，以及显示最优运行参数值和显示最优运行参数范围；其中，参数推荐条件包括：生产数据参数、加热数据范围以及评价函数权重；
加热数据评价与推荐算法模块，包括评价单元与推荐单元；所述评价单元用于根据所述评价函数权重和预设打分公式对设定的加热数据范围对应的样本进行评价打分，获得对应的样本得分；所述推荐单元用于将所述样本得分与置信度、支持度进行结合寻找最优样本，根据所述最优样本计算最优运行参数值；以及根据所述最优样本和预设寻优方法在特征空间中找出近邻样本集，根据所述近邻样本集计算最优运行参数范围；
计算最优运行参数范围，包括：
通过预设寻优方法找到最优样本，并计算总样本集D中其余样本di与所述最优样本的欧氏距离disti；其中，i为样本序号，i＝1,2,…,n；
在所述欧式距离disti满足距离阈值dist_t限制条件后，计算融合目标加权评分swi后的距离s_disti；其中，s_disti＝disti*k1+(1-swi)*k2；k1，k2为人工设定的权重；
根据距离s_disti对所述总样本集D中的样本按照从小到大进行排序，并选择前K个样本形成近邻样本集N；
根据所述近邻样本集N计算最优运行参数范围R；
通过预设寻优方法找到最优样本，包括：
根据总样本集D的目标加权得分从高到低排序，设定一个窗口大小win，每轮遍历win个样本；
计算本轮中每个样本的支持度和置信度；若某个样本的支持度满足设定的阈值，且置信度在本轮所有样本中最大，则判定该样本为最优样本；若未找到最优样本，则按照相同方法进行下一轮遍历，直至出现最优样本；
所述目标加权评分swi的计算包括：
swi＝s1i*w1+s2i*w2；
其中，swi为目标加权评分；s1i为加热质量评分；s2i为燃料单耗评分；w1为归一化后加热质量权重；w2为归一化后燃料单耗权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010916391.7A CN112069744B (zh) | 2020-09-03 | 2020-09-03 | 一种基于数据挖掘的加热炉运行参数推荐系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010916391.7A CN112069744B (zh) | 2020-09-03 | 2020-09-03 | 一种基于数据挖掘的加热炉运行参数推荐系统和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112069744A CN112069744A (zh) | 2020-12-11 |
| CN112069744B true CN112069744B (zh) | 2023-03-31 |
Family
ID=73665687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010916391.7A Active CN112069744B (zh) | 2020-09-03 | 2020-09-03 | 一种基于数据挖掘的加热炉运行参数推荐系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069744B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113326585B (zh) * | 2021-06-15 | 2023-10-03 | 新奥数能科技有限公司 | 燃气锅炉的能效异常预警方法、装置和计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169326A (zh) * | 2011-03-02 | 2011-08-31 | 中冶南方(武汉)威仕工业炉有限公司 | 基于数据挖掘的最优炉温设定值优化系统 |
| WO2017016496A1 (zh) * | 2015-07-28 | 2017-02-02 | 中石化炼化工程（集团）股份有限公司 | 石化设备腐蚀处理方法、装置和系统 |
| CN107256238A (zh) * | 2017-05-23 | 2017-10-17 | 深思考人工智能机器人科技（北京）有限公司 | 一种多约束条件下的个性化信息推荐方法及信息推荐系统 |
| CN109248928A (zh) * | 2017-07-13 | 2019-01-22 | 鞍钢股份有限公司 | 一种热轧加热炉动态炉温控制方法 |
| CN111090939A (zh) * | 2019-12-17 | 2020-05-01 | 上海汉中诺软件科技有限公司 | 石化装置异常工况的预警方法和系统 |
-
2020
- 2020-09-03 CN CN202010916391.7A patent/CN112069744B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169326A (zh) * | 2011-03-02 | 2011-08-31 | 中冶南方(武汉)威仕工业炉有限公司 | 基于数据挖掘的最优炉温设定值优化系统 |
| WO2017016496A1 (zh) * | 2015-07-28 | 2017-02-02 | 中石化炼化工程（集团）股份有限公司 | 石化设备腐蚀处理方法、装置和系统 |
| CN107256238A (zh) * | 2017-05-23 | 2017-10-17 | 深思考人工智能机器人科技（北京）有限公司 | 一种多约束条件下的个性化信息推荐方法及信息推荐系统 |
| CN109248928A (zh) * | 2017-07-13 | 2019-01-22 | 鞍钢股份有限公司 | 一种热轧加热炉动态炉温控制方法 |
| CN111090939A (zh) * | 2019-12-17 | 2020-05-01 | 上海汉中诺软件科技有限公司 | 石化装置异常工况的预警方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| Computer measurement and automation system for gas flux of gas-fired heat furnace;Lv Yan等;《Automation & Instrumentation》;20100331;第25卷(第3期);第41-43页 * |
| 利用BP神经网络解决钢板出炉目标温度的实践;董斌等;《工业加热》;20170830;第46卷(第04期);第67-69页 * |
| 加热炉能效测试评价方法及软件开发;曹莹等;《石油石化节能》;20180929;第8卷(第09期);第58-62页 * |
| 动态自适应的混合智能协同推荐算法;陈小玉;《计算机应用》;20141210;第34卷(第12期);第3487-3501页 * |
| 模糊控制算法在加热炉炉温控制中的应用;张伟等;《钢铁技术》;20151225(第04期);第22-26页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112069744A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109814513B (zh) | 一种基于数据模型的催化裂化装置优化方法 | |
| Yuan et al. | Multi‐similarity measurement driven ensemble just‐in‐time learning for soft sensing of industrial processes | |
| CN105787061B (zh) | 信息推送方法 | |
| CN112635063B (zh) | 一种肺癌预后综合预测模型、构建方法及装置 | |
| Yuan et al. | Double locally weighted principal component regression for soft sensor with sample selection under supervised latent structure | |
| JP4855353B2 (ja) | 製品の品質改善条件解析装置、解析方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
| CN112069744B (zh) | 一种基于数据挖掘的加热炉运行参数推荐系统和方法 | |
| CN112036085B (zh) | 一种轧钢燃耗参数推荐方法、系统、介质及终端 | |
| CN108132964B (zh) | 一种基于用户对项目类评分的协同过滤方法 | |
| CN111103854A (zh) | 一种用于提升烟草烘丝机生产稳定性的系统及方法 | |
| CN103019097A (zh) | 一种轧钢加热炉优化控制系统 | |
| CN113033704A (zh) | 基于模式识别的铜转炉吹炼造铜期终点智能判断方法 | |
| CN111647698A (zh) | 一种高炉炉缸的活跃状态检测方法及装置 | |
| KR970001907B1 (ko) | 적합율 또는 일치율을 제공하는 데이타 검색 방법 및 장치 | |
| CN116324323A (zh) | 生成预测熔化炉的能量效率的学习完毕预测模型的方法、预测熔化炉的能量效率的方法以及计算机程序 | |
| CN115132298B (zh) | 弹簧钢脱碳分析预测方法 | |
| CN110196797A (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
| US5845237A (en) | Process for determining the value of a physical quantity | |
| CN115034005A (zh) | 一种面向构件剩余使用寿命预测的模型分析可视化方法 | |
| WO2014128709A1 (en) | A system for dynamic menus | |
| CN112263252B (zh) | 基于hrv特征和三层svr的pad情绪维度预测方法 | |
| JP2023028246A (ja) | 品質予測モデルの作成方法、品質予測方法、操業条件提示方法、品質予測モデルの作成装置、品質予測装置および操業条件提示装置 | |
| CN114798763A (zh) | 一种加热炉出钢板坯粗轧出口温度的预测方法及系统 | |
| Yun | Method of Selecting Calibration Samples | |
| Azizi | Recent advances in machine learning algorithms for sintering processes |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |