CN112070408A - 基于大数据和深度学习的烧结矿成分预报模型 - Google Patents

基于大数据和深度学习的烧结矿成分预报模型 Download PDF

Info

Publication number
CN112070408A
CN112070408A CN202010956793.XA CN202010956793A CN112070408A CN 112070408 A CN112070408 A CN 112070408A CN 202010956793 A CN202010956793 A CN 202010956793A CN 112070408 A CN112070408 A CN 112070408A
Authority
CN
China
Prior art keywords
data
model
sinter
parameter
composition
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
Application number
CN202010956793.XA
Other languages
English (en)
Inventor
刘颂
赵亚迪
赵志伟
刘小杰
李欣
邓勇
吕庆
李宏扬
李红玮
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.)
North China University of Science and Technology
Tangshan University
Original Assignee
North China University of Science and Technology
Tangshan University
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 North China University of Science and Technology, Tangshan University filed Critical North China University of Science and Technology
Priority to CN202010956793.XA priority Critical patent/CN112070408A/zh
Publication of CN112070408A publication Critical patent/CN112070408A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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

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

Abstract

本发明公开了一种基于大数据和深度学习的烧结矿成分预报方法，属于烧结工艺过程控制领域。该方法需要以烧结生产中与烧结矿成分变化相关的参数和海量历史数据为基础；采用箱型图法和孤立森林算法对异常数据进行检测，使用滑动窗口的方法对异常值进行替换；将皮尔逊相关系数法和关键特征选择法相结合得到模型的输入参数；建立基于DNN的在线成分预测模型，利用此模型根据烧结机的在线检测数据实时监测和预报烧结矿的TFe、FeO、V2O5和CaO/SiO2等成分；该模型预测结果与现场实际检测值拟合度较好，能够辅助现场操作人员及时、准确的判断烧结矿的成分及其变化趋势。

Description

基于大数据和深度学习的烧结矿成分预报模型
技术领域
本发明涉及一种基于大数据和深度学习的烧结矿成分预模型的建立方法和应用，属于烧结工艺过程控制领域。
背景技术
烧结矿成分是重要的质量指标之一，及时和准确的掌握当前烧结矿的成分对指导高炉生产作用显著。针对我国铁矿石资源贫铁矿占比高的现状，高炉冶炼前，需要将对各种铁矿粉按一定比例混合，通过混匀、制粒、点火和烧结等过程得到满足高炉生产要求的烧结矿。由于烧结原料来源广、品种多、成分波动大，而且，烧结过程中会涉及大量的物理化学反映，这使得烧结矿的化学成分很难被准确控制。
烧结混合料成矿过程复杂，需要经过蒸发、分解、还原、氧化、固相反应、熔化、液相生成以及冷却结晶等几个阶段，采用机理推算的方法难以准确得到与混合料对应的烧结矿成分。此外，人工取样定期进行检化验的方式，检测频次低，存在时间滞后，从烧结配料到烧结矿成分检测出结果会有6h左右的时间延迟，这种方式不适应于对生产过程的及时调整。因此，研究如何实时预报烧结矿的化学成分，根据预报结果及时调整配料等参数将成分控制在合理范围内，这对提高烧结矿成品合格率，稳定高炉炉料性能具有重要的意义。
目前，一些人工智能预测算法开始应用于烧结矿成分预测，例如BP神经网络、支持向量机以及BP神经网络的改进算法等。这些算法模型对实际生产起到了一定的指导作用，但仍存在着一定的局限性。BP神经网络模型在模型涉及参数较多时存在收敛速度慢，可在线权值修正困难等问题；基于SVM算法的模型存在核函数选取困难，不适合处理大规模数据样本等缺点。而且，上述提及的算法都属于浅层学习算法，其在给定有限数量样本时很难获得复杂的非线性关系，导致模型泛化能力受限，进而影响模型对烧结矿化学成分的预测结果。
综上所述，现有的各种烧结矿成分判断方法，或存在时间滞后，或无法进行准确预报，这些方法已经无法满足烧结生产的需求。
发明内容
本发明提出了一种基于大数据和深度学习的烧结矿成分预模型的建立方法及应用，根据烧结自动化系统中记录的与烧结矿成分相关的全部变量数据为基础，利用深度神经网络(Deep Neural Networks,DNN)建立烧结矿成分回归模型，优选并采用Tensorflow搭建深度神经网络，采用均方误差作为损失函数，利用反向传播和自适应学习率方法来训练和优化DNNS，进而利用所建模型来预报测试集中烧结矿的成分。采用本发明所建立的模型不仅可以实时预报烧结矿的成分及其变化趋势，而且对于TFe和FeO成分的预报，在±0.3误差范围内，能达到90.13％以上命中率，对于V2O5和CaO/SiO2成分的预报，在±0.03误差范围内，能达到93.34％以上命中率。这对现场操作者实时判断烧结矿成分，并及时调整配料和工艺参数等具有重要的指导作用。
具体地，基于大数据和深度学习的烧结矿成分预模型的建立方法，包括以下步骤：
步骤一：获取相关数据，收集烧结生产工艺流程中与烧结矿成分变化相关的参数数据，对获取的相关数据采用数据库软件进行整合；
步骤二：数据处理，通过箱型图和孤立森林算法过滤噪声数据，并使用滑动窗口法对异常值进行填补；
步骤三：高维特征选择，利用皮尔逊相关系数法计算各个参数与烧结矿成分的相关系数，采用关键特征选择法筛选冗余度量；
步骤四：建立预报模型，依据所述步骤步骤三获得的各个成分模型的特征参数，将每组参数集合分别作为各个成分预报模型的输入变量，利用深度神经网络算法建立预报模型，得到烧结矿成分的实时预报结果。
所述步骤一具体包括：
收集近两年内烧结生产相关的全部数据，汇总与烧结矿成分变化相关的参数，获得各个参数的采集频次并进行分类处理，采用数据库软件将数据整合为频次为1小时的连续样本。
所述步骤二具体包括：
采用箱型图法自动检测异常数据的数量，使用孤立森林算法获得异常值的具体位置。针对异常点数据使用滑动窗口法计算异常点左、右两侧各5个数据点的均值对其进行替换。
所述步骤三具体包括：
3-1、利用皮尔逊相关系数法获得原料参数、操作参数和状态参数与烧结矿成分的相关系数(ρ)，对每个成分的相关变量按照相关系数(ρ)绝对值大小进行排序，剔除相关系数小于0.2的参数变量；
3-2、利用python的seaborn模块绘制各个参数的折线图；
3-3、通过可视化分析对剩余变量进行冗余度量的判断，当两个及多个变量分布情况一致时，只选择冗余变量中的一个参数作为关键特征参数。
所述步骤四具体包括：
4-1、选择了与烧结矿成分相关系数大于0.2的参数作为输入变量。采用随机取样的方式，将数据集中的样本按9/1的比例划分为训练集和测试集；
4-2、采用DNN算法建立烧结矿成分预报模型，使用Tensorflow搭建深度神经网络，采用均方误差作为损失函数，利用反向传播和自适应学习率方法来训练和优化DNNS。
4-3、在成分预报模型的优化过程中，确定每个网络隐藏层的数目、每层中的单元数，选择训练时间较短、模型过拟合和测试误差均较小对应的网络结构。并且，为了解决过度拟合的问题，在网络中增加丢失层(dropout层)，并确定dropout阈值的大小。
4-4、对于成分预报模型性能的评价方式，选用了拟合优度(R2)、均方误差(MSE)和平均绝对误差(MAE)，如式(1)、(2)和(3)所示。
Figure BDA0002679649470000021
Figure BDA0002679649470000022
Figure BDA0002679649470000023
其中，yR(k)是第k个数据点的实际值，
Figure BDA0002679649470000024
为数据的平均值，yP(k)为预测值，N为样本数量。
一般来说，R2越大，模型拟合效果越好。R2反映模型的准确性，但无法量化准确性。MSE是预测值和真实值之间的距离的平方和，而MAE是目标值和预测值之间的差的绝对值之和。MSE和MSE越小越好。通过对这三个指标的综合比较，可以更全面地评估预测模型的应用效果。
基于大数据和深度学习的烧结矿成分预报模型的建立方法，包括：存储设备及处理器等；所述处理器加载并执行存储设备中的指令及数据用于实现权利要求1～5所述的基于大数据和深度学习的烧结矿成分预报模型的建立方法。
与现有技术相比，本发明的优势在于：
(1)本发明的一种基于大数据和深度学习的烧结矿成分预模型的建立方法，利用箱型图和孤立森林算法过滤噪声数据，并使用滑动窗口法对异常值进行填补，该方法能有效获得反映烧结生产实际情况的准确数据。
(2)本发明的一种基于大数据和深度学习的烧结矿成分预模型的建立方法，利用皮尔逊相关系数法计算各个参数与烧结矿成分的相关系数，采用关键特征选择法筛选冗余度量，充分考虑了各个输入参数与烧结矿成分的相关性，使特征变量的选取更加全面。
(3)本发明的一种基于大数据和深度学习的烧结矿成分预模型的建立方法，用深度神经网络算法建立预报模型，实时预报烧结矿的成分，不仅改善了成分检测的滞后性，而且提高了模型预报的准确度，对烧结生产现场应用具有高度适应性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的一种基于大数据和深度学习的烧结矿成分预模型建立方法的流程图。
图2为本发明的噪声数据过滤和填补效果图。
图3为本发明冗余度量判断效果图。
图4本发明的烧结矿成分预测效果图；
具体实施方式
为了使本发明的技术特征、目的和效果更加清楚的被理解，现对照附图详细说明本发明的具体实施方式。
基于大数据和深度学习的烧结矿成分预模型建立方法，如图1所示，具体包括如下步骤：
步骤一：获取相关数据，收集烧结生产工艺流程中与烧结矿成分变化相关的参数数据，对获取的相关数据采用数据库软件进行整合；
步骤二：数据处理，通过箱型图和孤立森林算法过滤噪声数据，并使用滑动窗口法对异常值进行填补；
步骤三：高维特征选择，利用皮尔逊相关系数法计算各个参数与烧结矿成分的相关系数，采用关键特征选择法筛选冗余度量；
步骤四：建立预报模型，依据所述步骤步骤三获得的各个成分模型的特征参数，将每组参数集合分别作为各个成分预报模型的输入变量，利用深度神经网络算法建立预报模型，得到烧结矿成分的实时预报结果。
所述步骤一具体包括：
收集近两年内烧结生产相关的全部数据，汇总与烧结矿成分变化相关的参数，获得各个参数的采集频次并进行分类处理，采用数据库软件将数据整合为频次为1小时的连续样本。
所述步骤二具体包括：
采用箱型图法自动检测异常数据的数量，使用孤立森林算法获得异常值的具体位置。针对异常点数据使用滑动窗口法计算异常点左、右两侧各5个数据点的均值对其进行替换。
所述步骤三具体包括：
3-1、利用皮尔逊相关系数法获得原料参数、操作参数和状态参数与烧结矿成分的相关系数(ρ)，对每个成分的相关变量按照相关系数(ρ)绝对值大小进行排序，剔除相关系数小于0.2的参数变量；
3-2、利用python的seaborn模块绘制各个参数的折线图；
3-3、通过可视化分析对剩余变量进行冗余度量的判断，当两个及多个变量分布情况一致时，只选择冗余变量中的一个参数作为关键特征参数。
所述步骤四具体包括：
4-1、选择了与烧结矿成分相关系数大于0.2的参数作为输入变量。采用随机取样的方式，将数据集中的样本按9/1的比例划分为训练集和测试集；
4-2、采用DNN算法建立烧结矿成分预报模型，使用Tensorflow搭建深度神经网络，采用均方误差作为损失函数，利用反向传播和自适应学习率方法来训练和优化DNNS。
4-3、在成分预报模型的优化过程中，确定每个网络隐藏层的数目、每层中的单元数，选择训练时间较短、模型过拟合和测试误差均较小对应的网络结构。并且，为了解决过度拟合的问题，在网络中增加丢失层(dropout层)，并确定dropout阈值的大小。
4-4、对于成分预报模型性能的评价方式，选用了拟合优度(R2)、均方误差(MSE)和平均绝对误差(MAE)，如式(1)、(2)和(3)所示。
Figure BDA0002679649470000041
Figure BDA0002679649470000042
Figure BDA0002679649470000043
式中，yR(k)是第k个数据点的实际值，
Figure BDA0002679649470000044
为数据的平均值，yP(k)为预测值，N为样本数量。
一般来说，R2越大，模型拟合效果越好。R2反映模型的准确性，但无法量化准确性。MSE是预测值和真实值之间的距离的平方和，而MAE是目标值和预测值之间的差的绝对值之和。MSE和MSE越小越好。通过对这三个指标的综合比较，可以更全面地评估预测模型的应用效果。
上述方法以烧结过程工艺参数为输入变量，烧结矿成分为预测目标，实现烧结矿成分的实时、准确预报，这对烧结生产具有重要的经济价值和应用价值。
本发明的实施例首先确定开展研究烧结机的设备参数，然后按照上述步骤S1到S5构建烧结矿成分预模型，最后采用此钢铁厂烧结现场实际生产数据进行验证。具体步骤包括：
(1)获取相关数据
从国内某烧结厂数据库中拷贝了一台360m2烧结机的全产线数据，时间跨度为2017年1月至2019年12月。对烧结矿成分相关的参数进行了初选，获得了主要参数的采集频次并进行分类处理，如表1所示。在此基础上，对数据进行整合得到了频次为1小时的连续样本。
表1烧结矿成分相关参数
Figure BDA0002679649470000045
Figure BDA0002679649470000051
(2)数据处理
对整合得到的连续样本，采用箱型图法自动检测异常数据的数量，基于箱型图确定异常值的数量，设定了孤立森林算法的阈值。计算了异常点左、右两侧各5个数据点的均值，采用滑动窗口的方法对其进行了替换。异常值检测结果与噪声替换后数据的分布如图2所示。
(3)高维特征选择
对初选得到的烧结矿成分相关的参数应用皮尔逊相关系数计算各参数与烧结矿化学成分(全铁、氧化亚铁、五氧化二钒和碱度)的相关系数(ρ)。，然后对ρ的绝对值进行排序，得到了与TFe、FeO、V2O5和CaO/SiO2等烧结矿化学成分相关参数的分布，剔除相关系数小于0.2的参数变量。
通过可视化分析对冗余度量进行判断，利用python的seaborn模块绘制各个参数的折线图。例如，流量传感器部署在烧结台车下部呈左右两侧分布的主抽风机烟道中，以检测南北烟道中的流量分布是否均匀。这些冗余数据可能使流量尺寸比其他尺寸更重要，因此，当两个及多个变量分布情况一致时，只选择冗余变量中的一个参数作为关键特征参数，如图3所示。最后，得到每种成分预报模型的输入参数。
(4)建立预报模型
特征选择方法选择了与烧结矿成分(TFe、FeO、V2O5和R)相关的维数作为输入参数。按照步骤S4建立了烧结矿成分预报模型，各个成分模型的网络结构和测试结果如表2所示。
表2成分预测模型的网络结构和测试结果
Figure BDA0002679649470000052
(5)应用效果
利用建立好的基于大数据和深度学习的烧结矿成分预模型，利用数据集中未用于训练的测试样本进行测试，截取了测试样本中500到800组之间的测试结果进行展示，如图4所示。由图4可知，图中横坐标代表测试样本数，纵坐标代表成分的百分含量。每个样本都有一个实际值和一个预测值，在图形中用不同的颜色进行表示。当预测值实际值吻合时，表明预测结果是正确的，否则是不正确的。从图中可以看出，成分预报模型的输出结果与测试数据样本分布情况基本一致，说明模型应用效果较好。
上面结合附图对本发明的具体实施方案进行了详尽描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的。本领域的技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围。

Claims (6)

1.一种基于大数据和深度学习的烧结矿成分预报模型的建立方法，包括以下步骤：
步骤一：获取相关数据，收集烧结生产工艺流程中与烧结矿成分变化相关的参数数据，对获取的相关数据采用数据库软件进行整合；
步骤二：数据处理，通过箱型图和孤立森林算法过滤噪声数据，并使用滑动窗口法对异常值进行填补；
步骤三：高维特征选择，利用皮尔逊相关系数法计算各个参数与烧结矿成分的相关系数，采用关键特征选择法筛选冗余度量；
步骤四：建立预报模型，依据所述步骤三获得的各个成分模型的特征参数，将每组参数集合分别作为各个成分预报模型的输入变量，利用深度神经网络算法建立预报模型，得到烧结矿成分的实时预报结果。
2.根据权利要求1所述的烧结矿成分预报模型建立方法，其特征在于，步骤一具体包括：
收集近两年内烧结生产相关的全部数据，汇总与烧结矿成分变化相关的参数，获得各个参数的采集频次并进行分类处理，采用数据库软件将数据整合为频次为1小时的连续样本。
3.根据权利要求1所述的烧结矿成分预报模型建立方法，其特征在于，步骤二具体包括：
采用箱型图法自动检测异常数据的数量，使用孤立森林算法获得异常值的具体位置，针对异常点数据使用滑动窗口法计算异常点左、右两侧各5个数据点的均值对其进行替换。
4.根据权利要求1所述的烧结矿成分预报模型建立方法，其特征在于，步骤三具体包括：
3-1、利用皮尔逊相关系数法获得原料参数、操作参数和状态参数与烧结矿成分的相关系数(ρ)，对每个成分的相关变量按照相关系数(ρ)绝对值大小进行排序，剔除相关系数小于0.2的参数变量；
3-2、利用python的seaborn模块绘制各个参数的折线图；
3-3、通过可视化分析对剩余变量进行冗余度量的判断，当两个及多个变量分布情况一致时，只选择冗余变量中的一个参数作为关键特征参数。
5.根据权利要求1所述的烧结矿成分预报模型建立方法，其特征在于，步骤四具体包括：
4-1、选择了与烧结矿成分相关系数大于0.2的参数作为输入变量，采用随机取样的方式，将数据集中的样本按9/1的比例划分为训练集和测试集；
4-2、采用DNN算法建立烧结矿成分预报模型，使用Tensorflow搭建深度神经网络，采用均方误差作为损失函数，利用反向传播和自适应学习率方法来训练和优化DNNS；
4-3、在成分预报模型的优化过程中，确定每个网络隐藏层的数目、每层中的单元数，选择训练时间较短、模型过拟合和测试误差均较小对应的网络结构。并且，为了解决过度拟合的问题，在网络中增加丢失层(dropout层)，并确定dropout阈值的大小；
4-4、对于成分预报模型性能的评价方式，选用了拟合优度(R2)、均方误差(MSE)和平均绝对误差(MAE)，如式(1)、(2)和(3)所示。
Figure FDA0002679649460000011
Figure FDA0002679649460000012
Figure FDA0002679649460000013
式中，yR(k)是第k个数据点的实际值，
Figure FDA0002679649460000014
为数据的平均值，yP(k)为预测值，N为样本数量；一般来说，R2越大，模型拟合效果越好，R2反映模型的准确性，但无法量化准确性；MSE是预测值和真实值之间的距离的平方和，而MAE是目标值和预测值之间的差的绝对值之和，MSE和MSE越小越好；通过对这三个指标的综合比较，可以更全面地评估预测模型的应用效果。
6.根据权利要求1所述的烧结矿成分预报模型建立方法，其特征在于，包括：存储设备及处理器等；所述处理器加载并执行存储设备中的指令及数据用于实现权利要求1～5所述的基于大数据和深度学习的烧结矿成分预报模型的建立方法。
CN202010956793.XA 2020-09-14 2020-09-14 基于大数据和深度学习的烧结矿成分预报模型 Pending CN112070408A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010956793.XA CN112070408A (zh) 2020-09-14 2020-09-14 基于大数据和深度学习的烧结矿成分预报模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010956793.XA CN112070408A (zh) 2020-09-14 2020-09-14 基于大数据和深度学习的烧结矿成分预报模型

Publications (1)

Publication Number Publication Date
CN112070408A true CN112070408A (zh) 2020-12-11

Family

ID=73695447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010956793.XA Pending CN112070408A (zh) 2020-09-14 2020-09-14 基于大数据和深度学习的烧结矿成分预报模型

Country Status (1)

Country Link
CN (1) CN112070408A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095561A (zh) * 2021-04-06 2021-07-09 上海交通大学 一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法
CN116304775A (zh) * 2023-03-21 2023-06-23 南京海关工业产品检测中心 一种矿产品成分智能检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095668A (zh) * 2015-08-18 2015-11-25 国家电网公司 基于亚洲极涡因子的电网覆冰长期预报方法
CN108388762A (zh) * 2018-03-07 2018-08-10 武汉科技大学 基于深度置信网络的烧结矿化学成分预测方法
CN109766930A (zh) * 2018-12-24 2019-05-17 太原理工大学 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法
CN110751371A (zh) * 2019-09-20 2020-02-04 苏宁云计算有限公司 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质
CN111597758A (zh) * 2020-05-14 2020-08-28 河海大学 一种基于负相关学习的中小河流集成预报方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095668A (zh) * 2015-08-18 2015-11-25 国家电网公司 基于亚洲极涡因子的电网覆冰长期预报方法
CN108388762A (zh) * 2018-03-07 2018-08-10 武汉科技大学 基于深度置信网络的烧结矿化学成分预测方法
CN109766930A (zh) * 2018-12-24 2019-05-17 太原理工大学 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法
CN110751371A (zh) * 2019-09-20 2020-02-04 苏宁云计算有限公司 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质
CN111597758A (zh) * 2020-05-14 2020-08-28 河海大学 一种基于负相关学习的中小河流集成预报方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095561A (zh) * 2021-04-06 2021-07-09 上海交通大学 一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法
CN116304775A (zh) * 2023-03-21 2023-06-23 南京海关工业产品检测中心 一种矿产品成分智能检测方法及系统
CN116304775B (zh) * 2023-03-21 2024-02-02 南京海关工业产品检测中心 一种矿产品成分智能检测方法及系统

Similar Documents

Publication Publication Date Title
US20180260717A1 (en) Microalloyed steel mechanical property prediction method based on globally additive model
CN112699613B (zh) 炼铁多目标一体化配料优化方法、系统、设备及介质
CN112070408A (zh) 基于大数据和深度学习的烧结矿成分预报模型
CN114611844B (zh) 一种转炉出钢过程合金加入量的确定方法和系统
Jiang et al. Real-time moisture control in sintering process using offline–online NARX neural networks
CN110070217A (zh) 一种基于过程参数的烧结矿质量预测方法
CN111554353A (zh) 氧气底吹炉铜熔炼过程参数在线预测方法
CN113642666B (zh) 一种基于样本扩充和筛选的主动增强软测量方法
CN111598293A (zh) 氧气底吹炉铜吹炼过程参数在线预测方法
CN113762410A (zh) 基于机器学习的关键焊接工艺参数预测方法
CN114169254A (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN114707120A (zh) 一种测算碳排放规模的统计学建模方法
CN104913639A (zh) 基于数据融合的烧结终点控制系统及控制方法
Chen et al. Detection of blast furnace stockline based on a spatial–temporal characteristic cooperative method
CN115860211A (zh) 一种基于局部在线建模的铸坯质量预测方法
CN111612210A (zh) 一种磨煤机煤粉细度的在线优化方法
CN116258087B (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
CN112541296A (zh) 一种基于pso-lssvm的so2预测方法
CN108709426B (zh) 基于频谱特征双边检测法烧结机漏风故障在线诊断方法
CN115359851A (zh) 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法
Wang et al. Parameter optimal identification and dynamic behavior analysis of nonlinear model for the solution purification process of zinc hydrometallurgy.
Wu et al. On condition maintenance model for complex electromechanical equipments based on remaining useful life and wiener process
CN112380779B (zh) 一种烧结终点的鲁棒软测量方法及系统
CN115113523A (zh) 基于模式运动的全格式动态线性化无模型自适应控制方法
Niu et al. Prediction of sinter chemical composition based on ensemble learning algorithms

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