CN112547807B - 一种基于决策树算法的热轧带钢质量精准判定方法 - Google Patents
一种基于决策树算法的热轧带钢质量精准判定方法 Download PDFInfo
- Publication number
- CN112547807B CN112547807B CN202011193689.6A CN202011193689A CN112547807B CN 112547807 B CN112547807 B CN 112547807B CN 202011193689 A CN202011193689 A CN 202011193689A CN 112547807 B CN112547807 B CN 112547807B
- Authority
- CN
- China
- Prior art keywords
- judgment
- decision tree
- data
- strip steel
- quality
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提供一种基于决策树算法的热轧带钢质量精准判定方法,属于热轧自动化技术领域。该方法首先通过数据采集获得热轧带钢生产过程参数曲线,并基于系统制定的规则进行判定,然后获取系统判定不合格数据,并获取人工对系统判定不合格带钢的处置结果,将整理得到的判据与人工结果标签作为训练集数据,建立决策树判定规则模型,最后对训练模型进行剪枝优化,并对系统质量判定结果不合格的带钢用决策树模型进行二次质量判定。本发明可以更好地实现热轧带钢质量的智能判定,提高质量判定准确率,让判定系统结果更贴近质检人员。
Description
技术领域
本发明涉及热轧自动化技术领域,特别是指一种基于决策树算法的热轧带钢质量精准判定方法。
背景技术
热轧质量判定是钢铁流程生产的重要环节,目前国内外热轧质量判定处在人工判定阶段,部分厂区研发了热轧质量判定系统,以解决目前人工判定效率低、因人经验不同造成的“漏检率”、人工质量判定滞后性等弊端。基于以上原因,通过建立热轧质量判定系统,提取热轧关键过程参数曲线,并按照系统制定的规则库对曲线进行全长判定,提高质量判定效率。目前已有的质量判定规则原则上“宁错杀不漏判”,不会出现自动判定合格而实际不合格的情况。由于质量判定系统完全按照系统规则进行判定,很多曲线部分长度处在规则界限上,判定系统会对这部分质量进行封闭。人工会对因超小范围规则造成质量封闭的带钢进行解封,导致实际判定结果与人工判定结果不同,造成目前热轧在线质量判定系统的准确率不高,故而经常会出现误判的情况。所以在原热轧质量判定上提出一种基于决策树模型的热轧带钢质量准判定方法,采用决策树算法,根据人工再判定结果对判定规则进行学习,将判定规则转换为模糊规则,提高判定的准确率。
目前,热轧质量判定研究主要集中与对判定规则的细化制定,其中具有代表性的文献有:1)《一种热轧带钢的判定方法及热轧在线质量判定系统》(发明专利,北京首钢股份有限公司,2017);2)《一种带钢厚度质量精准判定方法》(发明专利,上海梅山钢铁股份有限公司,2017);3)《首钢迁钢热轧在线质量判定系统应用实践》(2014年全国钢材深加工研讨会论文集,2014);4)《一种板带轧制过程中在线质量判定方法》(发明专利,东北大学,2019)。从以上分析看出,目前热轧质量判定研究主要是将人工判定经验转换为具体的判定规则。为了更精准的实现智能判定,以上文献都将规则细致化,给出具体的判定等级,并利用历史数据校验。但是以上规则的制定未考虑到过程参数曲线因超小范围规则超差造成质量自动封闭远远大于人工实际封闭的情况,故无法更精准的实现质量判定。为此,本发明提出一种基于决策树模型的热轧带钢质量精准判定方法,收集超小范围造成质量封闭的数据,根据人工再判定结果对判定规则进行学习,将判定规则转换为模糊规则,提高判定的准确率。
发明内容
本发明要解决的技术问题是提供一种基于决策树算法的热轧带钢质量精准判定方法,解决目前因超小规则的质量封闭问题,提高了质量判定准确率,更接近人工判定结果。
该方法首先通过数据采集获得热轧带钢生产过程参数曲线,并基于系统制定的规则进行判定,然后获取系统判定不合格数据,并获取人工对系统判定不合格带钢的处置结果,将整理得到的判据与人工结果标签作为训练集数据,建立决策树判定规则模型,最后对训练模型进行剪枝优化,并对系统质量判定结果不合格的带钢用决策树模型进行二次质量判定。
具体包括步骤如下:
S1:通过数据采集获得热轧带钢生产过程参数曲线,基于热轧质量判定系统所制定的判定规则对热轧带钢生产过程参数曲线进行规则判定;
S2:获取系统判定结果不合格数据,并整理人工对系统判定不合格带钢进行二次判定的结果,依照各曲线判定规则整理得到判据与人工判定结果标签,整理后判据与人工判定结果作为数据集D;
S3:根据整理后的数据进行判定规则优化,建立基于决策树算法的判定规则模型,生成原始决策树T0;其中规则判据为模型输入因子,输出为人工质量判定结果,数据进行预处理后,采用k折交叉验证进行模型训练,取k次准确率的平均值作为模型的评价指标,其中k取值范围为(0,10];
S4:对训练模型进行剪枝优化,提高模型预测精度,分析优化后决策树枝叶结构,讨论对原有判定规则的优化,优化后的模型放入热轧质量判定系统中,对系统质量判定结果不合格的带钢用决策树模型进行二次质量判定。
其中,S1中热轧带钢生产过程参数曲线包括但不限于宽度、厚度、终轧温度、卷取温度、凸度、楔形,基于热轧质量判定系统所制定的判定规则包括:
1)带钢参数曲线区间在连续L长度小于等于设定的上下限范围;2)带钢参数曲线均值小于等于设定的上限值其中,Hi为实测曲线值,L为带钢全长,n为带钢全长取值点总数;3)带钢参数曲线偏差绝对值之和的均值小于等于设定的上限值β',其中,Ht为曲线目标值。
S2中具体内容为:每生产一卷带钢,热轧质量判定系统按照判定规则库对关键过程参数曲线进行判定;当系统判定质量不合格时,人工依照经验对参数曲线进行二次判定,如果人工判定质量合格,则会解封系统封闭的带钢;获取系统判定结果不合格数据,并整理人工对系统判定不合格带钢进行二次判定的结果,依照各曲线判定规则整理得到判据与人工判定结果标签,整理后判据与人工判定结果作为数据集D。
S3中决策树算法采用cart决策树算法,其选取的特征标准为基尼系数,判定规则模型构建有以下过程:
S31:对数据集D进行缺失值删除,预处理后的数据集D进行训练,假设有K个类别,第K个类别概率为pk,计算特征标准基尼系数其中,对于每一个特征Ai,对其可能取得到每一个值ai,根据值ai将每一个特征训练样本分成两部分,其中在特征Ai下小于等于ai的数据分成数据集D1,在特征Ai下大于ai的数据分成数据集D2,由基尼系数公式得到在特征Ai下基尼系数
S32:遍历数据集D中每一个特征Ai以及计算该特征集下所有可能值ai的基尼系数,选择使基尼系数最小的特征A′和切分值a′作为最优特征和最优子空间,特征A′和切分值a′将原始数据集分成两部分,同时建立当前数据结点的左右结点,其中左节点是数据集D1′,右节点为数据集D2′,此时根节点为包含所有样本特征的数据集;
S33:从根节点开始,生成的子节点数据集作为下一个根节点数据集继续生成子节点,子节点生成方式按照S31、S32递归调用,继续生成子节点直到不能生成子节点为止,生成原始决策树T0;
S34:对生成的原始决策树结果进行可视化显示。
S4中对训练模型进行剪枝优化,具体为:决策树剪枝以损失函数实现,在原始决策树T0下自下而上分别计算内部结点t下的子结点损失函数和根节点损失函数,求出剪枝情况下参数α范围,其中α为正则化参数;计算原始决策树T0每一个结点下的α′值,选取该值下最小的结点α″进行剪枝,得到一个子树T1;对子树T1递归上述步骤,直至剪枝只剩下树根TN;采用交叉验证法在子树序列上进行验证选取最优子树,公式如下:
损失函数:Cα(T)=C(T)+α|T|
其中,T为决策树中任意一个结点,C(T)为训练数据的预测误差,|T|为树的叶结点个数,也表示树的复杂度;
假设在内部结点t处进行剪枝,即将t的所有子节点剔除,Tt为以t为根节点不进行剪枝的子树;
则在内部节点t处进行剪枝,剔除掉所有子节点,结点t处变成了单节点树,子节点损失函数为:Cα(t)=C(t)+α*1,C(t)为剪枝后训练数据的预测误差,|T|=1;
若不进行剪枝,t及以下部分构成的子树Tt的根节点损失函数为:Cα(Tt)=C(Tt)+α|Tt|,C(Tt)为剪枝前训练数据的预测误差,|Tt|为树的叶结点个数;
本发明的上述技术方案的有益效果如下:
上述方案中,可以更好地实现热轧带钢质量的智能判定,提高质量判定准确率,让判定系统结果更贴近质检人员。
附图说明
图1为本发明提高热轧带钢质量判定系统准确率的流程图;
图2为本发明实例中通过数据采集得到的宽度曲线图;
图3为本发明原始决策树T0可视化图;
图4为本发明剪枝后决策树可视化图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明提供一种基于决策树算法的热轧带钢质量精准判定方法。
本方法首先通过数据采集获得热轧带钢生产过程参数曲线,并基于系统制定的规则进行判定,然后获取系统判定不合格数据,并获取人工对系统判定不合格带钢的处置结果,将整理得到的判据与人工结果标签作为训练集数据,建立决策树判定规则模型,最后对训练模型进行剪枝优化,并对系统质量判定结果不合格的带钢用决策树模型进行二次质量判定,如图1所示。
具体包括步骤如下:
(1)通过数据采集获得热轧带钢生产过程参数曲线,基于热轧质量判定系统所制定的判定规则对热轧带钢生产过程参数曲线进行规则判定;
(2)获取系统判定结果不合格数据,并整理人工对系统判定不合格带钢进行二次判定的结果,依照各曲线判定规则整理得到判据与人工判定结果标签;
(3)根据整理后的数据进行判定规则优化,建立基于决策树算法的判定规则模型,其中规则判据为模型输入因子,输出为人工质量判定结果,数据进行预处理后,采用k折交叉验证进行模型训练,取k次准确率的平均值作为模型的评价指标,其中k取值范围为(0,10];
(4)对训练模型进行剪枝优化,提高模型预测精度,分析优化后决策树枝叶结构,讨论对原有判定规则的优化,优化后的模型放入热轧质量判定系统中,对系统质量判定结果不合格的带钢用决策树模型进行二次质量判定。
下面结合具体实施例予以说明。
实施例1
步骤1:通过数据采集获得某2050热轧厂带钢生产过程宽度曲线,如图2所示。基于热轧质量判定系统所制定的判定规则对宽度曲线进行规则判定,宽度判定规则如下:带钢宽度曲线区间在连续10m长度小于等于1520mm(目标宽度1500mm+最大上公差20mm)。由图2可知,实际宽度曲线在连续超过10m长度大于1520mm,最大上公差值为22.36mm。依照宽度判定规则,系统判定该带钢宽度质量不合格。
步骤2:每生产一卷带钢,热轧质量判定系统按照判定规则库对宽度曲线进行判定。当系统宽度判定质量结果不合格时,人工依照经验对参数曲线进行二次判定。依照经验,人工判定上述带钢宽度质量合格,解封系统封闭的带钢。获取系统宽度判定结果不合格数据,并整理人工对系统宽度判定不合格带钢进行二次判定的结果,依照宽度判定规则整理得到判据连续超长宽度、最大上公差值等数据和人工判定结果标签,整理后的数据作为数据集D。
步骤3:根据整理后的宽度数据进行宽度判定规则优化,建立基于决策树算法的宽度判定规则模型。其中连续超长宽度、最大上公差值为模型输入因子,输出为人工判定结果标签。数据进行预处理后,采用5折交叉验证进行模型训练,取5次准确率的平均值作为模型的评价指标。部分实验样本数据如表1所示。
表1样本数据
由步骤3知决策树模型构建如下:
步骤3.1:对数据集D进行训练,假设有K个类别,第K个类别概率为pk,计算特征标准基尼系数由于模型只有两个特征,Gini(D)=2*(1-0.5)*0.5=0.5,对于每一个特征Ai,对其可能取得到每一个值ai,根据值ai将每一个特征训练样本分为两部分,其中在特征Ai下小于等于ai的数据分成数据集D1,在特征Ai下大于ai的数据分成数据集D2,由基尼系数公式得到在特征Ai下基尼系数其中,当特征Ai为连续超宽长度A1,a1为19时,由计算公式得出
步骤3.2:遍历属性集中每一个特征Ai以及计算该特征集下所有可能值的基尼系数,选择使基尼系数最小的特征A′和切分值a′作为最优特征和最优子空间,由公式计算结果得出特征为连续超长宽度且切分值是19时,基尼系数最小。因此特征A′和切分值a′将原始数据集分成两部分,同时建立当前数据结点的左右子结点,其中左节点是数据集D1′,右节点为数据集D2′。
步骤3.3:从根节点开始,生成的子节点按照步骤3.1、步骤3.2递归调用,继续生成子节点直到不能生成子节点为止,此时Gini(D′,A′)=0,依照结点生成原始决策树T0。
步骤3.4:对生成的原始决策树结果进行可视化,如图3所示。
通过五折交叉验证,模型的评价精度为92.36%,由图3看出模型分枝太多,后续需要优化模型。
步骤4:由步骤3得到的决策树可知模型精度偏低,训练模型需要进行剪枝优化,提高模型预测精度。根据步骤4中的决策树剪枝策略和求解公式,将原始决策树T0自下而上分别计算内部所有结点t下的子结点损失函数和根节点损失函数,求出正则化参数α,选取该值下最小α′进行剪枝,得到的新树依次类推剪枝,直到原始决策树根结点。将剪枝后得到的子树列进行交叉验证取最优,最后模型优化结果与之前相比精度提高2%,树模型复杂度降低,如图4所示。分析优化后决策树枝叶结构,该最优子树的决策树规则如下:决策树首先判断的是连续超宽长度是否小于等于19m,若是则判定合格;若不是,则进一步判断宽度最大上公差小于等于21.18mm,若是则判定合格。若不是,即连续超长宽度大于19m,最大上公差大于21.18mm,质量不合格。上述规则树与人的经验基本一致,并且将分类规则可视化表现出来,决策树模型解决了因超小规则范围内的带钢质量封闭。优化前的宽度判定规则为宽度曲线区间连续10m小于等于最大上公差20mm,优化后的规则可以归纳为连续19m小于等于最大上公差21.18mm,较之前规则范围更大。
本实例中,以两个特征属性作构建cart决策树,并对训练结果以if-then-if形式展示。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于决策树算法的热轧带钢质量精准判定方法,其特征在于:包括步骤如下:
S1:通过数据采集获得热轧带钢生产过程参数曲线,基于热轧质量判定系统所制定的判定规则对热轧带钢生产过程参数曲线进行规则判定;
S2:获取系统判定结果不合格数据,并整理人工对系统判定不合格带钢进行二次判定的结果,依照各曲线判定规则整理得到判据与人工判定结果标签,整理后判据与人工判定结果作为数据集D;
S3:根据整理后的数据进行判定规则优化,建立基于决策树算法的判定规则模型,生成原始决策树T0;其中规则判据为模型输入因子,输出为人工质量判定结果,数据进行预处理后,采用k折交叉验证进行模型训练,取k次准确率的平均值作为模型的评价指标,其中k取值范围为(0,10];
S4:对训练模型进行剪枝优化,提高模型预测精度,分析优化后决策树枝叶结构,讨论对原有判定规则的优化,优化后的模型放入热轧质量判定系统中,对系统质量判定结果不合格的带钢用决策树模型进行二次质量判定。
3.根据权利要求1所述的基于决策树算法的热轧带钢质量精准判定方法,其特征在于:所述S2中具体内容为:每生产一卷带钢,热轧质量判定系统按照判定规则库对关键过程参数曲线进行判定;当系统判定质量不合格时,人工依照经验对参数曲线进行二次判定,如果人工判定质量合格,则会解封系统封闭的带钢;获取系统判定结果不合格数据,并整理人工对系统判定不合格带钢进行二次判定的结果,依照各曲线判定规则整理得到判据与人工判定结果标签,整理后判据与人工判定结果作为数据集D。
4.根据权利要求1所述的基于决策树算法的热轧带钢质量精准判定方法,其特征在于:所述S3中决策树算法采用cart决策树算法,选取的特征标准为基尼系数,判定规则模型构建过程如下:
S31:对数据集D进行缺失值删除,预处理后的数据集D进行训练,假设有K个类别,第K个类别概率为pk,计算特征标准基尼系数其中,对于每一个特征Ai,对其可能取得到每一个值ai,根据值ai将每一个特征训练样本分成两部分,其中在特征Ai下小于等于ai的数据分成数据集D1,在特征Ai下大于ai的数据分成数据集D2,由基尼系数公式得到在特征Ai下基尼系数
S32:遍历数据集D中每一个特征Ai以及计算该特征集下所有可能值ai的基尼系数,选择使基尼系数最小的特征A′和切分值a′作为最优特征和最优子空间,特征A′和切分值a′将原始数据集分成两部分,同时建立当前数据结点的左右结点,其中左节点是数据集D1′,右节点为数据集D2′,此时根节点为包含所有样本特征的数据集;
S33:从根节点开始,生成的子节点数据集作为下一个根节点数据集继续生成子节点,子节点生成方式按照S31、S32递归调用,继续生成子节点直到不能生成子节点为止,生成原始决策树T0;
S34:对生成的原始决策树结果进行可视化显示。
5.根据权利要求1所述的基于决策树算法的热轧带钢质量精准判定方法,其特征在于:所述S4中对训练模型进行剪枝优化,具体为:决策树剪枝以损失函数实现,在原始决策树T0下自下而上分别计算内部结点t下的子结点损失函数和根节点损失函数,求出剪枝情况下参数α范围,其中α为正则化参数;计算原始决策树T0每一个结点下的α′值范围,选取该范围值下最小的结点α″进行剪枝,得到一个子树T1;对子树T1递归上述步骤,直至剪枝只剩下树根TN,剪枝后形成相应的子树列;采用交叉验证法在子树序列上进行验证选取最优子树,其中损失函数公式如下:
损失函数:Cα(T)=C(T)+α|T|
其中,T为决策树中任意一个结点,C(T)为训练数据的预测误差,|T|为树的叶结点个数,表示树的复杂度;
假设在内部结点t处进行剪枝,即将t的所有子结点剔除,Tt为以t为根结点不进行剪枝的子树;
则在内部节点t处进行剪枝,剔除掉所有子节点,结点t处变成了单结点树,子节点损失函数为:
Cα(t)=C(t)+α*1
其中,C(t)为剪枝后树训练数据的预测误差,|T|=1;
若不进行剪枝,t及以下部分构成的子树Tt的根节点损失函数为:
Cα(Tt)=C(Tt)+α|Tt|
其中,C(Tt)为剪枝前树训练数据的预测误差,|Tt|为树的叶结点个数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011193689.6A CN112547807B (zh) | 2020-10-30 | 2020-10-30 | 一种基于决策树算法的热轧带钢质量精准判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011193689.6A CN112547807B (zh) | 2020-10-30 | 2020-10-30 | 一种基于决策树算法的热轧带钢质量精准判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112547807A CN112547807A (zh) | 2021-03-26 |
CN112547807B true CN112547807B (zh) | 2022-01-04 |
Family
ID=75041311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011193689.6A Active CN112547807B (zh) | 2020-10-30 | 2020-10-30 | 一种基于决策树算法的热轧带钢质量精准判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112547807B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516297B (zh) * | 2021-05-26 | 2024-03-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
CN115026136B (zh) * | 2022-08-11 | 2022-10-25 | 东北大学 | 一种无头轧制楔形过渡过程板形预测方法 |
CN117371825A (zh) * | 2023-12-05 | 2024-01-09 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 基于状态监控分析生产品质的食品预测系统 |
CN117574215B (zh) * | 2024-01-17 | 2024-04-02 | 北京科技大学 | 一种热轧带钢板形预测控制方法及装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003216203A (ja) * | 2002-01-21 | 2003-07-31 | Nippon Steel Corp | 制御パラメータ予測装置、制御パラメータ予測方法、コンピュータ読み取り可能な記録媒体及びコンピュータプログラム |
JP2007216246A (ja) * | 2006-02-15 | 2007-08-30 | Jfe Steel Kk | 熱間圧延における金属帯の形状制御方法 |
CN102049420B (zh) * | 2009-11-05 | 2014-08-27 | 浙江汇高机电科技有限公司 | 基于决策树的精轧温控过程关键特征变量提取方法 |
CN102658298B (zh) * | 2012-04-29 | 2014-07-23 | 北京科技大学 | 一种适用于热轧薄规格带钢的板形质量在线判定方法 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN107321801B (zh) * | 2017-06-26 | 2020-02-04 | 北京首钢股份有限公司 | 一种热轧带钢的判定方法及热轧在线质量判定系统 |
CN109692878B (zh) * | 2017-10-23 | 2020-07-21 | 上海梅山钢铁股份有限公司 | 一种热轧带钢厚度质量精准判定方法 |
CN109692877B (zh) * | 2018-12-29 | 2020-11-10 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面质量管理系统及方法 |
CN110414171B (zh) * | 2019-08-05 | 2023-09-08 | 南京工程学院 | 一种板形执行机构群体协调调节方法 |
CN111790762B (zh) * | 2020-07-30 | 2022-02-15 | 武汉科技大学 | 一种基于随机森林的热轧带钢轧制力设定方法 |
-
2020
- 2020-10-30 CN CN202011193689.6A patent/CN112547807B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112547807A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112547807B (zh) | 一种基于决策树算法的热轧带钢质量精准判定方法 | |
CN112435363B (zh) | 一种刀具磨损状态实时监测方法 | |
CN111882446A (zh) | 一种基于图卷积网络的异常账户检测方法 | |
CN106897774A (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
CN107679715A (zh) | 一种基于spc的电能表综合误差过程能力评价方法及评价系统 | |
CN110287456A (zh) | 基于数据挖掘的大盘卷轧制表面缺陷分析方法 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN114626487A (zh) | 基于随机森林分类算法的线变关系校核方法 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 | |
CN115116616A (zh) | 基于组内组间优化的多重插补的乳腺癌缺失数据插补模型 | |
CN114358160A (zh) | 一种电力系统中的数据异常检测方法 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
CN111210147B (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
CN114266337A (zh) | 一种基于残差网络的烟叶智能分级模型及利用该模型分级的方法 | |
CN113986892A (zh) | 一种火电机组煤耗预测、数据清洗方法及系统 | |
CN111078882A (zh) | 一种文本情感测量方法和装置 | |
CN110598978A (zh) | 一种基于股票金融时间序列的技术指标处理方法 | |
CN117892091B (zh) | 基于人工智能的数据智能分析方法及系统 | |
CN117892248B (zh) | 一种烧结烟气内循环过程中异常数据监测方法 | |
CN113158389B (zh) | 一种基于机器学习算法的中压配网馈线分类方法 | |
CN111861985B (zh) | 一种基于自适应模糊神经网络的漏磁缺陷深度识别方法 | |
CN117470300B (zh) | 一种成品铜管存储车间的环境监测方法及系统 |
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 |