CN112506134A - 一种控制变量值的确定方法、装置及设备 - Google Patents
一种控制变量值的确定方法、装置及设备 Download PDFInfo
- Publication number
- CN112506134A CN112506134A CN201910869889.XA CN201910869889A CN112506134A CN 112506134 A CN112506134 A CN 112506134A CN 201910869889 A CN201910869889 A CN 201910869889A CN 112506134 A CN112506134 A CN 112506134A
- Authority
- CN
- China
- Prior art keywords
- value
- control variable
- values
- mill
- recommended
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000005611 electricity Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 34
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 18
- 239000002994 raw material Substances 0.000 description 14
- 239000000428 dust Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000004568 cement Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4086—Coordinate conversions; Other special calculations
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35356—Data handling
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供一种控制变量值的确定方法、装置及设备,该方法包括:确定待推荐的多个控制变量推荐值;获取多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,根据控制变量推荐值和预测电耗值确定预测参数值;根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;根据目标控制变量推荐值确定磨机在下一周期的控制变量运行值。通过本申请的技术方案,减少磨机粉磨过程对中控人员的依赖程度,提高磨机自动化生产水平。
Description
技术领域
本申请涉及工业领域,尤其是一种控制变量值的确定方法、装置及设备。
背景技术
能够将原料加工成生料的机器称为磨机,以水泥的加工过程为例,将石灰质原料、黏土质原料和校正原料(如硅质校正原料,铝质校正原料,铁质校正原料等)添加到磨机中,由磨机将这些原料粉磨成生料。然后,对生料进行煅烧,煅烧后的产物称为熟料。然后,将熟料和石膏一起磨细,最终得到水泥。
为了降低磨机的电耗(即单位生料的耗电量),需要为磨机的控制变量设置合理的控制变量值,通过所述控制变量值对磨机进行控制。例如,为控制变量A设置合理的控制变量值A1,并通过控制变量值A1对磨机进行控制。
但是,现有技术中,控制系统自身很难为控制变量设置合理的控制变量值,无法从多个控制变量值中选取最佳的控制变量值,不利于自动化生产过程。
发明内容
本申请提供一种控制变量值的确定方法,所述方法包括:
确定待推荐的多个控制变量推荐值;
获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;
根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
本申请提供一种控制变量值的确定方法,所述方法包括:
从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
本申请提供一种控制变量值的确定方法,所述方法包括:
确定待推荐的多个控制变量推荐值;
针对所述多个控制变量推荐值中的控制变量推荐值,根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值和所述控制变量推荐值,查询目标预测模型,得到与所述控制变量推荐值对应的预测电耗值;根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;
根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
本申请提供一种控制变量值的确定方法,所述方法包括:
获取用户设备通过WEB页面或者应用客户端发送的磨机的运行数据;
根据所述运行数据获取所述磨机的目标控制变量推荐值;
将所述目标控制变量推荐值发送给所述用户设备,以使所述用户设备根据所述目标控制变量推荐值确定所述磨机在下一周期的控制变量运行值。
本申请提供一种控制变量值的确定装置,所述装置包括:
确定模块,用于确定待推荐的多个控制变量推荐值;
获取模块,用于获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
选择模块,用于根据所述多个控制变量推荐值分别对应的预测参数值,从所述多个控制变量推荐值中选择目标控制变量推荐值;
所述确定模块,还用于根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
本申请提供一种控制变量值的确定装置,所述装置包括:
获取模块,用于从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
训练模块,用于根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
本申请提供一种控制变量值的确定设备,包括:
处理器和机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述处理器执行所述计算机指令时进行如下处理:
确定待推荐的多个控制变量推荐值;
获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;
根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
本申请提供一种控制变量值的确定设备,包括:
处理器和机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述处理器执行所述计算机指令时进行如下处理:
从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
基于上述技术方案,本申请实施例中,根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值,确定磨机在下一周期的控制变量运行值,能够为磨机的控制变量设置合理的控制变量值,动态实时地对控制变量值进行推荐,不需要中控人员根据经验为磨机的控制变量设置控制变量值,减少磨机粉磨过程对中控人员的依赖程度,提高磨机自动化生产水平。
附图说明
为了更加清楚地说明本申请实施例或者现有技术中的技术方案,下面将对本申请实施例或者现有技术描述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申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据本申请实施例的这些附图获得其它的附图。
图1是本申请一种实施方式中的控制变量值的确定方法的流程示意图;
图2是本申请另一种实施方式中的控制变量值的确定方法的流程示意图;
图3是本申请一种实施方式中的应用场景示意图;
图4是本申请一种实施方式中的LSTM模型的示意图;
图5是本申请另一种实施方式中的控制变量值的确定方法的流程示意图;
图6是本申请一种实施方式中的控制变量推荐值的推荐过程示意图;
图7是本申请一种实施方式中的控制变量值的确定装置的结构示意图;
图8是本申请另一种实施方式中的控制变量值的确定装置的结构示意图;
图9是本申请一种实施方式中的控制变量值的确定设备的结构示意图。
具体实施方式
在本申请实施例使用的术语仅仅是出于描述特定实施例的目的,而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其它含义。还应当理解,本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,此外,所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在介绍控制变量值的确定方法之前,先介绍本申请涉及的如下概念:
磨机:磨机用于将原料粉磨成生料,以水泥的加工过程为例,磨机可以是水泥磨机,水泥磨机用于将水泥原料粉磨成水泥生料,水泥原料可以包括但不限于石灰质原料、黏土质原料和校正原料(如硅质校正原料,铝质校正原料,铁质校正原料)。针对其它类型的磨机,实现原理类似,后续不再赘述。
示例性的,根据磨矿介质和研磨物料的不同,磨机可以为球磨机、柱磨机、棒磨机、管磨机、自磨机、旋臼式辊磨机、立磨、多层立磨、立式辊磨机、盘磨机等,对此磨机的类型不做限制,本申请的磨机可以是任意类型。
控制变量:用于对磨机进行控制的变量可以称为控制变量,也就是说,通过控制变量能够控制磨机的运行过程,使得磨机根据控制变量进行工作。例如,控制变量可以包括但不限于以下之一或任意组合:立磨台时、磨内压差、出磨风温。当然,上述只是控制变量的几个示例,对此控制变量不做限制。
立磨台时是指在磨机中添加的原料总量,立磨台时值的单位可以为吨/小时。立磨台时值是时间窗口内每次采集的立磨台时值的平均值,例如,时间窗口是1分钟,每秒钟采集1次立磨台时值,则可以采集60次立磨台时值,并计算60次立磨台时值的平均值,而60次立磨台时值的平均值就是立磨台时值。
磨内压差是指磨机工作过程中的进风压力与出风压力的差,能够表征磨机内的原料数量。磨内压差值是时间窗口内每次采集的磨内压差值的平均值,例如,时间窗口是1分钟,每秒钟采集1次磨内压差值,则采集60次磨内压差值,计算60次磨内压差值的平均值,60次磨内压差值的平均值就是磨内压差值。
出磨风温是指磨机工作过程中的磨机出口的风温(即风的温度),能够表征磨机的工作强度。出磨风温值是时间窗口内每次采集的出磨风温值的平均值,例如,时间窗口是1分钟,每秒钟采集1次出磨风温值,则采集60次出磨风温值,计算60次出磨风温值的平均值,60次出磨风温值的平均值就是出磨风温值。
控制变量值(即控制变量的值):如立磨台时值、磨内压差值、出磨风温值等。本实施例中,将控制变量值区分为控制变量运行值和控制变量推荐值。
例如,每个时间窗口(如1分钟等)是1个周期,当前周期是第3个周期,则磨机在第1个周期的控制变量值为已知,即已经能够采集磨机在第1个周期的控制变量值,因此,将磨机在第1个周期的控制变量值称为控制变量运行值。同理,已经能够采集磨机在第2个周期的控制变量值,因此,将磨机在第2个周期的控制变量值称为控制变量运行值。已经能够采集磨机在第3个周期的控制变量值,因此,将磨机在第3个周期的控制变量值称为控制变量运行值。
假设当前周期是第3个周期,那么,磨机在第4个周期的控制变量值为未知,即当前周期无法采集磨机在第4个周期的控制变量值,因此,将磨机在第4个周期的控制变量值称为控制变量推荐值。显然,本实施例中,在当前周期是第3个周期时,就是需要获取磨机在第4个周期的控制变量推荐值,继而输出磨机在第4个周期的控制变量推荐值,使得磨机在第4个周期将控制变量设置为所述控制变量推荐值,从而利用所述控制变量推荐值对磨机进行控制。
状态变量:不用于对磨机进行控制的变量可以称为状态变量,即控制变量之外的其它变量称为状态变量。状态变量可以包括但不限于以下之一或任意组合:磨辊压力、增湿塔出口温度、电收尘入口温度、增湿塔入口温度、电收尘出口温度、电收尘进口压力、电收尘出口压力、循环风机电流、磨机振动、磨主电机电流。当然,上述只是状态变量的几个示例,对此状态变量不做限制。
其中,上述各状态变量的含义,可以参见传统方式,在此不再赘述。
状态变量值(即状态变量的值):状态变量值是时间窗口内每次采集的状态变量值的平均值,例如,时间窗口是1分钟,每秒钟采集1次状态变量值,则可以采集60次状态变量值,并计算60次状态变量值的平均值,而60次状态变量值的平均值就是状态变量值。以状态变量是磨机振动为例,磨机振动值是时间窗口内每次采集的磨机振动值的平均值,例如,时间窗口是1分钟,每秒钟采集1次磨机振动值,则可以采集60次磨机振动值,并计算60次磨机振动值的平均值,而60次磨机振动值的平均值就是磨机振动值。
本实施例中,可以将状态变量值区分为状态变量运行值和状态变量推荐值,后续只涉及状态变量运行值,对状态变量推荐值不再赘述。
例如,每个时间窗口(如1分钟等)是1个周期,当前周期是第3个周期,则磨机在第1个周期的状态变量值为已知,即已经能够采集磨机在第1个周期的状态变量值,因此,将磨机在第1个周期的状态变量值称为状态变量运行值。同理,已经能够采集磨机在第2个周期的状态变量值,因此,将磨机在第2个周期的状态变量值称为状态变量运行值。已经能够采集磨机在第3个周期的状态变量值,因此,将磨机在第3个周期的状态变量值称为状态变量运行值。
电耗值:磨机单位产量的耗电量,本文中所指的电耗值(如实际电耗值和预测电耗值)均是磨机单位产量的耗电量。电耗值是时间窗口内每次采集的电耗值的平均值,例如,时间窗口是1分钟,每秒钟采集1次电耗值,则可以采集60次电耗值,计算60次电耗值的平均值,60次电耗值的平均值就是电耗值。
本实施例中,可以将电耗值区分为实际电耗值和预测电耗值。例如,每个时间窗口(如1分钟等)是1个周期,当前周期是第3个周期,则磨机在第1个周期的电耗值为已知,即已经能够采集磨机在第1个周期的电耗值,将磨机在第1个周期的电耗值称为实际电耗值。同理,已经能够采集磨机在第2个周期的电耗值,将磨机在第2个周期的电耗值称为实际电耗值。已经能够采集磨机在第3个周期的电耗值,将磨机在第3个周期的电耗值称为实际电耗值。
假设当前周期是第3个周期,那么,磨机在第4个周期的电耗值为未知,即当前周期无法采集磨机在第4个周期的电耗值,因此,将磨机在第4个周期的电耗值称为预测电耗值,也就是说,在当前周期是第3个周期时,通过预测方式得到磨机在第4个周期的电耗值,后续过程介绍电耗值的预测方式。
本申请实施例提出一种控制变量值的确定方法,可以应用于任意设备,如控制变量值的确定设备,参见图1所示,为该方法的流程图,该方法可以包括:
步骤101,确定待推荐的多个控制变量推荐值。
具体的,可以根据磨机在当前周期的控制变量运行值和历史控制变量运行值中的最小控制变量运行值,确定最小推荐值;根据磨机在当前周期的控制变量运行值和历史控制变量运行值中的最大控制变量运行值,确定最大推荐值;然后,根据最小推荐值和最大推荐值确定待推荐的多个控制变量推荐值。
步骤102,获取多个控制变量推荐值中的每个控制变量推荐值对应的预测电耗值,并根据该控制变量推荐值和该预测电耗值确定预测参数值。
针对多个控制变量推荐值中的每个控制变量推荐值,获取该控制变量推荐值对应的预测电耗值,根据该控制变量推荐值和该预测电耗值确定该控制变量推荐值对应的预测参数值,继而得到多个控制变量推荐值对应的预测参数值。
在一个例子中,针对多个控制变量推荐值中的每个控制变量推荐值,根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值和该控制变量推荐值,查询目标预测模型,得到与该控制变量推荐值对应的预测电耗值。
进一步的,步骤102之前,还可以从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;根据多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值,训练目标预测模型。其中,目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系。
在上述实施例中,目标预测模型可以包括但不限于时间序列预测模型,且时间序列预测模型可以包括但不限于LSTM(Long Short Term Memory,长短期记忆网络)模型。当然,LSTM模型只是一个示例,对此目标预测模型不做限制。
在一个例子中,根据该控制变量推荐值和该预测电耗值确定预测参数值,可以包括:根据该预测电耗值、目标电耗的设定值、该控制变量推荐值、磨机在当前周期的控制变量运行值,确定该控制变量推荐值对应的预测参数值。
其中,目标电耗的设定值的确定方式,可以包括但不限于:根据磨机在当前周期的实际电耗值和目标电耗下降比例,确定目标电耗的设定值。
步骤103,根据预测参数值(即多个控制变量推荐值对应的多个预测参数值)从多个控制变量推荐值中选择目标控制变量推荐值。
具体的,从多个控制变量推荐值对应的多个预测参数值中选择最小预测参数值,将最小预测参数值对应的控制变量推荐值确定为目标控制变量推荐值。
步骤104,根据目标控制变量推荐值确定磨机在下一周期的控制变量运行值,也就是说,将目标控制变量推荐值作为磨机在下一周期的控制变量运行值。
可选地,在一个例子中,步骤101之前,还可以根据磨机在当前周期的控制变量运行值和磨机在当前周期的状态变量运行值,确定是否推荐磨机在下一周期的控制变量运行值;如果是,则执行步骤101-步骤104;如果否,则禁止推荐磨机在下一周期的控制变量运行值,即不再执行步骤101-步骤104。
从磨机的历史运行数据中获取多个周期的控制变量运行值,根据多个周期的控制变量运行值确定第一阈值和第二阈值;从磨机的历史运行数据中获取多个周期的状态变量运行值,根据多个周期的状态变量运行值确定第三阈值和第四阈值。若磨机在当前周期的控制变量运行值处于第一阈值与第二阈值之间、磨机在当前周期的状态变量运行值处于第三阈值与第四阈值之间,确定推荐磨机在下一周期的控制变量运行值;若磨机在当前周期的控制变量运行值不处于第一阈值与第二阈值之间,和/或,磨机在当前周期的状态变量运行值不处于第三阈值与第四阈值之间,确定不推荐磨机在下一周期的控制变量运行值。
在一个例子中,上述执行顺序只是为了方便描述给出的一个示例,在实际应用中,还可以改变步骤之间的执行顺序,对此执行顺序不做限制。而且,在其它实施例中,并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其它实施例中可能被分解为多个步骤进行描述;本说明书中所描述的多个步骤,在其它实施例也可能被合并为单个步骤进行描述。
基于上述技术方案,本申请实施例中,根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值,确定磨机在下一周期的控制变量运行值,能够为磨机的控制变量设置合理的控制变量值,动态实时地对控制变量值进行推荐,不需要中控人员根据经验为磨机的控制变量设置控制变量值,减少磨机粉磨过程对中控人员的依赖程度,提高磨机自动化生产水平。
基于与上述方法同样的申请构思,本申请实施例中还提出另一种控制变量值的确定方法,参见图2所示,为该方法的流程示意图,该方法可以包括:
步骤201,从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值。
步骤202,根据多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值,训练目标预测模型。其中,目标预测模型用于确定磨机在下一周期的控制变量运行值。目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系。
在一个例子中,目标预测模型可以包括但不限于时间序列预测模型,时间序列预测模型可以包括但不限于LSTM模型,对此目标预测模型不做限制。
基于与上述方法同样的申请构思,本申请实施例还提出另一种控制变量值的确定方法,该方法可以包括:确定待推荐的多个控制变量推荐值。针对多个控制变量推荐值中的每个控制变量推荐值,根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值和该控制变量推荐值,查询目标预测模型(包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系),得到与该控制变量推荐值对应的预测电耗值,并根据该控制变量推荐值和该预测电耗值确定该控制变量推荐值对应的预测参数值。然后,根据预测参数值从多个控制变量推荐值中选择目标控制变量推荐值,并根据目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
基于与上述方法同样的申请构思,本申请实施例还提出一种控制变量值的确定方法,该方法包括:获取用户设备通过WEB页面或者应用客户端发送的磨机的运行数据;根据所述运行数据获取磨机的目标控制变量推荐值;将目标控制变量推荐值发送给用户设备,以使用户设备根据目标控制变量推荐值确定磨机在下一周期的控制变量运行值,即通过目标控制变量推荐值对磨机进行控制。
运行数据可以包括磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值;基于此,可以确定待推荐的多个控制变量推荐值;针对多个控制变量推荐值中的每个控制变量推荐值,根据控制变量运行值、状态变量运行值、实际电耗值和所述控制变量推荐值,查询目标预测模型,得到与所述控制变量推荐值对应的预测电耗值;根据所述控制变量推荐值和预测电耗值确定预测参数值;根据预测参数值从多个控制变量推荐值中选择目标控制变量推荐值。
示例性的,服务器可以对外提供参数推荐服务,如向用户推荐目标控制变量推荐值。具体的,服务器可以预先生成目标预测模型,目标预测模型的生成方式参见上述实施例,在此不再赘述。当用户需要获知目标控制变量推荐值时,可以将磨机在当前周期的运行数据发送给服务器,例如,用户设备通过WEB页面或者应用客户端等,将磨机的运行数据发送给服务器。服务器获取到磨机的运行数据后,就可以通过磨机的运行数据获取目标控制变量推荐值,具体获取方式参见上述实施例,在此不再赘述。然后,将目标控制变量推荐值发送给用户设备,这样,用户设备可以获取到目标控制变量推荐值,并根据目标控制变量推荐值确定磨机在下一周期的控制变量运行值,从而实现对磨机的控制。
以下结合具体应用场景,对上述控制变量值的确定方法进行详细说明。
本应用场景中,基于磨机的历史运行数据训练目标预测模型,该目标预测模型是控制变量推荐值与预测电耗值之间的预测模型。在磨机的实际运行过程中,根据目标预测模型对多个控制变量推荐值进行寻优搜索,迭代寻优最佳的控制变量推荐值作为目标控制变量推荐值,实现磨机实际电耗达到预计电耗水平,且控制变量与上一周期的变化最小。将目标控制变量推荐值作为磨机在下一周期的控制变量运行值,从而实时推荐控制变量运行值,上述方式能够使磨机的电耗值更低,降低磨机单位生料的耗电量,并提升生料磨产线的经济性。
参见图3所示,本应用场景涉及如下过程:目标预测模型的训练过程、数据预处理过程、控制变量推荐值的推荐过程,以下对这几个过程进行说明。
一、目标预测模型的训练过程。在目标预测模型的训练过程中,基于磨机的历史运行数据训练目标预测模型,目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系。
例如,可以维护一个训练数据库,该训练数据库包括磨机在每个周期的历史运行数据,如控制变量运行值、状态变量运行值、实际电耗值等历史运行数据,对此历史运行数据不做限制。例如,训练数据库可以包括但不限于磨机在第1个周期的控制变量运行值、状态变量运行值、实际电耗值,磨机在第2个周期的控制变量运行值、状态变量运行值、实际电耗值,以此类推。
在每个周期,获取磨机在该周期的控制变量运行值、状态变量运行值、实际电耗值,并将磨机在该周期的控制变量运行值、状态变量运行值、实际电耗值添加到训练数据库,也就是说,训练数据库中的历史运行数据不断更新。
基于训练数据库中的历史运行数据,可以从历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值,并根据多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值,训练目标预测模型。其中,目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系。
目标预测模型可以包括但不限于时间序列预测模型,且时间序列预测模型可以包括但不限于LSTM模型。当然,LSTM模型只是一个示例,目标预测模型还可以为ARIMAX(Autoregressive Integrated Moving Average,自回归整合滑动平均)模型,对此不做限制。为了方便描述,后续以LSTM模型为例。
参见图4所示,为LSTM模型的示例,yt表示周期t的实际电耗值、kt表示周期t的控制变量运行值、xt表示周期t的状态变量运行值,n为LSTM模型的时间步长,可以根据经验进行配置,如n为5等。从图4可以看出,LSTM模型(即目标预测模型)的输入可以包括xt-n+2、kt-n+2、yt-n+1、xt-n+1、kt-n+1、yt-n、…、xt、kt、yt-1、xt、kt+1、yt,LSTM模型的输出可以包括yt+1。也就是说,yt+1与xt-n+2、kt-n+2、yt-n+1、xt-n+1、kt-n+1、yt-n、…、xt、kt、yt-1、xt、kt+1、yt有关,而LSTM模型表示的就是yt+1与xt-n+2、kt-n+2、yt-n+1、xt-n+1、kt-n+1、yt-n、…、xt、kt、yt-1、xt、kt+1、yt的函数关系,即需要通过历史运行数据训练出所述函数关系。
针对周期t来说,yt+1是周期t+1的预测电耗值,kt+1是周期t+1的控制变量推荐值,xt-n+2、xt-n+1、…、xt分别是周期t-n+2、周期t-n+1、…、周期t的状态变量运行值,kt-n+2、kt-n+1、…、kt分别是周期t-n+2、周期t-n+1、…、周期t的控制变量运行值,yt-n+1、yt-n、…、yt-1、yt分别是周期t-n+1、周期t-n、…、周期t-1、周期t的实际电耗值。综上所述,LSTM模型包括控制变量运行值(如周期t-n+2、周期t-n+1、…、周期t的控制变量运行值)、状态变量运行值(如周期t-n+2、周期t-n+1、…、周期t的状态变量运行值)、实际电耗值(如周期t-n+1、周期t-n、…、周期t-1、周期t的实际电耗值)、控制变量推荐值(周期t+1的控制变量推荐值)和预测电耗值(周期t+1的预测电耗值)之间的映射关系。
假设n为5,针对第10个周期,即t为10,从历史运行数据中获取x7、k7、y6、x6、k6、y5、…、x10、k10、y9、x10、k11、y10、y11等数据,x7表示周期7的状态变量运行值、k7表示周期7的控制变量运行值、y6表示周期6的实际电耗值,以此类推。在得到上述数据后,可以将上述数据输入至LSTM模型。
针对第11个周期,即t为11,从历史运行数据中获取x8、k8、y7、x7、k7、y6、…、x11、k11、y10、x11、k12、y11、y12等数据,将这些数据输入至LSTM模型。
针对第12个周期,即t为12,从历史运行数据中获取x9、k9、y8、x8、k8、y7、…、x12、k12、y11、x12、k13、y12、y13等数据,将这些数据输入至LSTM模型。
以此类推,在将大量数据输入至LSTM模型后,最终训练的LSTM模型包括控制变量运行值(如周期t-n+2、周期t-n+1、…、周期t的控制变量运行值)、状态变量运行值(如周期t-n+2、周期t-n+1、…、周期t的状态变量运行值)、实际电耗值(如周期t-n+1、周期t-n、…、周期t-1、周期t的实际电耗值)、控制变量推荐值(周期t+1的控制变量推荐值)和预测电耗值(周期t+1的预测电耗值)之间的映射关系,对此LSTM模型的训练过程不做限制。
在一个例子中,在目标预测模型(即LSTM模型)训练完成后,可以基于目标预测模型获取控制变量推荐值。而且,目标预测模型的训练过程可以定期执行,从而保证目标预测模型是基于最新的历史运行数据进行训练。例如,假设当前周期是第100个周期,则可以根据第10个周期-第98个周期的历史运行数据训练目标预测模型。假设当前周期是第200个周期,则可以根据第110个周期-第198个周期的历史运行数据训练目标预测模型,以此类推。
二、数据预处理过程。在数据预处理过程中,根据磨机在当前周期的控制变量运行值和磨机在当前周期的状态变量运行值,确定是否推荐磨机在下一周期的控制变量运行值。如果是,则执行控制变量推荐值的推荐过程;如果否,则禁止执行控制变量推荐值的推荐过程,即当前周期不推荐控制变量推荐值。
例如,获取磨机在当前周期的控制变量运行值、磨机在当前周期的状态变量运行值。假设时间窗口是1分钟,每秒钟采集1次控制变量运行值,则采集60次控制变量运行值,60次控制变量运行值的平均值就是磨机在当前周期的控制变量运行值。每秒钟采集1次状态变量运行值,则采集60次状态变量运行值,60次状态变量运行值的平均值就是磨机在当前周期的控制变量运行值。
若磨机在当前周期的控制变量运行值处于第一阈值与第二阈值之间、且磨机在当前周期的状态变量运行值处于第三阈值与第四阈值之间,则确定推荐磨机在下一周期的控制变量运行值,即执行控制变量推荐值的推荐过程。若磨机在当前周期的控制变量运行值不处于第一阈值与第二阈值之间,和/或,磨机在当前周期的状态变量运行值不处于第三阈值与第四阈值之间,则确定不推荐磨机在下一周期的控制变量运行值,即当前周期不推荐控制变量推荐值。
示例性的,从磨机的历史运行数据中获取多个周期的控制变量运行值,并根据多个周期的控制变量运行值确定第一阈值和第二阈值。例如,第一阈值可以为Q11-β1*(Q31-Q11),第二阈值可以为Q31+β1*(Q31-Q11)。
其中,可以按照从小到大的顺序(或者从大到小的顺序)对多个周期的控制变量运行值(如第1个周期的控制变量运行值-第100个周期的控制变量运行值)进行排序,并将指定分位数1的控制变量运行值作为Q11,将指定分位数2的控制变量运行值作为Q31,β1为设定参数,可以根据经验配置,如1、3等,对此不做限制。此外,指定分位数1可以根据经验进行设置,如指定分位数1可以为第一四分位数,对此指定分位数1不做限制;指定分位数2可以根据经验进行设置,如指定分位数2可以为第三四分位数,对此不做限制。
当然,上述只是确定第一阈值和第二阈值的示例,对此不做限制,例如,可以根据经验直接配置第一阈值,可以根据经验直接配置第二阈值。
示例性的,从磨机的历史运行数据中获取多个周期的状态变量运行值,并根据多个周期的状态变量运行值确定第三阈值和第四阈值。例如,第三阈值可以为Q12-β2*(Q32-Q12),第四阈值可以为Q32+β2*(Q32-Q12)。
其中,可以按照从小到大的顺序(或者从大到小的顺序)对多个周期的状态变量运行值(如第1个周期的状态变量运行值-第100个周期的状态变量运行值)进行排序,并将指定分位数3的状态变量运行值作为Q12,将指定分位数4的状态变量运行值作为Q32,β2为设定参数,可以根据经验配置,如1、3等,对此不做限制。此外,指定分位数3可以根据经验进行设置,如指定分位数3可以为第一四分位数,对此指定分位数3不做限制;指定分位数4可以根据经验进行设置,如指定分位数4可以为第三四分位数,对此不做限制。
当然,上述只是确定第三阈值和第四阈值的示例,对此不做限制,例如,可以根据经验直接配置第三阈值,可以根据经验直接配置第四阈值。
在一个例子中,若磨机在当前周期的控制变量运行值处于第一阈值与第二阈值之间、且磨机在当前周期的状态变量运行值处于第三阈值与第四阈值之间,则说明磨机在当前周期的运行数据(如控制变量运行值、状态变量运行值、实际电耗值等)正常,并将磨机在当前周期的运行数据更新到训练数据库中。
在一个例子中,若磨机在当前周期的控制变量运行值不处于第一阈值与第二阈值之间,和/或,磨机在当前周期的状态变量运行值不处于第三阈值与第四阈值之间,则可以说明磨机在当前周期的运行数据异常,并需要通过如下方式获取待填补运行数据,并将待填补运行数据更新到训练数据库中。
若运行数据异常的持续周期未超过时间步长n,则以历史运行数据(如10个周期的运行数据)的均值作为待填补运行数据。例如,假设时间步长n为5,当前周期是第10个周期,且第9个周期和第10个周期的运行数据异常,则将历史运行数据的均值作为第9个周期的运行数据更新到训练数据库中,将历史运行数据的均值作为第10个周期的运行数据更新到训练数据库中。
若运行数据异常的持续周期超过时间步长n,则不再更新训练数据库。例如,时间步长n为5,当前周期是第10个周期,第3个周期至第10个周期的运行数据异常,则训练数据库中,第3个周期至第10个周期的运行数据为空。
示例性的,待填补运行数据可以包括控制变量运行值、状态变量运行值、实际电耗值等,因此,可以将历史运行数据中的控制变量运行值的均值作为待填补运行数据,将历史运行数据中的状态变量运行值的均值作为待填补运行数据,将历史运行数据中的实际电耗值的均值作为待填补运行数据。
三、控制变量推荐值的推荐过程。在控制变量推荐值的推荐过程中,基于目标预测模型、磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值,进行控制变量推荐值的寻优搜索过程,得到目标控制变量推荐值,并推荐目标控制变量推荐值,从而完成控制变量推荐值的推荐过程。
参见图5所示,为控制变量推荐值的推荐过程示意图,可以包括:
步骤501,确定待推荐的多个控制变量推荐值。
具体的,可以根据磨机在当前周期的控制变量运行值和历史控制变量运行值中的最小控制变量运行值,确定最小推荐值;根据磨机在当前周期的控制变量运行值和历史控制变量运行值中的最大控制变量运行值,确定最大推荐值;然后,根据最小推荐值和最大推荐值确定待推荐的多个控制变量推荐值。
例如,klower是最小推荐值,kupper是最大推荐值,控制变量推荐值可以位于klower和kupper之间。假设控制变量推荐值的数量为10,则在klower和kupper之间选取10个值,对此选取方式不做限制,如第1个值是klower+a,第2个值是klower+2a,a为单步变化步长,以此类推,只要是位于klower和kupper之间的10个不同值即可,这10个值就是待推荐的10个控制变量推荐值。又例如,不限定控制变量推荐值的数量,在klower和kupper之间选取多个值,第1个值是klower+a,第2个值是klower+2a,以此类推,一直到选取的值大于或等于kupper,停止选取过程,将选取的位于klower和kupper之间的值作为待推荐的控制变量推荐值。又例如,采用预设算法(如粒子群优化算法)从klower和kupper之间选取控制变量推荐值,也就是说,在klower和kupper之间的寻优空间内,不断通过粒子群优化算法迭代寻优,在寻优空间中获取使预测电耗值最小的控制变量推荐值,对此过程不做限制,即控制变量推荐值是粒子群优化算法选取的。
当然,上述方式只是示例,对此控制变量推荐值的获取方式不做限制。
显然,klower-kupper的约束条件,对控制变量推荐值的寻优空间进行了限定,从而确保控制变量推荐值的变化范围和单步变化步长在可控范围内。
示例性的,klower和kupper的计算公式如下所示:klower=max(kmmin,kt-(1-coef)*delta);kupper=min(kmax,kt+(1-coef)*delta)。在上述公式中,kmin表示历史控制变量运行值中的最小控制变量运行值,例如,已经采集到100个周期的控制变量运行值,则100个周期的控制变量运行值是历史控制变量运行值,且kmin是100个周期的控制变量运行值中的最小控制变量运行值。kmax表示历史控制变量运行值中的最大控制变量运行值,如kmax是100个周期的控制变量运行值中的最大控制变量运行值。kt是当前周期的控制变量运行值。
在上述公式中,coef可以为控制变量与目标电耗的spearman系数,可以根据经验进行配置,对此coef的取值不做限制。delta可以为单方向控制变量的单步搜索步长,可以根据经验进行配置,对此delta的取值不做限制。
步骤502,针对多个控制变量推荐值中的每个控制变量推荐值,根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值和该控制变量推荐值,查询目标预测模型,得到与该控制变量推荐值对应的预测电耗值。
在一个例子中,磨机的控制变量运行值可以包括:磨机在当前周期的控制变量运行值、磨机在当前周期前面的几个周期的控制变量运行值。磨机的状态变量运行值可以包括:磨机在当前周期的状态变量运行值、磨机在当前周期前面的几个周期的状态变量运行值。磨机的实际电耗值可以包括:磨机在当前周期的实际电耗值、磨机在当前周期前面的几个周期的实际电耗值。
参见上述实施例,目标预测模型(如LSTM模型)表示的是yt+1与xt-n+2、kt-n+2、yt-n+1、xt-n+1、kt-n+1、yt-n、..、xt、kt、yt-1、xt、kt+1、yt的函数关系,即yt+1与xt-n+2、kt-n+2、yt-n+1、xt-n+1、kt-n+1、yt-n、…、xt、kt、yt-1、xt、kt+1、yt有关,参见图4所示。也就是说,目标预测模型用于表示控制变量运行值(如周期t-n+2、周期t-n+1、..、周期t的控制变量运行值)、状态变量运行值(如周期t-n+2、周期t-n+1、..、周期t的状态变量运行值)、实际电耗值(如周期t-n+1、周期t-n、...、周期t-1、周期t的实际电耗值)、控制变量推荐值(如周期t+1的控制变量推荐值)和预测电耗值(如周期t+1的预测电耗值)之间的映射关系。
在步骤502中,当前周期是周期t,n为目标预测模型的时间步长,可以根据经验进行配置,如n为5等。xt-n+2、xt-n+1、…、xt分别是周期t-n+2、周期t-n+1、…、周期t的状态变量运行值,kt-n+2、kt-n+1、…、kt分别是周期t-n+2、周期t-n+1、…、周期t的控制变量运行值,yt-n+1、yt-n、…、yt-1、yt分别是周期t-n+1、周期t-n、…、周期t-1、周期t的实际电耗值。进一步的,在当前周期是周期t时,已经能够获知周期t-n+2、周期t-n+1、…、周期t的状态变量运行值,周期t-n+2、周期t-n+1、…、周期t的控制变量运行值,周期t-n+1、周期t-n、…、周期t-1、周期t的实际电耗值,因此,可以将上述多个控制变量运行值、上述多个状态变量运行值和上述多个实际电耗值代入目标预测模型,从而得到yt+1与kt+1的函数关系。
基于yt+1与kt+1的函数关系,针对多个控制变量推荐值中的每个控制变量推荐值,可以将该控制变量推荐值(控制变量推荐值作为kt+1)代入所述函数关系,得到与该控制变量推荐值对应的预测电耗值(预测电耗值作为yt+1)。
例如,在将控制变量推荐值1代入yt+1与kt+1的函数关系后,可以得到与控制变量推荐值1对应的预测电耗值1;在将控制变量推荐值2代入yt+1与kt+1的函数关系后,可以得到与控制变量推荐值2对应的预测电耗值2,以此类推。
显然,在将多个控制变量推荐值中的每个控制变量推荐值代入yt+1与kt+1的函数关系后,就可以得到每个控制变量推荐值对应的预测电耗值。
步骤503,针对多个控制变量推荐值中的每个控制变量推荐值,根据该控制变量推荐值、该控制变量推荐值对应的预测电耗值确定预测参数值。
例如,根据控制变量推荐值1、控制变量推荐值1对应的预测电耗值1确定控制变量推荐值1对应的预测参数值1。根据控制变量推荐值2、控制变量推荐值2对应的预测电耗值2确定控制变量推荐值2对应的预测参数值2,以此类推。
在针对多个控制变量推荐值中的每个控制变量推荐值进行上述处理后,就可以得到多个控制变量推荐值中的每个控制变量推荐值对应的预测参数值。
在一个例子中,针对多个控制变量推荐值中的每个控制变量推荐值,可以根据该控制变量推荐值、该控制变量推荐值对应的预测电耗值、目标电耗的设定值、磨机在当前周期的控制变量运行值,确定该控制变量推荐值对应的预测参数值。其中,目标电耗的设定值的确定方式,可以包括但不限于:根据磨机在当前周期的实际电耗值和目标电耗下降比例,确定目标电耗的设定值。
例如,通过如下公式确定预测参数值:(|yt+1-yset|+ω*|kt+1-kt|);当然,这个公式只是示例,对此不做限制,能够根据控制变量推荐值、预测电耗值、目标电耗的设定值、当前周期的控制变量运行值确定预测参数值即可。
在上述公式中,kt+1表示控制变量推荐值,kt表示磨机在当前周期的控制变量运行值,yt+1表示预测电耗值,即与该控制变量推荐值对应的预测电耗值。
Yset表示目标电耗的设定值,yset可以通过如下方式确定:yset=yave*(1-alpha),yave可以为当前周期的实际电耗值,也可以为基于当前周期的实际电耗值确定的实际电耗值的平均值(如近期连续几个周期的实际电耗值的平均值),alpha为目标电耗下降比例,可以根据经验配置,如5%,表示目标电耗的设定值是在yave的基础上降低5%。显然,yt+1与yset越接近,表示yt+1越靠近目标,从而达到在yave的基础上降低电耗值的目的,节约磨机单位生料的耗电量。当然,还可以通过其它方式设置yset,如根据经验设置yset,对此不做限制。
ω是权重系数,可以根据经验进行配置,对此不做限制,如可以为0-1之间的数值,如0.01、0.02等,当ω越小时,则预测电耗值与目标电耗的设定值之间的差值在预测参数值中的权重越大,即预测参数值与所述差值的关系越明显。
综上所述,在上述公式中,yset、ω和kt均为已知,在将控制变量推荐值1(作为kt+1)和控制变量推荐值1对应的预测电耗值1(作为yt+1)代入上述公式后,就可以得到与控制变量推荐值1对应的预测参数值1。在将控制变量推荐值2(作为kt+1)和控制变量推荐值2对应的预测电耗值2(作为yt+1)代入上述公式后,就可以得到与控制变量推荐值2对应的预测参数值2,以此类推。
步骤504,从多个控制变量推荐值对应的多个预测参数值中选择最小预测参数值,将最小预测参数值对应的控制变量推荐值确定为目标控制变量推荐值。
例如,基于多个控制变量推荐值对应的多个预测参数值,若控制变量推荐值1对应的预测参数值1最小,则目标控制变量推荐值为控制变量推荐值1。
步骤505,根据目标控制变量推荐值确定磨机在下一周期的控制变量运行值,也就是说,将目标控制变量推荐值作为磨机在下一周期的控制变量运行值。
例如,在当前周期a确定出目标控制变量推荐值为控制变量推荐值1后,将控制变量推荐值1作为磨机在下一周期(a+1)的控制变量运行值,例如,在下一周期(a+1),将磨机的控制变量运行值设置为控制变量推荐值1。
在上述实施例中,控制变量可以为多个,如控制变量包括立磨台时、磨内压差、出磨风温,因此,控制变量推荐值(如控制变量推荐值1)可以是多种控制变量推荐值,如立磨台时推荐值、磨内压差推荐值、出磨风温推荐值,即,kt+1为立磨台时推荐值、磨内压差推荐值、出磨风温推荐值。控制变量运行值可以是多种控制变量运行值,如立磨台时运行值、磨内压差运行值、出磨风温运行值,即,kt是周期t的立磨台时运行值、磨内压差运行值、出磨风温运行值。
在上述实施例中,状态变量可以为多个,如状态变量可以包括但不限于:磨辊压力、电收尘入口温度、磨机振动、磨主电机电流等,因此,状态变量运行值可以是多种状态变量运行值,如磨辊压力运行值、电收尘入口温度运行值、磨机振动运行值、磨主电机电流运行值等,即,xt是周期t的磨辊压力运行值、电收尘入口温度运行值、磨机振动运行值、磨主电机电流运行值。
在目标预测模型的训练过程中,kt表示周期t的控制变量运行值,如周期t的立磨台时运行值、磨内压差运行值、出磨风温运行值,其它周期的控制变量运行值类似,在此不再赘述。xt表示周期t的状态变量运行值,如周期t的磨辊压力运行值、电收尘入口温度运行值、磨机振动运行值、磨主电机电流运行值,其它周期的状态变量运行值类似,在此不再赘述。kt+1表示周期t+1的控制变量推荐值,如周期t+1的立磨台时推荐值、磨内压差推荐值、出磨风温推荐值。
在控制变量推荐值的推荐过程中,针对待推荐的每个控制变量推荐值,可以包括立磨台时推荐值、磨内压差推荐值、出磨风温推荐值。在目标预测模型的查询过程中,kt表示周期t的控制变量运行值,如周期t的立磨台时运行值、磨内压差运行值、出磨风温运行值,其它周期的控制变量运行值类似。xt表示周期t的状态变量运行值,如周期t的磨辊压力运行值、电收尘入口温度运行值、磨机振动运行值、磨主电机电流运行值,其它周期的状态变量运行值类似。
在预测参数值的确定过程中,还可以通过如下公式确定预测参数值:
i表示第i个控制变量,例如,当控制变量为立磨台时、磨内压差、出磨风温时,i的取值范围是1-3,ω1表示立磨台时的权重系数,表示立磨台时推荐值,表示当前周期的立磨台时运行值。ω2表示磨内压差的权重系数,表示磨内压差推荐值,表示当前周期的磨内压差运行值。ω3表示出磨风温的权重系数,表示出磨风温推荐值,表示当前周期的出磨风温运行值。
在一个例子中,针对控制变量推荐值的推荐过程,参见图6所示,可以将当前周期的实时预处理数据(如xt、kt、yt等)、当前周期之前的时间序列数据(如xt-n+2-xt-1、kt-n+2-kt-1、yt-n+1-yt-1等)、控制变量推荐值(kt+1)输入目标预测模型,得到预测电耗值(yt+1)。控制变量推荐值(kt+1)的寻优空间是klower-kupper,klower-kupper内的每个控制变量推荐值(kt+1)对应一个预测电耗值(yt+1)。
基于yt-1与yset之间的距离,对klower-kupper内的每个控制变量推荐值(kt+1)进行寻优操作,采用控制变量优化模型,能够得到目标控制变量推荐值kopt。
基于上述技术方案,本申请实施例中,根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值,确定磨机在下一周期的控制变量运行值,能够为磨机的控制变量设置合理的控制变量值,动态实时地对控制变量值进行推荐,不需要中控人员根据经验为磨机的控制变量设置控制变量值,减少磨机粉磨过程对中控人员的依赖程度,提高磨机自动化生产水平。
基于与上述方法同样的申请构思,本申请实施例还提供一种控制变量值的确定装置,如图7所示,为所述装置的结构图,所述装置可以包括:
确定模块71,用于确定待推荐的多个控制变量推荐值;
获取模块72,用于获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
选择模块73,用于根据所述多个控制变量推荐值分别对应的预测参数值,从所述多个控制变量推荐值中选择目标控制变量推荐值;
所述确定模块71,还用于根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
所述确定模块71确定待推荐的多个控制变量推荐值时具体用于:
根据磨机在当前周期的控制变量运行值和历史控制变量运行值中的最小控制变量运行值,确定最小推荐值,并根据磨机在当前周期的控制变量运行值和历史控制变量运行值中的最大控制变量运行值,确定最大推荐值;
根据最小推荐值和最大推荐值确定待推荐的多个控制变量推荐值。
所述获取模块72获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值时具体用于:根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值和所述控制变量推荐值,查询目标预测模型,得到与所述控制变量推荐值对应的预测电耗值;所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系。
所述装置还包括(在图7中未示出):训练模块,用于从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;根据所述多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值,训练目标预测模型。其中,所述目标预测模型包括时间序列预测模型,所述时间序列预测模型包括LSTM模型。
所述获取模块72根据所述控制变量推荐值和所述预测电耗值确定预测参数值时具体用于:根据所述预测电耗值、目标电耗的设定值、所述控制变量推荐值、磨机在当前周期的控制变量运行值,确定所述控制变量推荐值对应的预测参数值。进一步的,针对目标电耗的设定值,所述获取模块72还用于根据磨机在当前周期的实际电耗值和目标电耗下降比例,确定所述目标电耗的设定值。
所述选择模块73根据所述多个控制变量推荐值分别对应的预测参数值,从所述多个控制变量推荐值中选择目标控制变量推荐值时具体用于:
从所述多个控制变量推荐值对应的预测参数值中选择最小预测参数值;
将最小预测参数值对应的控制变量推荐值确定为目标控制变量推荐值。
可选地,在一个例子中,所述确定模块71,还用于根据磨机在当前周期的控制变量运行值和磨机在当前周期的状态变量运行值,确定是否推荐磨机在下一周期的控制变量运行值;如果是,则执行确定待推荐的多个控制变量推荐值的操作;如果否,则禁止推荐磨机在下一周期的控制变量运行值。
所述确定模块71根据磨机在当前周期的控制变量运行值和磨机在当前周期的状态变量运行值,确定是否推荐磨机在下一周期的控制变量运行值时具体用于:从磨机的历史运行数据中获取多个周期的控制变量运行值,并根据所述多个周期的控制变量运行值确定第一阈值和第二阈值;
从磨机的历史运行数据中获取多个周期的状态变量运行值,并根据所述多个周期的状态变量运行值确定第三阈值和第四阈值;
若磨机在当前周期的控制变量运行值处于第一阈值与第二阈值之间、磨机在当前周期的状态变量运行值处于第三阈值与第四阈值之间,确定推荐磨机在下一周期的控制变量运行值;否则不推荐磨机在下一周期的控制变量运行值。
基于与上述方法同样的申请构思,本申请实施例还提供一种控制变量值的确定装置,如图8所示,为所述装置的结构图,所述装置可以包括:
获取模块81,用于从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
训练模块82,用于根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;所述目标预测模型包括时间序列预测模型,所述时间序列预测模型包括LSTM模型;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
基于与上述方法同样的申请构思,本申请实施例还提供一种控制变量值的确定设备,包括:处理器和机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述处理器执行所述计算机指令时进行如下处理:
确定待推荐的多个控制变量推荐值;
获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;
根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
进一步的,本申请实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令;所述计算机指令被执行时进行如下处理:
确定待推荐的多个控制变量推荐值;
获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;
根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
基于与上述方法同样的申请构思,本申请实施例还提供一种控制变量值的确定设备,包括:处理器和机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述处理器执行所述计算机指令时进行如下处理:
从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
进一步的,本申请实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令;所述计算机指令被执行时进行如下处理:
从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
参见图9所示,为本申请实施例中的控制变量值的确定设备的结构图,所述控制变量值的确定设备可以包括:处理器91,网络接口92,总线93,存储器94。存储器94可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据等等。例如,存储器94可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可以由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
而且,这些计算机程序指令也可以存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或者多个流程和/或方框图一个方框或者多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或者其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (19)
1.一种控制变量值的确定方法,其特征在于,所述方法包括:
确定待推荐的多个控制变量推荐值;
获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;
根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
2.根据权利要求1所述的方法,其特征在于,
所述确定待推荐的多个控制变量推荐值,包括:
根据磨机在当前周期的控制变量运行值和历史控制变量运行值中的最小控制变量运行值,确定最小推荐值,并根据磨机在当前周期的控制变量运行值和历史控制变量运行值中的最大控制变量运行值,确定最大推荐值;
根据最小推荐值和最大推荐值确定待推荐的多个控制变量推荐值。
3.根据权利要求1所述的方法,其特征在于,所述获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,包括:
根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值和所述控制变量推荐值,查询目标预测模型,得到与所述控制变量推荐值对应的预测电耗值;其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系。
4.根据权利要求3所述的方法,其特征在于,所述获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值之前,所述方法还包括:
从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;根据所述多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值,训练目标预测模型。
5.根据权利要求3或4所述的方法,其特征在于,所述目标预测模型包括时间序列预测模型,所述时间序列预测模型包括LSTM模型。
6.根据权利要求1所述的方法,其特征在于,
所述根据所述控制变量推荐值和所述预测电耗值确定预测参数值,包括:
根据所述预测电耗值、目标电耗的设定值、所述控制变量推荐值、磨机在当前周期的控制变量运行值,确定所述控制变量推荐值对应的预测参数值。
7.根据权利要求6所述的方法,其特征在于,
所述目标电耗的设定值的确定方式,包括:根据磨机在当前周期的实际电耗值和目标电耗下降比例,确定所述目标电耗的设定值。
8.根据权利要求1所述的方法,其特征在于,所述根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值,包括:
从所述多个控制变量推荐值对应的预测参数值中选择最小预测参数值;
将最小预测参数值对应的控制变量推荐值确定为目标控制变量推荐值。
9.根据权利要求1所述的方法,其特征在于,
所述确定待推荐的多个控制变量推荐值之前,所述方法还包括:
根据磨机在当前周期的控制变量运行值和磨机在当前周期的状态变量运行值,确定是否推荐磨机在下一周期的控制变量运行值;
如果是,则执行确定待推荐的多个控制变量推荐值的操作;
如果否,则禁止推荐磨机在下一周期的控制变量运行值。
10.根据权利要求9所述的方法,其特征在于,
所述根据磨机在当前周期的控制变量运行值和磨机在当前周期的状态变量运行值,确定是否推荐磨机在下一周期的控制变量运行值,包括:
从磨机的历史运行数据中获取多个周期的控制变量运行值,并根据所述多个周期的控制变量运行值确定第一阈值和第二阈值;
从磨机的历史运行数据中获取多个周期的状态变量运行值,并根据所述多个周期的状态变量运行值确定第三阈值和第四阈值;
若磨机在当前周期的控制变量运行值处于第一阈值与第二阈值之间、磨机在当前周期的状态变量运行值处于第三阈值与第四阈值之间,确定推荐磨机在下一周期的控制变量运行值;否则不推荐磨机在下一周期的控制变量运行值。
11.一种控制变量值的确定方法,其特征在于,所述方法包括:
从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
12.根据权利要求11所述的方法,其特征在于,所述目标预测模型包括时间序列预测模型,所述时间序列预测模型包括LSTM模型。
13.一种控制变量值的确定方法,其特征在于,所述方法包括:
确定待推荐的多个控制变量推荐值;
针对所述多个控制变量推荐值中的控制变量推荐值,根据磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值和所述控制变量推荐值,查询目标预测模型,得到与所述控制变量推荐值对应的预测电耗值;根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;
根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
14.一种控制变量值的确定方法,其特征在于,所述方法包括:
获取用户设备通过WEB页面或者应用客户端发送的磨机的运行数据;
根据所述运行数据获取所述磨机的目标控制变量推荐值;
将所述目标控制变量推荐值发送给所述用户设备,以使所述用户设备根据所述目标控制变量推荐值确定所述磨机在下一周期的控制变量运行值。
15.根据权利要求14所述的方法,其特征在于,所述运行数据包括磨机的控制变量运行值、磨机的状态变量运行值、磨机的实际电耗值;
根据所述运行数据获取所述磨机的目标控制变量推荐值,包括:
确定待推荐的多个控制变量推荐值;
针对所述多个控制变量推荐值中的控制变量推荐值,根据所述控制变量运行值、所述状态变量运行值、所述实际电耗值和所述控制变量推荐值,查询目标预测模型,得到与所述控制变量推荐值对应的预测电耗值;
根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值。
16.一种控制变量值的确定装置,其特征在于,所述装置包括:
确定模块,用于确定待推荐的多个控制变量推荐值;
获取模块,用于获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
选择模块,用于根据所述多个控制变量推荐值分别对应的预测参数值,从所述多个控制变量推荐值中选择目标控制变量推荐值;
所述确定模块,还用于根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
17.一种控制变量值的确定装置,其特征在于,所述装置包括:
获取模块,用于从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
训练模块,用于根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
18.一种控制变量值的确定设备,其特征在于,包括:
处理器和机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述处理器执行所述计算机指令时进行如下处理:
确定待推荐的多个控制变量推荐值;
获取所述多个控制变量推荐值中的控制变量推荐值对应的预测电耗值,并根据所述控制变量推荐值和所述预测电耗值确定预测参数值;
根据所述预测参数值从多个控制变量推荐值中选择目标控制变量推荐值;
根据所述目标控制变量推荐值确定磨机在下一周期的控制变量运行值。
19.一种控制变量值的确定设备,其特征在于,包括:
处理器和机器可读存储介质,所述机器可读存储介质上存储有若干计算机指令,所述处理器执行所述计算机指令时进行如下处理:
从磨机的历史运行数据中获取多个周期的控制变量运行值、多个周期的状态变量运行值、多个周期的实际电耗值;
根据所述多个周期的控制变量运行值、所述多个周期的状态变量运行值、所述多个周期的实际电耗值,训练目标预测模型;
其中,所述目标预测模型包括控制变量运行值、状态变量运行值、实际电耗值、控制变量推荐值和预测电耗值之间的映射关系;
所述目标预测模型用于确定磨机在下一周期的控制变量运行值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869889.XA CN112506134A (zh) | 2019-09-16 | 2019-09-16 | 一种控制变量值的确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869889.XA CN112506134A (zh) | 2019-09-16 | 2019-09-16 | 一种控制变量值的确定方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112506134A true CN112506134A (zh) | 2021-03-16 |
Family
ID=74923936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910869889.XA Pending CN112506134A (zh) | 2019-09-16 | 2019-09-16 | 一种控制变量值的确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112506134A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1836786A (zh) * | 2006-04-24 | 2006-09-27 | 西安交通大学 | 水泥厂粉磨回路球磨机负荷控制方法 |
CN103332878A (zh) * | 2013-05-30 | 2013-10-02 | 中国科学院沈阳自动化研究所 | 一种新型干法水泥熟料生产全流程优化方法 |
CN105160421A (zh) * | 2015-08-10 | 2015-12-16 | 西安交通大学 | 一种基于周期滚动优化的火电厂磨机负荷预测方法 |
CN106383766A (zh) * | 2016-09-09 | 2017-02-08 | 北京百度网讯科技有限公司 | 系统监控方法和装置 |
CN106681145A (zh) * | 2016-12-30 | 2017-05-17 | 苏州中材建设有限公司 | 基于深度学习的球磨机节能优化控制方法 |
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN108549321A (zh) * | 2018-04-10 | 2018-09-18 | 广州启帆工业机器人有限公司 | 一种综合时间能量跃度的工业机器人轨迹生成方法及系统 |
CN108921323A (zh) * | 2018-06-04 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
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 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
CN109165798A (zh) * | 2018-10-19 | 2019-01-08 | 燕山大学 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
CN109240264A (zh) * | 2018-09-14 | 2019-01-18 | 浙江大学 | 一种基于lstm神经网络的制浆过程能耗预测方法 |
CN109687447A (zh) * | 2018-12-29 | 2019-04-26 | 华润电力技术研究院有限公司 | 一种电力能耗预测方法及装置 |
CN109847916A (zh) * | 2018-12-26 | 2019-06-07 | 厦门邑通软件科技有限公司 | 一种水泥原料立磨系统的节能优化方法 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
-
2019
- 2019-09-16 CN CN201910869889.XA patent/CN112506134A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1836786A (zh) * | 2006-04-24 | 2006-09-27 | 西安交通大学 | 水泥厂粉磨回路球磨机负荷控制方法 |
CN103332878A (zh) * | 2013-05-30 | 2013-10-02 | 中国科学院沈阳自动化研究所 | 一种新型干法水泥熟料生产全流程优化方法 |
CN105160421A (zh) * | 2015-08-10 | 2015-12-16 | 西安交通大学 | 一种基于周期滚动优化的火电厂磨机负荷预测方法 |
CN106383766A (zh) * | 2016-09-09 | 2017-02-08 | 北京百度网讯科技有限公司 | 系统监控方法和装置 |
CN106681145A (zh) * | 2016-12-30 | 2017-05-17 | 苏州中材建设有限公司 | 基于深度学习的球磨机节能优化控制方法 |
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN108549321A (zh) * | 2018-04-10 | 2018-09-18 | 广州启帆工业机器人有限公司 | 一种综合时间能量跃度的工业机器人轨迹生成方法及系统 |
CN108921323A (zh) * | 2018-06-04 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN108954680A (zh) * | 2018-07-13 | 2018-12-07 | 电子科技大学 | 一种基于运行数据的中央空调能耗预测方法 |
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 |
CN109240264A (zh) * | 2018-09-14 | 2019-01-18 | 浙江大学 | 一种基于lstm神经网络的制浆过程能耗预测方法 |
CN109165798A (zh) * | 2018-10-19 | 2019-01-08 | 燕山大学 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
CN109847916A (zh) * | 2018-12-26 | 2019-06-07 | 厦门邑通软件科技有限公司 | 一种水泥原料立磨系统的节能优化方法 |
CN109687447A (zh) * | 2018-12-29 | 2019-04-26 | 华润电力技术研究院有限公司 | 一种电力能耗预测方法及装置 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
周文涛;杨金林;马少健;杨晓静;: "基于破碎理论下球磨机功耗模型预测", 矿产综合利用, no. 05, 15 November 2016 (2016-11-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109032078B (zh) | 机器学习装置、控制装置以及计算机可读介质 | |
CN109283887A (zh) | 机器学习装置、数值控制装置、数值控制系统以及机器学习方法 | |
CN104534626A (zh) | 一种空调的自动控制方法、装置及系统 | |
CN105042801B (zh) | 一种冷冻水泵组节能控制方法和系统 | |
WO2014124341A1 (en) | In-situ optimization of chilled water plants | |
CN109323399B (zh) | 空调器、服务器、空调系统以及控制方法 | |
CN112365076B (zh) | 一种并联冷机负荷分配优化方法、存储介质及计算设备 | |
JP5134601B2 (ja) | 生産スケジュール作成装置 | |
CN110825208B (zh) | 数字货币矿机参数的调整方法、装置、设备及存储介质 | |
EP4033169B1 (en) | Air-conditioning control device, air-conditioning system, air-conditioning control method, and air-conditioning control program | |
JP5758950B2 (ja) | 空調機制御装置、空調機制御システム、空調機制御方法及びプログラム | |
CN112240633A (zh) | 用于空调控制的方法、装置及空调 | |
CN105937823A (zh) | 一种地源热泵控制方法及系统 | |
CN108507126B (zh) | 一种中央空调冷冻水的模糊控制方法、装置及空调 | |
CN112506134A (zh) | 一种控制变量值的确定方法、装置及设备 | |
WO2024011936A1 (zh) | 一种工艺参数的优化方法及装置 | |
JP6589227B1 (ja) | 制御装置、空調制御システム、制御情報の算出方法及びプログラム | |
CN115096033A (zh) | 基于体温变化的制冷策略生成方法、系统、终端及介质 | |
CN110749192B (zh) | 中频炉温度控制方法及中频炉温度控制装置 | |
CN112944599A (zh) | 空调系统的多参数耦合控制方法及装置 | |
CN115031388B (zh) | 基于热需求舒适需求的空调设定温度控制系统和方法 | |
CN112525247B (zh) | 一种饱磨状态的检测方法、装置及设备 | |
CN103885837B (zh) | 一种多线程处理数据的方法及装置 | |
CN116402313B (zh) | 产品排产方法、装置、电子设备及计算机可读存储介质 | |
CN111609524A (zh) | 一种变风量中央空调风量水量组合优化的方法及装置 |
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 |