CN112183642A - 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 - Google Patents
一种基于随机森林模型的水泥烧成煤耗检测方法与系统 Download PDFInfo
- Publication number
- CN112183642A CN112183642A CN202011055672.4A CN202011055672A CN112183642A CN 112183642 A CN112183642 A CN 112183642A CN 202011055672 A CN202011055672 A CN 202011055672A CN 112183642 A CN112183642 A CN 112183642A
- Authority
- CN
- China
- Prior art keywords
- random forest
- coal consumption
- forest model
- data set
- decision tree
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 100
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 85
- 239000004568 cement Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010304 firing Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000003066 decision tree Methods 0.000 claims description 44
- 238000010276 construction Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 7
- 238000010168 coupling process Methods 0.000 abstract description 7
- 238000005859 coupling reaction Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000005245 sintering Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于随机森林模型的水泥烧成煤耗检测方法与系统,所述方法包括:采集数据集;所述数据集包括煤耗和与煤耗相关的工业参数;根据所述数据集搭建随机森林模型;以所述工业参数为输入,所述煤耗为输出,通过构建CART回归树模型对所述随机森林模型进行训练;将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。本发明解决了多变量之间的强耦合关系和滞后性,提高了煤耗检测效率。
Description
技术领域
本发明涉及水泥烧成技术领域,特别是涉及一种基于随机森林模型的水泥烧成煤耗检测方法与系统。
背景技术
水泥烧成系统在水泥生产中是十分重要的一环,根据水泥行业相关数据显示,我国的水泥产量排在世界前列。在水泥生产过程中,煤耗是十分重要的指标,有效预测煤耗指标,实现煤耗指标的在线预测,对提高水泥生产效率乃至提升国民经济水平有着十分重要的意义。但是由于水泥生产过程的烧成系统尤其是回转窑具有非线性、强耦合性等特点,仅仅从机理上很难建立水泥烧成系统煤耗指标预测模型,除此之外由于不同的工作人员现场操作经验不同,使得水泥烧成系统一直处于平稳高效的运行状态具有一定的难度,这样就导致能源无法高效利用,造成一定程度的浪费。另外,采用OPC技术对水泥工业DCS设备的数据提取的过程中,由于设备运行情况和人员操作等因素,有时会造成数据缺失,这也为后续建立精确的煤耗预测模型带来挑战。
针对回转窑非线性、强耦合性的特点,常建锋等人研究了一种基于区间跟踪变量软约束的多目标预测控制算法并将其应用到回转窑过程控制中,达到了优化水泥烧成过程、降低能耗的目的。王昭旭等人将一种隐含时间序列深度信念网络运用到水泥烧成过程能耗指标预测,消除了时变时延对水泥能耗预测的影响。
由于水泥烧成系统本身具有大滞后性、非线性、时变时滞以及变量间强耦合性的特点,因此难以对其建立精确的数学模型。
发明内容
基于此,本发明的目的是提供一种基于随机森林模型的水泥烧成煤耗检测方法与系统,解决了多变量之间的强耦合关系和滞后性,提高了煤耗检测效率。
为实现上述目的,本发明提供了如下方案:
一种基于随机森林模型的水泥烧成煤耗检测方法,包括:
采集数据集,所述数据集包括煤耗和与煤耗相关的工业参数;
根据所述数据集搭建随机森林模型;
以所述工业参数为输入,所述煤耗为输出,通过构建CART回归树模型对所述随机森林模型进行训练;
将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。
可选地,所述根据所述数据集搭建随机森林模型,具体包括:
从所述数据集中随机抽取多个训练集,所述训练集中样本数量与所述数据集中样本数量相等;
根据各所述训练集分别构造决策树:当所述决策树进行特征分裂时,随机抽取设定数量的所述工业参数,根据设定数量的所述工业参数确定所述决策树的最优输出煤耗;
将各所述决策树构成随机森林模型。
可选地,所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈,分解炉出口温度和一级筒出口温度反馈。
本发明还公开了一种基于随机森林模型的水泥烧成煤耗检测系统,包括:
数据采集模块,采集数据集,所述数据集包括煤耗和与煤耗相关的工业参数;
随机森林模型搭建模块,用于根据所述数据集搭建随机森林模型;
训练模块,以所述工业参数为输入,所述煤耗为输出,通过构建CART回归树模型对所述随机森林模型进行训练;
预测模块,用于将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。
可选地,随机森林模型搭建模块,具体包括:
训练集抽取单元,用于从所述数据集中随机抽取多个训练集,所述训练集中样本数量与所述数据集中样本数量相等;
决策树构造单元,用于根据各所述训练集分别构造决策树:当所述决策树进行特征分裂时,随机抽取设定数量的所述工业参数,根据设定数量的所述工业参数确定所述决策树的最优输出煤耗;
随机森林模型构造单元,用于各所述决策树构成随机森林模型。
可选地,所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈,分解炉出口温度和一级筒出口温度反馈。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种基于随机森林模型的水泥烧成煤耗检测方法与系统,根据采集的数据集搭建随机森林模型,利用所述数据集,通过构建CART回归树模型对所述随机森林模型进行训练;通过训练后的随机森林模型预测输出煤耗,随机森林模型算法具有运算速度快、泛化能力强的优点,提高了煤耗检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于随机森林模型的水泥烧成煤耗检测方法流程示意图;
图2为本发明随机森林模型算法流程示意图;
图3为本发明决策树训练流程示意图;
图4为本发明一种基于随机森林模型的水泥烧成煤耗检测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于随机森林模型的水泥烧成煤耗检测方法与系统,解决了多变量之间的强耦合关系和滞后性,提高了煤耗检测效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,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为一种基于随机森林模型的水泥烧成煤耗检测方法流程示意图,如图1所示,一种基于随机森林模型的水泥烧成煤耗检测方法包括以下步骤:
步骤101:采集数据集;所述数据集包括煤耗和与煤耗相关的工业参数。
步骤101中,工业参数为水泥烧成系统的输入变量,工业参数包括喂料量反馈、EP风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈、分解炉出口温度和一级筒出口温度反馈,其中,EP(europ-plast)风机为塑料防腐风机的简称。水泥烧成系统的输出变量包括历史吨熟料实物煤耗。
关于水泥烧成系统输入和输出变量的筛选:通过对水泥生产现场烧成系统的运行分析,基于相关系数从水泥烧成系统数据库选取与水泥烧制煤耗相关的十一个变量。
相关系数是反映变量之间关系密切程度的统计指标,取值在-1到1之间。1表示两个变量完全线性相关,-1表示两个变量完全负相关,0表示两个变量不相关。数据越接近1说明两个变量相关关系越强,其计算公式为:
其中,rxy表示x和y两个变量之间的相关系数,Sxy表示x和y两变量的协方差,Sx表示x变量的标准差,Sy表示y变量的标准差,其计算公式分别为:
数据收集与处理:采用OPC技术将水泥工业现场DCS设备的数据提取并导入sqlserver数据库存储,从烧成系统生产数据库中提取十一个相关变量数据后,根据现场工程师的经验知识得出每个变量的正常范围,根据此范围来剔除异常数据,以此得到有效数据集。
本实施例中,收集三个月的生产数据,生产数据经过筛选后得到有效数据集,来预测未来10分钟的煤耗。
步骤102:根据所述数据集搭建随机森林模型。
其中,步骤102中,随机森林模型由bagging+决策树构成,bagging指Bagging算法(Bootstrap aggregating,引导聚集算法)。
步骤102具体包括以下步骤:
用bootstrap方法从所述数据集中随机抽取多个训练集,所述训练集中样本数量与所述数据集中样本数量相等。
根据各所述训练集分别构造决策树(对于每个训练集,都构造一棵决策树):当所述决策树进行特征分裂时,随机抽取设定数量的所述工业参数,根据设定数量的所述工业参数确定所述决策树的最优输出煤耗,寻找最优解进行分裂。由于随机森林模型有以上两次随机采样的过程,实际是对样本和特征都进行了采样,所以有效的避免了过拟合。
各所述决策树构成随机森林模型。
步骤103:以所述工业参数为输入,所述煤耗为输出,通过构建CART回归树模型对所述随机森林模型进行训练。随机森林模型算法流程如图2所示。
其中,步骤103具体包括:
1)构建CART回归树模型:
其中,工业参数构成的数据空间划分为R1~Rm个单元,Cm为Rm相对应的输出值;f(xi)为第i棵决策树的输出,M为输入空间划分个数,I表示参数,具体为指示函数,当Cm输出为叶子节点时返回1,否则返回0。
2)CART回归树的生成:
构建的CART回归树模型的训练误差为:
其中,yi为当前训练集真实值,为了使平方误差达到最小,对上式求偏导并令其得0,有
可知,当Cm对应为所有真实值yi的均值时,平方误差达到最小,即:
对于给定的训练集,CART回归树通过递归的方式形成二叉树,使得划分后的数据集叶子节点的输出尽可能接近训练样本的yi值,也就是真实值。就选择特征而言,如果选择数据集T的j号特征的某个分量s作为分割阈值,将数据集分为R1={x|xj≤s}和R2={x|xj>s}两个部分,其中,R1为xj≤s的样本集合,R2为xj>s的样本集合。
分割后的数据集与实际值的均方误差定义为:
其中,c1为R1单元上所有样本对应目标变量(输出变量)的均值,c2为R2单元上所有样本对应目标变量的均值。通过前面的分析可知,当c1、c2分别为对应数据区间上的均值时,平方误差达到最小。遍历所有特征,计算当前每一个切分点的误差,选择切分误差最小的点将输入空间划分为两部分,递归执行上述操作,直到切分结束,如图3所示。
3)随机森林模型的生成:
按照平均误差最小对决策树进行分割,随机森林模型的输出值为所有基学习器即所有决策树输出结果的均值:
f(x)为模型的预测结果,f(xi)为第i棵决策树的输出,N为树的个数。
步骤104:将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。
其中,步骤104具体包括将水泥烧成系统实际生产中的实时工业参量数据带入训练好的随机森林水泥烧成系统煤耗指标预测模型,实现水泥烧成系统煤耗指标的在线预测。
本发明还公开了一种基于随机森林模型的水泥烧成煤耗检测系统,如图4所示,所述系统包括:
数据采集模块201,用于采集数据集;所述数据集包括煤耗和与煤耗相关的工业参数。
随机森林模型搭建模块202,用于根据所述数据集搭建随机森林模型。
训练模块203,用于以所述工业参数为输入,所述煤耗为输出,通过构建CART回归树模型对所述随机森林模型进行训练。
预测模块204,用于将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。
随机森林模型搭建模块202,具体包括:
训练集抽取单元,用于从所述数据集中随机抽取多个训练集,所述训练集中样本数量与所述数据集中样本数量相等。
决策树构造单元,用于根据各所述训练集分别构造决策树:当所述决策树进行特征分裂时,随机抽取设定数量的所述工业参数,根据设定数量的所述工业参数确定所述决策树的最优输出煤耗。
随机森林模型构造单元,用于将各所述决策树构成随机森林模型。
所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈、分解炉出口温度和一级筒出口温度反馈。
所述CART回归树模型为其中,Rm表示从所述输入特征中划分出的输入特征单元,Cm表示与Rm相对应的输出煤耗,f(xi)为第i棵决策树的输出煤耗,M为输入空间划分个数,I表示参数,具体为指示函数,当Cm输出为叶子节点时返回1,否则返回0。
本发明一种基于随机森林模型的水泥烧成煤耗检测方法及系统,通过随机森林模型解决了水泥烧成系统多变量之间的强耦合关系和滞后性,同时该模型相对于神经网络模型运算速度较快,更易实现水泥烧成系统煤耗指标的在线预测;另外由于随机森林模型自身的特点,其在样本和特征选择上都进行了采样,所以可以有效的避免过拟合,进而增强了模型的泛化能力。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于随机森林模型的水泥烧成煤耗检测方法,其特征在于,所述方法包括:
采集数据集;所述数据集包括煤耗和与煤耗相关的工业参数;
根据所述数据集搭建随机森林模型;
以所述工业参数为输入,所述煤耗为输出,通过构建CART回归树模型对所述随机森林模型进行训练;
将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。
2.根据权利要求1所述的基于随机森林模型的水泥烧成煤耗检测方法,其特征在于,所述根据所述数据集搭建随机森林模型,具体包括:
从所述数据集中随机抽取多个训练集,所述训练集中样本数量与所述数据集中样本数量相等;
根据各所述训练集分别构造决策树:当所述决策树进行特征分裂时,随机抽取设定数量的所述工业参数,根据设定数量的所述工业参数确定所述决策树的最优输出煤耗;
将各所述决策树构成随机森林模型。
3.根据权利要求1所述的基于随机森林模型的水泥烧成煤耗检测方法,其特征在于,所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈、分解炉出口温度和一级筒出口温度反馈。
6.一种基于随机森林模型的水泥烧成煤耗检测系统,其特征在于,所述系统包括:
数据采集模块,用于采集数据集;所述数据集包括煤耗和与煤耗相关的工业参数;
随机森林模型搭建模块,用于根据所述数据集搭建随机森林模型;
训练模块,用于以所述工业参数为输入,所述煤耗为输出,通过构建CART回归树模型对所述随机森林模型进行训练;
预测模块,用于将待预测工业参数输入训练后的所述随机森林模型得到输出煤耗。
7.根据权利要求6所述的基于随机森林模型的水泥烧成煤耗检测系统,其特征在于,随机森林模型搭建模块,具体包括:
训练集抽取单元,用于从所述数据集中随机抽取多个训练集,所述训练集中样本数量与所述数据集中样本数量相等;
决策树构造单元,用于根据各所述训练集分别构造决策树:当所述决策树进行特征分裂时,随机抽取设定数量的所述工业参数,根据设定数量的所述工业参数确定所述决策树的最优输出煤耗;
随机森林模型构造单元,用于将各所述决策树构成随机森林模型。
8.根据权利要求6所述的基于随机森林模型的水泥烧成煤耗检测系统,其特征在于,所述工业参数包括喂料量反馈、塑料防腐风机转速反馈、二次风温反馈、高温风机转速反馈、窑尾温度、窑电流平均值、窑头煤反馈、分解炉喂煤量反馈、分解炉出口温度和一级筒出口温度反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011055672.4A CN112183642A (zh) | 2020-09-30 | 2020-09-30 | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011055672.4A CN112183642A (zh) | 2020-09-30 | 2020-09-30 | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183642A true CN112183642A (zh) | 2021-01-05 |
Family
ID=73945988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011055672.4A Pending CN112183642A (zh) | 2020-09-30 | 2020-09-30 | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326660A (zh) * | 2021-12-13 | 2022-04-12 | 中国航发北京航科发动机控制系统科技有限公司 | 一种基于rss-etr的燃油泵调节器智能调试方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038334A (zh) * | 2017-02-27 | 2017-08-11 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 |
CN108053048A (zh) * | 2017-11-06 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 |
CN110386768A (zh) * | 2019-08-28 | 2019-10-29 | 燕山大学 | 水泥烧成过程中能耗动态实时控制方法 |
CN110910277A (zh) * | 2019-11-26 | 2020-03-24 | 燕山大学 | 一种基于XGBoost的水泥磨系统电耗指标预测方法 |
-
2020
- 2020-09-30 CN CN202011055672.4A patent/CN112183642A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038334A (zh) * | 2017-02-27 | 2017-08-11 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 |
CN108053048A (zh) * | 2017-11-06 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
CN108932567A (zh) * | 2018-08-10 | 2018-12-04 | 燕山大学 | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 |
CN110386768A (zh) * | 2019-08-28 | 2019-10-29 | 燕山大学 | 水泥烧成过程中能耗动态实时控制方法 |
CN110910277A (zh) * | 2019-11-26 | 2020-03-24 | 燕山大学 | 一种基于XGBoost的水泥磨系统电耗指标预测方法 |
Non-Patent Citations (3)
Title |
---|
于扬红雪: "出租车需求量预测模型的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
光彩照人: "cart回归树算法过程", 《博客园》 * |
郑长松 等, 北京理工大学出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326660A (zh) * | 2021-12-13 | 2022-04-12 | 中国航发北京航科发动机控制系统科技有限公司 | 一种基于rss-etr的燃油泵调节器智能调试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080074B (zh) | 基于网络多特征关联的系统服役安全态势要素获取方法 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
CN108415884B (zh) | 一种结构模态参数实时追踪方法 | |
CN110910277A (zh) | 一种基于XGBoost的水泥磨系统电耗指标预测方法 | |
CN110335168A (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN112766608A (zh) | 一种基于极限学习机的水泥磨系统电耗指标预测方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN114416707A (zh) | 工业时序数据的自动化特征工程方法和装置 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN112183642A (zh) | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 | |
CN113515891B (zh) | 一种乳化炸药质量预测和优化方法 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN113468821B (zh) | 一种基于决策回归算法的坡面产流产沙阈值确定方法 | |
CN111461461B (zh) | 一种水利工程异常检测方法及系统 | |
CN112711913B (zh) | 基于粒度支持向量机的冷热电短期负荷预测系统及方法 | |
CN113379093A (zh) | 油气集输系统能耗分析与优化方法 | |
CN111178627A (zh) | 一种基于spca的神经网络混合优化预测方法 | |
CN113569951B (zh) | 一种基于生成对抗网络的近红外定量分析模型构建方法 | |
CN113657484B (zh) | 水泥篦冷机典型工况划分与识别的方法 | |
CN107544578B (zh) | 基于BFCM-iWM模糊规则自提取的水泥分解炉温度控制方法 | |
CN117298826A (zh) | 基于在线学习融合算法的燃煤电厂脱硫自动控制方法 | |
CN117575410A (zh) | 一种电气工程的质量管理方法及系统 | |
Andreatta et al. | Soft Sensor for Online Prediction of Cement Fineness in Ball Mill |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |