CN112631215A - 工业过程运行指标智能预报方法、装置、设备及存储介质 - Google Patents
工业过程运行指标智能预报方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112631215A CN112631215A CN202011435311.2A CN202011435311A CN112631215A CN 112631215 A CN112631215 A CN 112631215A CN 202011435311 A CN202011435311 A CN 202011435311A CN 112631215 A CN112631215 A CN 112631215A
- Authority
- CN
- China
- Prior art keywords
- model
- deep learning
- online
- forecasting
- operation index
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 71
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 137
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims description 59
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 229910052749 magnesium Inorganic materials 0.000 claims description 5
- 239000011777 magnesium Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- CPLXHLVBOLITMK-UHFFFAOYSA-N Magnesium oxide Chemical compound [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 26
- 238000003723 Smelting Methods 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 15
- 239000000395 magnesium oxide Substances 0.000 description 13
- 238000002844 melting Methods 0.000 description 6
- 230000008018 melting Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000001095 magnesium carbonate Substances 0.000 description 2
- ZLNQQNXFFQJAID-UHFFFAOYSA-L magnesium carbonate Chemical compound [Mg+2].[O-]C([O-])=O ZLNQQNXFFQJAID-UHFFFAOYSA-L 0.000 description 2
- 229910000021 magnesium carbonate Inorganic materials 0.000 description 2
- 235000014380 magnesium carbonate Nutrition 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种工业过程运行指标智能预报方法、装置、设备及存储介质。工业过程运行指标智能预报方法包括：利用运行指标的变化取决于工业过程控制系统的动态特性的特点，建立运行指标动态模型，所述运行指标动态模型包括可辨识模型和未建模动态两部分；估计所述运行指标动态模型中的所述可辨识模型的参数；将所述运行指标动态模型中的所述可辨识模型的参数的辨识误差与所述运行指标动态模型中的所述未建模动态合并为未知非线性动态系统；建立所述未知非线性动态系统的在线智能预报模型；由所述运行指标动态模型中的所述可辨识模型的输出与所述未知非线性动态系统的所述在线智能预报模型的输出得到所述运行指标的预报值。针对工业过程运行指标难以预报的难题，将基于机理模型的系统辨识方法与基于大数据的深度学习方法相结合，提出了工业过程运行指标的智能预报方法，解决了工业过程运行指标的预报难题。
Description
技术领域
本发明属于工业人工智能技术领域，尤其涉及一种工业过程运行指标智能预报方法、装置、设备及存储介质。
背景技术
表征工业过程加工的产品质量、效率、消耗的运行指标的准确预报对实现该工业过程的运行优化控制至关重要。由于运行指标与影响运行指标的工业过程控制系统输入与输出之间具有强非线性、多变量强耦合、运行工况变化、原料波动等造成机理不清难以建立动态模型等综合复杂性，无法采用已有的基于机理模型的系统辨识方法和预报方法建立运行指标的预报模型。由于生产过程中工业过程处于动态变化中，导致运行指标、工业过程控制系统的输入与输出数据处于变化的、开放的、不确定的信息空间，无法采用已有的完备信息空间的深度学习技术建立运行指标的预报模型。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。本发明的技术方案如下：
一种工业过程运行指标智能预报方法，包括如下步骤：
利用工业过程控制系统特性建立运行指标动态模型，所述运行指标动态模型包括可辨识模型和未建模动态两部分；
估计所述运行指标动态模型中的所述可辨识模型的参数；
将所述运行指标动态模型中的所述可辨识模型的参数的辨识误差与所述运行指标动态模型中的所述未建模动态合并为未知非线性动态系统；
采用自适应深度学习建立所述未知非线性动态系统的在线智能预报模型；
由所述运行指标动态模型中的所述可辨识模型的输出与所述未知非线性动态系统的所述在线智能预报模型的输出得到所述运行指标的预报值。
进一步，作为优选，所述在线智能预报模型包括在线深度学习预报模型、深度学习校正模型和自校正机制；采用LSTM架构建立所述在线深度学习预报模型；采用与所述在线深度学习预报模型相同的结构建立所述深度学习校正模型；当所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的权重与偏置校正所述在线深度学习预报模型的权重与偏置；其中，所述深度学习校正模型所用的历史数据比所述在线深度学习预报模型所用的历史数据多。
进一步，作为优选，所述在线深度学习预报模型和所述深度学习校正模型均包括输入层、隐藏层、全连接层和输出层，其中，隐藏层的层数为L，L为大于或等于1的正整数；固定所述在线深度学习预报模型中的所述隐藏层的权重与偏置，并在线校正所述在线深度学习预报模型中的所述全连接层的权重与偏置；在线训练所述深度学习校正模型中的所述隐藏层和所述全连接层的权重与偏置；当所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的所述隐藏层的权重与偏置替换所述在线深度学习预报模型的所述隐藏层的权重与偏置，用所述深度学习校正模型的所述全连接层的权重与偏置替换所述在线深度学习预报模型的所述全连接层的权重与偏置。
进一步，作为优选，所述工业过程为电熔镁群炉运行过程，所述运行指标为电熔镁群炉功率。
一种工业过程运行指标智能预报装置，包括：
运行指标动态模型建模模块，用于利用工业过程控制系统特性建立运行指标动态模型，所述运行指标动态模型包括可辨识模型和未建模动态两部分；
参数辨识模块，用于估计所述运行指标动态模型中的所述可辨识模型的参数；
非线性动态获取模块，用于将所述运行指标动态模型中的所述可辨识模型的参数的辨识误差与所述运行指标动态模型中的所述未建模动态合并为未知非线性动态系统；
在线智能预报模型建模模块，用于采用自适应深度学习建立所述未知非线性动态系统的在线智能预报模型；
预报模块，用于由所述运行指标动态模型中的所述可辨识模型的输出与所述未知非线性动态系统的所述在线智能预报模型的输出得到所述运行指标的预报值。
进一步，作为优选，所述在线智能预报模型建模模块包括预报模型建模模块、校正模型建模模块和自校正模块；所述预报模型建模模块采用LSTM架构建立在线深度学习预报模型；所述校正模型建模模块采用与所述在线深度学习预报模型相同的结构建立深度学习校正模型；所述自校正模块，在所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的权重与偏置校正所述在线深度学习预报模型的权重与偏置；其中，所述深度学习校正模型所用的历史数据比所述在线深度学习预报模型所用的历史数据多。
进一步，作为优选，所述在线深度学习预报模型和所述深度学习校正模型均包括输入层、隐藏层、全连接层和输出层，其中，隐藏层的层数为L，L为大于或等于1的正整数；所述预报模型建模模块固定所述在线深度学习预报模型中的所述隐藏层的权重与偏置，并在线校正所述在线深度学习预报模型中的所述全连接层的权重与偏置；所述校正模型建模模块在线训练所述深度学习校正模型中的所述隐藏层和所述全连接层的权重与偏置；所述自校正模块，在所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的所述隐藏层的权重与偏置替换所述在线深度学习预报模型的所述隐藏层的权重与偏置，用所述深度学习校正模型的所述全连接层的权重与偏置替换所述在线深度学习预报模型的所述全连接层的权重与偏置。
进一步，作为优选，所述工业过程为电熔镁群炉运行过程，所述运行指标为电熔镁群炉功率。
一种用于实现上述工业过程运行指标智能预报方法的工业过程运行指标智能预报设备，包括：端侧子设备、边缘侧子设备和云侧子设备；
所述端侧子设备用于采集所述工业过程中的输入数据和输出数据；
所述边缘侧子设备利用所述在线深度学习预报模型进行所述运行指标的在线预报；
所述云侧子设备用于训练所述深度学习校正模型，并实现所述自校正机制。
一种计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时实现上述工业过程运行指标智能预报方法。
本发明针对工业过程运行指标难以预报的难题，将基于机理模型的系统辨识方法与基于大数据的深度学习方法相结合，利用运行指标的变化取决于工业过程控制系统的动态特性的特点，提出了工业过程运行指标的智能预报方法，解决了工业过程运行指标的预报难题。
附图说明
图1为本发明实施例的工业过程运行指标智能预报方法实现流程图；
图2为图1所示的步骤S1的具体实现流程图；
图3为本发明一个实施例的电熔镁群炉功率及需量智能预报方法实现流程图；
图4为图3所示的步骤S1’的具体实现流程图；
图5为本发明一个实施例的LSTM网络结构图；
图6为本发明一个实施例的需量预报结果图；
图7为本发明一个实施例的工业过程运行指标智能预报装置的结构示意图；
图8为本发明一个实施例的工业过程运行指标智能预报设备的结构示意图。
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作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。
图1为本发明实施例的工业过程运行指标智能预报方法实现流程图，该方法包括以下步骤：
S1：利用工业过程控制系统特性建立运行指标动态模型，所述运行指标动态模型包括可辨识模型和未建模动态两部分。
如图2所示，步骤S1包括：步骤S11和S12。
步骤S11为：建立工业过程的闭环控制系统动态模型；具体的，利用工业过程运行在工作点附近的特点，将工业过程用线性低阶模型和未知高阶非线性项来表示，采用PID控制技术控制该工业过程，建立由线性模型和含未知高阶非线性项的未建模动态组成的工业过程闭环控制系统动态模型。
步骤S12为：建立运行指标与工业过程闭环控制系统的输入和输出数据之间的动态模型；具体的，采用工业过程闭环控制系统的动态模型，利用工业过程闭环控制系统将该工业过程的运行指标控制在一定的区间范围内的特点，将运行指标动态模型用可辨识模型和未建模动态来描述。
S2:估计所述运行指标动态模型中的所述可辨识模型的参数。
具体的，利用运行指标与工业过程控制系统的输入与输出数据采用辨识算法估计运行指标动态模型中的可辨识模型的参数。
S3:将所述运行指标动态模型中的所述可辨识模型的参数的辨识误差与所述运行指标动态模型中的所述未建模动态合并为未知非线性动态系统。
具体的，将运行指标动态模型中的可辨识模型的参数的辨识误差与运行指标的未建模动态合并为模型结构与阶次未知的非线性动态系统，其输出为
其输入为工业过程闭环控制系统的输出y(k),…,y(k-n)与输入u(k-1),…,u(k-n)，并将该未知非线性动态系统的输出
作为输入变量，采用未知常数n表示该动态系统的阶次，采用下式表示运行指标的未知非线性动态系统：
其中，f(·)是未知变化的非线性函数，
为(k-i)时刻未知非线性动态系统的输出，y(k-j)(j＝0,1,…n)为(k-j)时刻工业过程闭环控制系统的输出，u(k-g)(g＝1,2,…,n)为(k-g)时刻工业过程闭环控制系统的输入；
r(k-i+1)为(k-i+1)时刻的运行指标，
为(k-i)时刻的运行指标的可辨识模型输出。
S4:采用自适应深度学习建立所述未知非线性动态系统的在线智能预报模型。
具体的，该在线智能预报模型由在线深度学习预报模型、深度学习校正模型和自校正机制组成。采用长短周期记忆多层神经网络LSTM，选择(1)式中的输入变量作为单个神经元的输入，阶次n作为神经元的个数，
作为标签数据，采用(1)式的输入、输出数据组成大数据样本，采用训练算法，使标签数据
与在线深度学习预报模型输出
的预报误差
尽可能小，确定神经元个数n、LSTM的单元节点数
多层神经网络层数L、各层的连接权参数和偏置参数，在线深度学习预报模型的输入数据的时间序列窗口长度取N，建立未知非线性动态系统的在线深度学习预报模型，采用时间序列窗口长度N的输入数据在线校正该模型的全连接层的连接权参数和偏置参数。采用该在线深度学习预报模型的相同结构，建立深度学习校正模型，采用当前时刻以及以前所有时刻的公式(1)的输入数据作为深度学习校正模型的输入数据，训练该深度学习校正模型的各层的连接权参数和偏置参数。自校正机制设定预报误差的区间上界为δ，当在线深度学习预报模型的预报误差
则采用深度学习校正模型的各层连接权参数和偏置参数替换在线深度学习预报模型的相应层的连接权参数和偏置参数。
S5:由所述运行指标动态模型中的所述可辨识模型的输出与所述未知非线性动态系统的所述在线智能预报模型的输出得到所述运行指标的预报值。
进一步的，在一个实施例中，工业过程运行指标智能预报方法可用于电熔镁砂厂的电熔镁群炉的运行指标—需量的智能预报。
电熔镁炉是一种大型耗能设备，其产品电熔镁砂是一种广泛应用于冶金、化工、航天等领域的重要耐火材料。电熔镁炉采用埋弧方式边熔化边加入菱镁矿石，采用PID电流控制系统控制熔化电流，熔化菱镁矿石生产电熔镁砂，由于电熔镁炉是重大耗能设备，对其需量进行监控与预报对节能具有重要意义。
k时刻的群炉需量
为k时刻与前m-1个时刻的群炉功率的平均值，即
其中p(k)为k时刻的群炉功率，熔炼过程中定义m＝30。根据群炉需量的定义式(2)可知(k+1)时刻的需量为
由(3)式可以看出(k+1)时刻的需量
预报的关键在预报(k+1)时刻的功率p(k+1)。
图3为本发明一个实施例的电熔镁群炉功率及需量智能预报方法实现流程图，该方法包括以下步骤：
S1’：利用工业过程控制系统特性建立群炉功率的动态模型，所述群炉功率的动态模型包括可辨识模型和未建模动态两部分。
如图4所示，步骤S1’包括：步骤S11’和S12’。
步骤S11’为：建立第i个电熔镁炉熔化电流闭环控制系统动态模型。
具体的：
第i个电熔镁炉的电流的动态模型为
Ai(z-1)yi(k)＝bi0ui(k-1)+vi(k) (4)
其中，Ai(z-1)＝1+ai1z-1，ai1为可变常数，z-1为后移算子；yi(k)为k时刻第i个电熔镁炉的熔化电流；bi0为可变常数；ui(k-1)为(k-1)时刻第i个电熔镁炉的变频电机转动方向与频率，其正负表示方向，大小表示频率；vi(·)为未知高阶非线性项。
PID控制器为
(1-z-1)ui(k)＝Gi(z-1)ei(k) (5)其中，Gi(z-1)＝gi0+gi1z-1+gi2z-2，gi0,gi1,gi2为可变常数；ei(k)＝yi(k)-y*，y*是熔化电流设定值。
由式(4)，式(5)和z-1ui(k)＝ui(k-1)可得第i个电熔镁炉熔化电流闭环控制系统动态模型为：
Ti(z-1)yi(k)＝-bi0Gi(z-1)y*+(1-z-1)vi(k) (6)
其中z-1y*＝y*，Ti(z-1)为设计PID控制器参数选择的闭环系统的理想特征多项式，
Ti(z-1)＝(1-z-1)Ai(z-1)-z-1bi0Gi(z-1)
＝(1-z-1)(1+ai1z-1)-z-1bi0(gi0+gi1z-1+gi2z-2)
＝1+(ai1-bi0gi0-1)z-1-(bi0gi1+ai1)z-2-bi0gi2z-3
＝1+ti1z-1+ti2z-2+ti3z-3
步骤S12’为：建立群炉功率与电熔镁炉熔化电流闭环控制系统的输入和输出数据之间的动态模型。
具体的：
k时刻第i个电熔镁炉的功率为
其中，U为电压，
为功率因数。
由式(6)和式(7)可得第i个电熔镁炉的功率动态模型为
其中，bi0Gi(z-1)p*＝bi0(gi0+gi1+gi2)p*＝di0p*，p*是熔化电流设定值y*对应的功率，
k时刻m台电熔镁炉的功率为：
采用t1,t2,t3分别代替ti1,ti2,ti3，d0代替di0，根据式(8)和式(9)可得电熔镁群炉功率动态模型为：
其中，ψ(k-1)＝[p(k-1),p(k-2),p(k-3),p*]；θ＝(θ0,θ1.θ2,θ3)T；θj＝-tj+1,j＝0,1,2；θ3＝-d0，ψ(k-1)θ为可辨识模型，v(k-1)由未知非线性项
和引入t1,t2,t3,d0产生的模型误差组成。
S2’:估计所述群炉功率的动态模型中的所述可辨识模型的参数θ。
具体的，模型(10)的参数辨识方程为：
p(k)-v(k-1)＝ψ(k-1)θ (11)
使用实际功率数据，采用最小二乘估计算法可得
S3’:将所述群炉功率的动态模型中的所述可辨识模型的参数的辨识误差与所述群炉功率的动态模型中的所述未建模动态合并为未知非线性动态系统。
具体的，式(10)可以表示为：
其中未知非线性动态系统
为：
由式(12)，(k+1)时刻的群炉功率p(k+1)为：
根据式(13)，p(k+1)的未知非线性动态系统为：
其中，运行指标r(k)＝p(k)，运行指标可辨识模型输出为
f(·)为未知变化的非线性函数，n为该动态系统的未知阶次。
S4’:采用自适应深度学习建立所述未知非线性动态系统的在线智能预报模型。
具体的，该在线智能预报模型由在线深度学习预报模型、深度学习校正模型和自校正机制组成。
在线深度学习预报模型的建立方法如下：
采用长短记忆多层神经网络LSTM架构建立
的在线深度学习预报模型。选择网络层数为1，(k-1)时刻第j个神经元的输入为
h(k+j-n-2)为第(j-1)个神经元的输出，神经元个数为n，LSTM单个神经元的节点数为
输入数据时间序列窗口长度为N，采用式(15)中的M个输入输出数据
构成大数据样本，采用下列训练算法使标签数据
与在线深度学习预报模型输出
的误差
尽可能小。确定n，
和N，训练算法的目标函数为：
其中，
为
其中全连接层的连接权
为
的行向量，
为全连接层的偏置，h(k-1)为第n个神经元的输出
h(k-1)T＝on⊙tanh(Cn) (18)
其中tanh(x)＝(1-e-2x)/(1+e-2x)，输出门on和状态门Cn分别为
on＝σ(Wo·xn(k-1)T+bo) (19)
式(19)中σ(x)＝1/(1+e-x)，
为第n个神经元的输入，Wo为
的矩阵，bo为
的列向量。式(20)中遗忘门fn，输入门in和状态候选值
分别为
fn＝σ(Wf·xn(k-1)T+bf) (21)
in＝σ(Win·xn(k-1)T+bin) (22)
式(21)-(23)中Wf,Win,Wc为
的矩阵，bf,bin,bc为
的列向量。采用梯度下降算法训练网络权重Wo,Wf,Win,Wc与偏置bo,bf,bin,bc。首先计算输出门权重Wo的梯度为：
根据下式更新输出门权重Wo
其中α为学习率。采用相同的训练算法确定其他连接权和偏置。
随机初始化节点数
首先确定神经元的个数n。令n＝1,2,3,4,…并计算预报误差
的均方根误差(Root Mean Squared Error,RMSE)，当n＝30时，
的RMSE最小。因此该动态系统的阶次n为30，即神经元的个数为30。确定节点数
固定神经元的个数为30，令
分别计算
的RMSE，当
时，
的RMSE最小，因此
取100。
确定输入数据时间序列窗口长度N。固定深度学习模型的n和
令窗口长度N＝1,…，2500，并计算
的RMSE，当N＝2000时，
的RMSE最小，因此窗口长度N＝2000。
固定n，
和N，增加网络层数L＝1,2,3,4,…并分别计算
的RMSE，当L＝3时，
的RMSE最小，因此网络层数L为3，并通过梯度下降法确定全连接层的权重与偏置。
建立如图5所示的在线深度学习预报模型。该在线深度学习预报模型的第1层第j个神经元的输入为xj(k)，输出为h1(k+j-31)(j＝1,…,30)，第i层第j个神经元的输入为[hi(k+j-32),hi-1(k+j-31)]T，输出为hi(k+j-31)，(i＝2,3,j＝1,…,30)。
式中全连接层的连接权
为
行向量，
为全连接层的偏置，h3(k)为第3层第30个神经元的输出。第一层、第二层和第三层的连接权和偏置固定不变，只在线校正式(26)中的全连接层权重
和偏置
在k+1时刻，更新的数据集为
为
在线校正
和
的目标函数和校正算法如下：
其中
和
为：
深度学习校正模型的建立方法如下：
采用与在线深度学习预报模型完全相同的结构，即n＝30，
和L＝3建立深度学习校正模型。在(k+1)时刻采用过去时刻全部数据更新的数据集为
在线训练LSTM网络中的所有权重与偏置。
自校正机制如下：
设定在线深度学习预报模型误差
的区间上界为δ，k+1时刻，若
则采用深度学习校正模型的各层的权重与偏置校正在线深度学习预报模型的对应层的权重与偏置。
S5’:由所述群炉功率的动态模型中的所述可辨识模型的输出与所述未知非线性动态系统的所述在线智能预报模型的输出得到所述群炉功率的预报值。
具体的，群炉功率p(k+1)的预报模型为：
S6’:由所述群炉功率的预报值得到群炉需量的预报值。
具体的，群炉需量
的预报模型为：
如图6所示，采用上述电熔镁群炉需量预报方法，需量的预报精度为99.96％，需量上升趋势预报准确率为96.46％，需量下降趋势预报准确率为92.78％，满足了节能控制对需量预测的精度要求。
在一个实施例中，如图7所示，提供了一种工业过程运行指标智能预报装置，包括：运行指标动态模型建模模块、参数辨识模块、非线性动态获取模块、在线智能预报模型建模模块和预报模块，其中：
运行指标动态模型建模模块用于利用工业过程控制系统特性建立运行指标动态模型，所述运行指标动态模型包括可辨识模型和未建模动态两部分；
参数辨识模块用于估计所述运行指标动态模型中的所述可辨识模型的参数；
非线性动态获取模块用于将所述运行指标动态模型中的所述可辨识模型的参数的辨识误差与所述运行指标动态模型中的所述未建模动态合并为未知非线性动态系统；
在线智能预报模型建模模块用于采用自适应深度学习建立所述未知非线性动态系统的在线智能预报模型；
预报模块用于由所述运行指标动态模型中的所述可辨识模型的输出与所述未知非线性动态系统的所述在线智能预报模型的输出得到所述运行指标的预报值。
在其中一个实施例中，在线智能预报模型建模模块包括预报模型建模模块、校正模型建模模块和自校正模块。所述预报模型建模模块采用LSTM架构建立在线深度学习预报模型；所述校正模型建模模块采用与所述在线深度学习预报模型相同的结构建立深度学习校正模型；所述自校正模块，在所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的权重与偏置校正所述在线深度学习预报模型的权重与偏置；其中，所述深度学习校正模型所用的历史数据比所述在线深度学习预报模型所用的历史数据多。
在其中一个实施例中，所述在线深度学习预报模型和所述深度学习校正模型均包括输入层、隐藏层、全连接层和输出层，其中，隐藏层的层数为L，L为大于或等于1的正整数；所述预报模型建模模块固定所述在线深度学习预报模型中的所述隐藏层的权重与偏置，并在线校正所述在线深度学习预报模型中的所述全连接层的权重与偏置；所述校正模型建模模块在线训练所述深度学习校正模型中的所述隐藏层和所述全连接层的权重与偏置；所述自校正模块，在所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的所述隐藏层的权重与偏置替换所述在线深度学习预报模型的所述隐藏层的权重与偏置，用所述深度学习校正模型的所述全连接层的权重与偏置替换所述在线深度学习预报模型的所述全连接层的权重与偏置。
在其中一个实施例中，所述工业过程运行指标智能预报装置用于电熔镁群炉功率预报。
关于工业过程运行指标智能预报装置的具体限定可以参见上文中对于工业过程运行指标智能预报方法的限定，在此不再赘述。上述工业过程运行指标智能预报装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，如图8所示，提供了一种用于实现上述各实施例中的工业过程运行指标智能预报方法的工业过程运行指标智能预报设备，包括：端侧子设备、边缘侧子设备和云侧子设备；所述端侧子设备用于采集所述工业过程中的输入数据和输出数据；所述边缘侧子设备利用所述在线深度学习预报模型进行所述运行指标的在线预报；所述云侧子设备用于训练所述深度学习校正模型，并实现所述自校正机制。
在一个实施例中，提供了一种计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时实现上述各实施例中的工业过程运行指标智能预报方法。
在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例以及不同实施例的特征进行结合和组合。
综上所述，本发明实施例提出的工业过程运行指标智能预报方法、装置和设备针对已有的基于模型的预报方法和深度学习方法无法对表征工业过程加工的产品质量、效率与消耗的运行指标进行预报的难题，将运行指标与过程控制系统的输入与输出之间的动态模型用可辨识的模型与未建模动态来表示，利用运行指标、工业过程控制系统的输入与输出数据，采用辨识算法估计可辨识模型的参数，将辨识误差与未建模动态构成模型结构与阶次未知的非线性动态系统，采用工业大数据，建立该动态系统的在线智能预报模型，利用辨识模型与未知非线性动态系统的在线智能预报模型，实现了工业过程运行指标的精准预报。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种工业过程运行指标智能预报方法，其特征在于，所述方法包括：
利用工业过程控制系统特性建立运行指标动态模型，所述运行指标动态模型包括可辨识模型和未建模动态两部分；
估计所述运行指标动态模型中的所述可辨识模型的参数；
将所述运行指标动态模型中的所述可辨识模型的参数的辨识误差与所述运行指标动态模型中的所述未建模动态合并为未知非线性动态系统；
采用自适应深度学习建立所述未知非线性动态系统的在线智能预报模型；
由所述运行指标动态模型中的所述可辨识模型的输出与所述未知非线性动态系统的所述在线智能预报模型的输出得到所述运行指标的预报值。
2.根据权利要求1所述的方法，其特征在于，所述在线智能预报模型包括在线深度学习预报模型、深度学习校正模型和自校正机制；
采用LSTM架构建立所述在线深度学习预报模型；
采用与所述在线深度学习预报模型相同的结构建立所述深度学习校正模型；
当所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的权重与偏置校正所述在线深度学习预报模型的权重与偏置；
其中，所述深度学习校正模型所用的历史数据比所述在线深度学习预报模型所用的历史数据多。
3.根据权利要求2所述的方法，其特征在于，所述在线深度学习预报模型和所述深度学习校正模型均包括输入层、隐藏层、全连接层和输出层，其中，隐藏层的层数为L，L为大于或等于1的正整数；
固定所述在线深度学习预报模型中的所述隐藏层的权重与偏置，并在线校正所述在线深度学习预报模型中的所述全连接层的权重与偏置；
在线训练所述深度学习校正模型中的所述隐藏层和所述全连接层的权重与偏置；
当所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的所述隐藏层的权重与偏置替换所述在线深度学习预报模型的所述隐藏层的权重与偏置，用所述深度学习校正模型的所述全连接层的权重与偏置替换所述在线深度学习预报模型的所述全连接层的权重与偏置。
4.根据权利要求1-3任一所述的方法，其特征在于，所述工业过程为电熔镁群炉运行过程，所述运行指标为电熔镁群炉功率。
5.一种工业过程运行指标智能预报装置，其特征在于，所述装置包括：
运行指标动态模型建模模块，用于利用工业过程控制系统特性建立运行指标动态模型，所述运行指标动态模型包括可辨识模型和未建模动态两部分；
参数辨识模块，用于估计所述运行指标动态模型中的所述可辨识模型的参数；
非线性动态获取模块，用于将所述运行指标动态模型中的所述可辨识模型的参数的辨识误差与所述运行指标动态模型中的所述未建模动态合并为未知非线性动态系统；
在线智能预报模型建模模块，用于采用自适应深度学习建立所述未知非线性动态系统的在线智能预报模型；
预报模块，用于由所述运行指标动态模型中的所述可辨识模型的输出与所述未知非线性动态系统的所述在线智能预报模型的输出得到所述运行指标的预报值。
6.根据权利要求5所述的装置，其特征在于，所述在线智能预报模型建模模块包括预报模型建模模块、校正模型建模模块和自校正模块；
所述预报模型建模模块采用LSTM架构建立在线深度学习预报模型；
所述校正模型建模模块采用与所述在线深度学习预报模型相同的结构建立深度学习校正模型；
所述自校正模块，在所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的权重与偏置校正所述在线深度学习预报模型的权重与偏置；
其中，所述深度学习校正模型所用的历史数据比所述在线深度学习预报模型所用的历史数据多。
7.根据权利要求6所述的装置，其特征在于，所述在线深度学习预报模型和所述深度学习校正模型均包括输入层、隐藏层、全连接层和输出层，其中，隐藏层的层数为L，L为大于或等于1的正整数；
所述预报模型建模模块固定所述在线深度学习预报模型中的所述隐藏层的权重与偏置，并在线校正所述在线深度学习预报模型中的所述全连接层的权重与偏置；
所述校正模型建模模块在线训练所述深度学习校正模型中的所述隐藏层和所述全连接层的权重与偏置；
所述自校正模块，在所述在线深度学习预报模型的输出与标签数据的误差大于设定阈值时，采用自校正机制，用所述深度学习校正模型的所述隐藏层的权重与偏置替换所述在线深度学习预报模型的所述隐藏层的权重与偏置，用所述深度学习校正模型的所述全连接层的权重与偏置替换所述在线深度学习预报模型的所述全连接层的权重与偏置。
8.根据权利要求5-7任一所述的装置，其特征在于，所述工业过程为电熔镁群炉运行过程，所述运行指标为电熔镁群炉功率。
9.一种用于实现权利要求2或3所述的方法的工业过程运行指标智能预报设备，其特征在于，所述设备包括：端侧子设备、边缘侧子设备和云侧子设备；
所述端侧子设备用于采集所述工业过程中的输入数据和输出数据；
所述边缘侧子设备利用所述在线深度学习预报模型进行所述运行指标的在线预报；
所述云侧子设备用于训练所述深度学习校正模型，并实现所述自校正机制。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011435311.2A CN112631215B (zh) | 2020-12-10 | 2020-12-10 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
| PCT/CN2021/136453 WO2022121944A1 (zh) | 2020-12-10 | 2021-12-08 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011435311.2A CN112631215B (zh) | 2020-12-10 | 2020-12-10 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112631215A true CN112631215A (zh) | 2021-04-09 |
| CN112631215B CN112631215B (zh) | 2022-06-24 |
Family
ID=75309024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011435311.2A Active CN112631215B (zh) | 2020-12-10 | 2020-12-10 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112631215B (zh) |
| WO (1) | WO2022121944A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022121944A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
| CN114896892A (zh) * | 2022-05-31 | 2022-08-12 | 东北大学 | 基于端边云协同的多炉次电流数字孪生方法、装置及设备 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115438271B (zh) * | 2022-11-08 | 2023-03-24 | 商飞软件有限公司 | 一种工业机理模型及app的管理系统 |
| CN115857360B (zh) * | 2023-02-14 | 2023-07-25 | 青岛海大新星软件咨询有限公司 | 一种工业系统机理建模仿真平台 |
| CN117055487B (zh) * | 2023-08-24 | 2024-04-16 | 北京科技大学 | 一种基于机理数据混合驱动的二辊斜轧穿孔参数优化方法 |
| CN117389209A (zh) * | 2023-09-06 | 2024-01-12 | 苏州数设科技有限公司 | 目标补偿值确定方法、装置、电子设备及可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1828458A (zh) * | 2001-04-20 | 2006-09-06 | 本田技研工业株式会社 | 设备控制系统 |
| CN101813916A (zh) * | 2009-02-19 | 2010-08-25 | 中国石油化工股份有限公司 | 非线性生产过程的自适应预测函数控制方法 |
| CN103092072A (zh) * | 2012-12-28 | 2013-05-08 | 东北大学 | 磨矿过程运行控制实验系统及方法 |
| CN104122878A (zh) * | 2014-08-13 | 2014-10-29 | 黑龙江省科学院自动化研究所 | 工业节能减排控制装置及控制方法 |
| US20150120630A1 (en) * | 2012-05-04 | 2015-04-30 | Zhejiang University | Nonlinear parameter varying (npv) model identification method |
| CN109088406A (zh) * | 2018-06-26 | 2018-12-25 | 河海大学常州校区 | 一种基于lstm神经网络的微电网等效建模方法 |
| CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
| CN110703718A (zh) * | 2019-11-13 | 2020-01-17 | 东北大学 | 一种基于信号补偿的工业过程控制方法 |
| CN111768000A (zh) * | 2020-06-23 | 2020-10-13 | 中南大学 | 在线自适应微调深度学习的工业过程数据建模方法 |
| CN111930010A (zh) * | 2020-06-29 | 2020-11-13 | 华东理工大学 | 一种基于lstm网络的通用mfa控制器设计方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004059400A1 (en) * | 2002-12-27 | 2004-07-15 | Inea D.O.O. | Self-tuning controller for non-linear processes described by set of local linear models |
| CN106033555A (zh) * | 2015-03-13 | 2016-10-19 | 中国科学院声学研究所 | 基于满足k度稀疏约束的深度学习模型的大数据处理方法 |
| CN112631215B (zh) * | 2020-12-10 | 2022-06-24 | 东北大学 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
-
2020
- 2020-12-10 CN CN202011435311.2A patent/CN112631215B/zh active Active
-
2021
- 2021-12-08 WO PCT/CN2021/136453 patent/WO2022121944A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1828458A (zh) * | 2001-04-20 | 2006-09-06 | 本田技研工业株式会社 | 设备控制系统 |
| CN101813916A (zh) * | 2009-02-19 | 2010-08-25 | 中国石油化工股份有限公司 | 非线性生产过程的自适应预测函数控制方法 |
| US20150120630A1 (en) * | 2012-05-04 | 2015-04-30 | Zhejiang University | Nonlinear parameter varying (npv) model identification method |
| CN103092072A (zh) * | 2012-12-28 | 2013-05-08 | 东北大学 | 磨矿过程运行控制实验系统及方法 |
| CN104122878A (zh) * | 2014-08-13 | 2014-10-29 | 黑龙江省科学院自动化研究所 | 工业节能减排控制装置及控制方法 |
| CN109088406A (zh) * | 2018-06-26 | 2018-12-25 | 河海大学常州校区 | 一种基于lstm神经网络的微电网等效建模方法 |
| CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
| CN110703718A (zh) * | 2019-11-13 | 2020-01-17 | 东北大学 | 一种基于信号补偿的工业过程控制方法 |
| CN111768000A (zh) * | 2020-06-23 | 2020-10-13 | 中南大学 | 在线自适应微调深度学习的工业过程数据建模方法 |
| CN111930010A (zh) * | 2020-06-29 | 2020-11-13 | 华东理工大学 | 一种基于lstm网络的通用mfa控制器设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张亚军等: "一类非线性离散时间动态系统的交替辨识算法及应用", 《自动化学报》 * |
| 杨杰等: "数据与模型驱动的电熔镁群炉需量预报方法", 《自动化学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022121944A1 (zh) * | 2020-12-10 | 2022-06-16 | 东北大学 | 工业过程运行指标智能预报方法、装置、设备及存储介质 |
| CN114896892A (zh) * | 2022-05-31 | 2022-08-12 | 东北大学 | 基于端边云协同的多炉次电流数字孪生方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022121944A1 (zh) | 2022-06-16 |
| CN112631215B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112631215B (zh) | 工业过程运行指标智能预报方法、装置、设备及存储介质 | |
| CN112560337B (zh) | 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质 | |
| Joseph et al. | Predictive control of quality in a batch manufacturing process using artificial neural network models | |
| Smoczek et al. | Evolutionary algorithm-based design of a fuzzy TBF predictive model and TSK fuzzy anti-sway crane control system | |
| Yi et al. | Event-triggered globalized dual heuristic programming and its application to networked control systems | |
| CN104846306B (zh) | 一种镀锌厚度控制系统及方法 | |
| CN112560338B (zh) | 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质 | |
| CN109685283B (zh) | 一种基于置信规则库推理的矿热炉工况预测方法 | |
| CN111007716A (zh) | 基于预测函数的交流伺服电机变论域模糊pi控制方法 | |
| CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
| CN117784852B (zh) | 一种基于鱼鳞仿生优化算法的多模态传感器温度控制方法 | |
| CN115167102A (zh) | 一种基于并行优势动作评价的强化学习自适应pid控制方法 | |
| Liang et al. | Nonlinear MPC based on elastic autoregressive fuzzy neural network with roasting process application | |
| CN107168066B (zh) | 一种温室环境自适应控制方法 | |
| CN113009832A (zh) | 一种基于数据驱动的液态介质熔铝炉模型预测控制方法 | |
| Scheurenberg et al. | Data Enhanced Model Predictive Control of a Coupled Tank System | |
| CN110597055B (zh) | 抗不确定性的2d分段仿射间歇过程最小-最大优化的预测控制方法 | |
| CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
| Govindhasamy et al. | Second-order training of adaptive critics for online process control | |
| Tian et al. | A new incremental learning modeling method based on multiple models for temperature prediction of molten steel in LF | |
| de Souza et al. | Soft sensors in the primary aluminum production process based on neural networks using clustering methods | |
| Liu et al. | Data learning‐based model‐free adaptive control and application to an NAO robot | |
| Jiang et al. | Reinforcement learning for blast furnace ironmaking operation with safety and partial observation considerations | |
| CN113568309B (zh) | 用于温度场的在线时空控制方法 | |
| Yu et al. | Adaptive RBF model for model-based control |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210409 Assignee: ZHUZHOU XUYANG ELECTROMECHANIC TECHNOLOGY Co.,Ltd. Assignor: Northeastern University Contract record no.: X2023210000018 Denomination of invention: Intelligent prediction method, device, equipment and storage medium of industrial process operation index Granted publication date: 20220624 License type: Common License Record date: 20230301 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210409 Assignee: ZHEJIANG DAFENG TECHNOLOGY Co.,Ltd. Assignor: Northeastern University Contract record no.: X2024210000018 Denomination of invention: Intelligent prediction methods, devices, equipment, and storage media for industrial process operation indicators Granted publication date: 20220624 License type: Common License Record date: 20240321 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210409 Assignee: WOLONG ELECTRIC GROUP Co.,Ltd. Assignor: Northeastern University Contract record no.: X2024210000023 Denomination of invention: Intelligent prediction methods, devices, equipment, and storage media for industrial process operation indicators Granted publication date: 20220624 License type: Common License Record date: 20240528 |