CN112130453B - 基于机器学习的提高mcs生产平稳性的控制方法及系统 - Google Patents
基于机器学习的提高mcs生产平稳性的控制方法及系统 Download PDFInfo
- Publication number
- CN112130453B CN112130453B CN202010750083.1A CN202010750083A CN112130453B CN 112130453 B CN112130453 B CN 112130453B CN 202010750083 A CN202010750083 A CN 202010750083A CN 112130453 B CN112130453 B CN 112130453B
- Authority
- CN
- China
- Prior art keywords
- model
- control
- machine learning
- production
- stability
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及工业控制领域,尤其涉及一种基于机器学习的提高MCS生产平稳性的控制方法及系统,包括采集甲基氯硅烷生产系统历史及实时运行数据;通过特征选择确定影响甲基氯硅烷产量及平稳性的特征;基于影响甲基氯硅烷产量及平稳性的特征,通过机器学习算法在不同工况下建立对应的系统控制模型;判定甲基氯硅烷生产系统当前运行工况;根据当前运行工况选择对应的系统控制模型;通过系统控制模型获得对应的控制策略并执行。通过使用本发明,可以实现以下效果:在不改变原有工艺和装置生产现状的前提下,利用历史及实时运行数据基于机器学习等方法建立系统控制模型;通过优化操作能够提升生产稳定性及MCS产量。
Description
技术领域
本发明涉及工业控制领域,尤其涉及一种基于机器学习的提高MCS生产平稳性的控制方法及系统。
背景技术
有机硅产品是一种新型的高科技材料,从20世纪40年代工业化生产以来,已被广泛应用于电子、电器、航空、航天、建筑、纺织、医药等领域,并且世界有机硅市场保持年均6%的增长速度。目前有机硅产品繁多,品种牌号多达万余种,虽然种类多,但其原料仅限于几种有机硅单体,其中二甲基二氯硅烷(MCS产品之一)的数量最多,是生产有机硅中间体、有机硅产品及制品不可或缺的原料。所以甲基氯硅烷的生产水平对有机硅行业的发展有着举足轻重的作用。近年来,我国积极鼓励发展有机硅产业,虽然我国整体有机硅单体的产量和消费量大幅度提升上去,但国内总体生产水平不高。对于生产企业来说,提升自身生产水平,提升自身的竞争力尤为重要。
现有专利:申请号:CN201210273344.0,专利名称:一种提高二甲基二氯硅烷选择性的催化剂及其应用;申请号:CN201310734085.1;专利名称:一种合成二甲基二氯硅烷的新工艺。上述两个专利所公开的技术方案均需对实际生产工艺进行改变,当工况情况不同,或者产品来源不同时,需改变工艺条件才能达到最佳。
发明内容
为解决上述问题,本发明提出一种基于机器学习的提高MCS生产平稳性的控制方法及系统。
基于机器学习的提高MCS生产平稳性的控制方法,包括:
采集甲基氯硅烷生产系统历史及实时运行数据;
通过特征选择确定影响甲基氯硅烷产量及平稳性的特征;
基于影响甲基氯硅烷产量及平稳性的特征,通过机器学习算法在不同工况下建立对应的系统控制模型;
判定甲基氯硅烷生产系统当前运行工况;
根据当前运行工况选择对应的系统控制模型;
通过系统控制模型获得对应的控制策略并执行。
优选的,所述通过特征选择确定影响甲基氯硅烷产量及平稳性的特征包括:
通过递归消除特征法使用一个基模型来进行多轮训练;
每轮训练后,消除若干权值系数的特征,再基于新的特征集进行下一轮训练,遍历所有特征直到保留所需数量的特征;
对单独的特征进行组合得到组合特征。
优选的,所述系统控制模型为:
y=min(α1ΔL1+α2ΔL2),
其中,y为当前状态距离控制目标,控制平稳性的总合最小值,ΔL1为当前状态表示的函数与控制目标的距离,ΔL2为调控量步幅,α1,α2为权重。
优选的,所述判定甲基氯硅烷生产系统当前运行工况包括:
利用甲基氯硅烷生产过程中影响甲基氯硅烷产量及平稳性的特征在不同工况情况下的界限及轨迹形状,判定甲基氯硅烷生产系统当前运行工况。
优选的,所述根据当前运行工况选择对应的系统控制模型包括:
将不同工况下的系统控制模型保存在模型库中;
根据当前运行工况在模型库中选择对应的系统控制模型。
优选的,所述通过系统控制模型获得对应的控制策略并执行包括:
以历史运行数据为基础,判断所述控制策略的可行性,若不可行则重新获得控制策略并按照置信度进行修正,并执行修正后的控制策略。
优选的,在采集甲基氯硅烷生产系统历史及实时运行数据之后还包括:对历史及实时运行数据进行预处理,所述预处理包括:
对历史及实时运行数据进行缺失值处理;
对缺失值处理之后的数据去除噪音;
对去除噪音之后的数据归一化处理。
优选的,在通过机器学习算法在不同工况下建立对应的系统控制模型之后包括:
特定工况下,在系统控制模型的基础上结合实时数据,对模型参数进行优化。
优选的,所述对模型参数进行优化包括:
建立参数优化模型:
M=max(E),
其中M是模型参数优化目标,E为控制模型过去推荐动作对控制目标影响的评价指标;
基于参数优化模型对模型参数进行优化。
基于机器学习的提高MCS生产平稳性的控制系统,包括:
对甲基氯硅烷生产系统历史及实时运行数据进行采集的数据采集模块;
确定影响甲基氯硅烷产量及平稳性的特征的特征选择模块;
基于影响甲基氯硅烷产量及平稳性的特征,通过机器学习算法在不同工况下建立对应的系统控制模型的模型建立模块;
判定甲基氯硅烷生产系统当前运行工况的工况判断模块;
根据当前运行工况选择对应的系统控制模型的模型选择模块;
通过系统控制模型获得对应的控制策略并执行的策略执行模块。
通过使用本发明,可以实现以下效果:
1.本发明充分考虑工业企业甲基氯硅烷生产系统的实际运行状况,在不改变原有工艺和装置生产现状的前提下,利用历史及实时运行数据基于机器学习等方法建立系统控制模型;
2.机器学习建模相比传统机理建模,具有耗时短,过程相对简单、与实际生产更加吻合的优点;
3.本发明充分考虑了甲基氯硅烷生产系统的运行现状,构建与实际更加吻合的数据驱动模型,并提供最佳的控制策略,满足企业控制管理需求。技术方案具有较强的可执行性,通过优化操作能够提升生产稳定性及MCS产量。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例一种基于机器学习的提高MCS生产平稳性的控制方法的示意流程图;
图2是本发明实施例一种基于机器学习的提高MCS生产平稳性的控制方法中步骤S1041~S1043的示意流程图;
图3是本发明实施例一种基于机器学习的提高MCS生产平稳性的控制方法中步骤S1101~S1102的示意流程图;
图4是本发明实施例一种基于机器学习的提高MCS生产平稳性的控制方法中步骤S103的示意流程图;
图5是本发明实施例一种基于机器学习的提高MCS生产平稳性的控制方法中步骤S1031~S1033的示意流程图;
图6是本发明实施例一种基于机器学习的提高MCS生产平稳性的控制方法中步骤S107的示意流程图;
图7是本发明实施例一种基于机器学习的提高MCS生产平稳性的控制系统的示意结构图
图8是本发明另一实施例一种基于机器学习的提高MCS生产平稳性的控制系统的示意结构图。
具体实施方式
以下结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
本发明实施例提出一种基于机器学习的提高MCS生产平稳性的控制方法,如图1所示,包括以下步骤:
S102:采集甲基氯硅烷生产系统历史及实时运行数据。
获取甲基氯硅烷生产系统中与MCS(甲基氯硅烷)产量相关的历史及实时运行数据,如原料、催化剂、反应温度等,如进料系统、流化床反应器、换热器等设备运行信息、化验信息等。
S104:通过特征选择确定影响甲基氯硅烷产量及平稳性的特征。
特征选择是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能、提升模型效果的一个重要手段。
如图2所示,具体包括以下步骤:
S1041:通过递归消除特征法使用一个基模型来进行多轮训练;
S1042:每轮训练后,消除若干权值系数的特征,再基于新的特征集进行下一轮训练,遍历所有特征直到保留所需数量的特征;
S1043:对单独的特征进行组合得到组合特征。
需要说明的是,本实施例中特征选择的方法还可以通过相关系数法、基于树模型的特征选择法等算法实现。其中,相关系数法是各个特征对目标值的相关系数,有spearman相关系数、pearson相关系数、kendall相关系数;基于树模型的特征选择法是基于决策树、随机森林、Boosting、XGBoost、GBDT等基模型进行特征选择。
组合特征通过将单独的特征进行组合(求笛卡尔积)而形成的合成特征。组合特征有助于表达非线性关系,构造更多更好的特征,提升模型精度。
S106:基于影响甲基氯硅烷产量及平稳性的特征,通过机器学习算法在不同工况下建立对应的系统控制模型。
系统控制模型用以保证甲基氯硅烷产量的前提下尽可能提高系统的平稳性。
其中,系统控制模型为:
y=min(α1ΔL1+α2ΔL2),
其中,y为当前状态距离控制目标,控制平稳性的总合最小值,ΔL1为当前状态表示的函数与控制目标的距离,ΔL2为调控量步幅,α1,α2为权重。
S108:判定甲基氯硅烷生产系统当前运行工况。
具体的,利用甲基氯硅烷生产过程中影响甲基氯硅烷产量及平稳性的特征在不同工况情况下的界限及轨迹形状,判定甲基氯硅烷生产系统当前运行工况。
甲基氯硅烷生产系统在不同的运行工况下具体不同的参数特性,具体可以表现在影响甲基氯硅烷产量及平稳性的特征在不同工况情况下的界限及轨迹形状。因此基于不同工况情况下的界限及轨迹形状训练模型可以判定甲基氯硅烷生产系统当前运行工况。
S110:根据当前运行工况选择对应的系统控制模型。
如图3所示,具体包括以下步骤:
S1101:将不同工况下的系统控制模型保存在模型库中;
S1102:根据当前运行工况在模型库中选择对应的系统控制模型。
模型库将不同工况下的系统控制模型及相关模型参数、工况参数保存。通过步骤S106在不同工况下建立对应的系统控制模型,再步骤S108判定甲基氯硅烷生产系统当前运行工况,因此根据当前运行工况可以在模型库中选择对应的系统控制模型。
S112:通过系统控制模型获得对应的控制策略并执行。
以历史运行数据为基础,判断所述控制策略的可行性,若不可行则重新获得控制策略并按照置信度进行修正,并执行修正后的控制策略。
在MCS生产稳定控制系统控制策略可行的情况下,现场技术人员根据系统推荐的控制策略,使得甲基氯硅烷产量及关键指标平稳度达到一个最优值。
本发明的主要优点在于充分考虑工业企业甲基氯硅烷生产系统的实际运行状况,在不改变原有工艺和装置生产现状的前提下,利用历史及实时运行数据基于机器学习等方法建立系统控制模型。机器学习方法建立的系统控制模型具有在线自我学习,更新的能力,能够克服工况多变、过程时变、过程状态大滞后、原料来源复杂、合成反应机理不明和关键信息少等众多无法通过传统建模手段解决的难点。同时机器学习建模相比传统机理建模,具有耗时短,过程相对简单、与实际生产更加吻合的优点。
本发明充分考虑了甲基氯硅烷生产系统的运行现状,构建与实际更加吻合的数据驱动模型,并提供最佳的控制策略,满足企业控制管理需求。技术方案具有较强的可执行性,通过优化操作能够提升生产稳定性及MCS产量。
在一些实施例中,如图4所示,在采集甲基氯硅烷生产系统历史及实时运行数据之后还包括步骤:
S103:对历史及实时运行数据进行预处理。
通过对数据的预处理获得对建立模型最有利并且不冗余的特征及高品质的数据。
如图5所示,具体的,所述预处理包括步骤:
S1031:对历史及实时运行数据进行缺失值处理。
缺失值处理的方法如下:均值/中位数/众数插补、使用固定值、最近值插补、回归方法、插值法。
S1032:对缺失值处理之后的数据去除噪音。
去除噪音的方法如下:中位值滤波、滑动平均滤波、一阶滞后滤波、中位值平均滤波、加权递推平均滤波法。
S1033:对去除噪音之后的数据归一化处理。
在一些实施例中,如图6所示,在通过机器学习算法在不同工况下建立对应的系统控制模型之后包括:
S107:特定工况下,在系统控制模型的基础上结合实时数据,对模型参数进行优化。
建立参数优化模型:
M=max(E),
其中M是模型参数优化目标,E为控制模型过去推荐动作对控制目标影响的评价指标;
基于参数优化模型对模型参数进行优化。
由于建立的系统控制模型并不一定是最优模型,因此在结合实时数据的基础上对模型参数进行优化,从而得到更有的系统控制模型。
基于机器学习的提高MCS生产平稳性的控制系统,如图7所示包括:对甲基氯硅烷生产系统历史及实时运行数据进行采集的数据采集模块;确定影响甲基氯硅烷产量及平稳性的特征的特征选择模块;基于影响甲基氯硅烷产量及平稳性的特征,通过机器学习算法在不同工况下建立对应的系统控制模型的模型建立模块;判定甲基氯硅烷生产系统当前运行工况的工况判断模块;根据当前运行工况选择对应的系统控制模型的模型选择模块;通过系统控制模型获得对应的控制策略并执行的策略执行模块。
在一些实施例中,如图8所示本发明控制系统还包括:对历史及实时运行数据进行预处理的预处理模块。
在一些实施例中,如图8所示本发明控制系统还包括:特定工况下,在系统控制模型的基础上结合实时数据,对模型参数进行优化模型参数进行优化的模型参数优化模块。
基于上述模块的原理及实现方案均在方法实施例中说明,因此不再赘述。
在一些实施例中,如图8所示本发明控制系统还包括:结果展示模块。
基于模型运算产生预测曲线、控制策略、平稳性指标等在Web端进行可视化呈现,同时展示平台可提供历史控制策略、真实控制情况进行查看
在一些实施例中,如图8所示本发明控制系统还包括:人机交互模块。
为用户提供人机交互界面,包括输入接口,通过人工输入,在合理范围内能够对控制路线,控制目标进行修改,能够对控制模型计算结果进行影响。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.基于机器学习的提高MCS生产平稳性的控制方法,其特征在于,包括:
采集甲基氯硅烷生产系统历史及实时运行数据;
通过特征选择确定影响甲基氯硅烷产量及平稳性的特征;
基于影响甲基氯硅烷产量及平稳性的特征,通过机器学习算法在不同工况下建立对应的系统控制模型;
判定甲基氯硅烷生产系统当前运行工况;
根据当前运行工况选择对应的系统控制模型;
通过系统控制模型获得对应的控制策略并执行;
所述通过特征选择确定影响甲基氯硅烷产量及平稳性的特征包括:
通过递归消除特征法使用一个基模型来进行多轮训练;
每轮训练后,消除若干权值系数的特征,再基于新的特征集进行下一轮训练,遍历所有特征直到保留所需数量的特征;
对单独的特征进行组合得到组合特征。
2.根据权利要求1所述的基于机器学习的提高MCS生产平稳性的控制方法,其特征在于,所述系统控制模型为:
y=min(α1ΔL1+α2ΔL2),
其中,y为当前状态距离控制目标,控制平稳性的总合最小值,ΔL1为当前状态表示的函数与控制目标的距离,ΔL2为调控量步幅,α1,α2为权重。
3.根据权利要求1所述的基于机器学习的提高MCS生产平稳性的控制方法,其特征在于,所述判定甲基氯硅烷生产系统当前运行工况包括:
利用甲基氯硅烷生产过程中影响甲基氯硅烷产量及平稳性的特征在不同工况情况下的界限及轨迹形状,判定甲基氯硅烷生产系统当前运行工况。
4.根据权利要求1所述的基于机器学习的提高MCS生产平稳性的控制方法,其特征在于,所述根据当前运行工况选择对应的系统控制模型包括:
将不同工况下的系统控制模型保存在模型库中;
根据当前运行工况在模型库中选择对应的系统控制模型。
5.根据权利要求1所述的基于机器学习的提高MCS生产平稳性的控制方法,其特征在于,所述通过系统控制模型获得对应的控制策略并执行包括:
以历史运行数据为基础,判断所述控制策略的可行性,若不可行则重新获得控制策略并按照置信度进行修正,并执行修正后的控制策略。
6.根据权利要求1~5任一项所述的基于机器学习的提高MCS生产平稳性的控制方法,其特征在于,在采集甲基氯硅烷生产系统历史及实时运行数据之后还包括:对历史及实时运行数据进行预处理,所述预处理包括:
对历史及实时运行数据进行缺失值处理;
对缺失值处理之后的数据去除噪音;
对去除噪音之后的数据归一化处理。
7.根据权利要求1~5任一项所述的基于机器学习的提高MCS生产平稳性的控制方法,其特征在于,在通过机器学习算法在不同工况下建立对应的系统控制模型之后包括:
特定工况下,在系统控制模型的基础上结合实时数据,对模型参数进行优化。
8.根据权利要求7所述的基于机器学习的提高MCS生产平稳性的控制方法,其特征在于,所述对模型参数进行优化包括:
建立参数优化模型:
M=max(E),
其中M是模型参数优化目标,E为控制模型过去推荐动作对控制目标影响的评价指标;
基于参数优化模型对模型参数进行优化。
9.基于机器学习的提高MCS生产平稳性的控制系统,其特征在于,包括:
对甲基氯硅烷生产系统历史及实时运行数据进行采集的数据采集模块;
确定影响甲基氯硅烷产量及平稳性的特征的特征选择模块;
基于影响甲基氯硅烷产量及平稳性的特征,通过机器学习算法在不同工况下建立对应的系统控制模型的模型建立模块;
判定甲基氯硅烷生产系统当前运行工况的工况判断模块;
根据当前运行工况选择对应的系统控制模型的模型选择模块;
通过系统控制模型获得对应的控制策略并执行的策略执行模块;
所述特征选择模块用于:
通过递归消除特征法使用一个基模型来进行多轮训练;
每轮训练后,消除若干权值系数的特征,再基于新的特征集进行下一轮训练,遍历所有特征直到保留所需数量的特征;
对单独的特征进行组合得到组合特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750083.1A CN112130453B (zh) | 2020-07-30 | 2020-07-30 | 基于机器学习的提高mcs生产平稳性的控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010750083.1A CN112130453B (zh) | 2020-07-30 | 2020-07-30 | 基于机器学习的提高mcs生产平稳性的控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130453A CN112130453A (zh) | 2020-12-25 |
CN112130453B true CN112130453B (zh) | 2022-12-13 |
Family
ID=73850863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010750083.1A Active CN112130453B (zh) | 2020-07-30 | 2020-07-30 | 基于机器学习的提高mcs生产平稳性的控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130453B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115206449A (zh) * | 2022-07-21 | 2022-10-18 | 浙江中控技术股份有限公司 | 流化床反应温度的确定方法、相关装置及计算机存储介质 |
CN116224795B (zh) * | 2023-03-06 | 2023-11-17 | 北京全应科技有限公司 | 一种基于机器学习模型的热电生产设备控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187803B (zh) * | 2007-12-06 | 2011-07-20 | 宁波思华数据技术有限公司 | 基于数据挖掘技术的氨合成装置生产优化方法 |
CN104460317A (zh) * | 2013-09-24 | 2015-03-25 | 中国石油化工股份有限公司 | 单输入单输出化工生产过程的自适应预测函数的控制方法 |
US10430719B2 (en) * | 2014-11-25 | 2019-10-01 | Stream Mosaic, Inc. | Process control techniques for semiconductor manufacturing processes |
CN106931453B (zh) * | 2017-02-27 | 2018-02-16 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法 |
CN108469781A (zh) * | 2018-03-16 | 2018-08-31 | 曲阜师范大学 | 有机硅生产全集成优化控制系统 |
CN109814513B (zh) * | 2019-03-20 | 2020-12-29 | 广东辛孚科技有限公司 | 一种基于数据模型的催化裂化装置优化方法 |
CN111242363A (zh) * | 2020-01-08 | 2020-06-05 | 广东工业大学 | 一种基于机器学习的pcb板订单合拼与排版预测方法及系统 |
CN111275335A (zh) * | 2020-01-20 | 2020-06-12 | 华电莱州发电有限公司 | 一种基于数据驱动的浆液循环泵寻优方法及系统 |
-
2020
- 2020-07-30 CN CN202010750083.1A patent/CN112130453B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112130453A (zh) | 2020-12-25 |
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 | |
CN112130453B (zh) | 基于机器学习的提高mcs生产平稳性的控制方法及系统 | |
CN101782771B (zh) | 基于免疫神经网络的纺丝工艺智能优化设计方法 | |
CN1514318A (zh) | 过程控制系统中的集成模型预测控制与优化 | |
CN107403196B (zh) | 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN110046408A (zh) | 基于bp神经网络微分与区间分析的区间不确定性优化方法 | |
CN105159071A (zh) | 一种迭代学习策略下工业模型预测控制系统的经济性能评估方法 | |
CN108985574A (zh) | 一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法 | |
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 | |
CN113539382A (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN109782586A (zh) | 参数自整定的miso异因子紧格式无模型控制方法 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
CN1916792A (zh) | 一种工业生产过程小样本条件下的软测量方法 | |
CN103455003B (zh) | 用于石化行业生产的监控方法及系统 | |
CN107168066B (zh) | 一种温室环境自适应控制方法 | |
CN112464554A (zh) | 一种汽油精制设备的操作参数优化方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN114692986A (zh) | 一种基于神经网络模型的炼焦人工智能配煤系统 | |
CN105300868A (zh) | 一种烟草行业中的打孔水松纸透气度检测方法 | |
CN109814389A (zh) | 参数自整定的mimo异因子紧格式无模型控制方法 | |
CN114926075A (zh) | 基于工时预测的机械零件生产调度方法 | |
CN103675012A (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
CN103630568B (zh) | Bp网络的工业熔融指数软测量仪表及方法 | |
CN103135444A (zh) | 一种钢铁生产能耗免疫预测控制模型 | |
CN103675007B (zh) | Rbf网络的工业熔融指数软测量仪表及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |