CN112733900B - 一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法 - Google Patents
一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法 Download PDFInfo
- Publication number
- CN112733900B CN112733900B CN202011617869.2A CN202011617869A CN112733900B CN 112733900 B CN112733900 B CN 112733900B CN 202011617869 A CN202011617869 A CN 202011617869A CN 112733900 B CN112733900 B CN 112733900B
- Authority
- CN
- China
- Prior art keywords
- deep
- feature extractor
- network
- boiler
- layer
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013508 migration Methods 0.000 title claims description 9
- 230000005012 migration Effects 0.000 title claims description 9
- 238000013526 transfer learning Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 238000000354 decomposition reaction Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000003245 coal Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23M—CASINGS, LININGS, WALLS OR DOORS SPECIALLY ADAPTED FOR COMBUSTION CHAMBERS, e.g. FIREBRIDGES; DEVICES FOR DEFLECTING AIR, FLAMES OR COMBUSTION PRODUCTS IN COMBUSTION CHAMBERS; SAFETY ARRANGEMENTS SPECIALLY ADAPTED FOR COMBUSTION APPARATUS; DETAILS OF COMBUSTION CHAMBERS, NOT OTHERWISE PROVIDED FOR
- F23M11/00—Safety arrangements
- F23M11/04—Means for supervising combustion, e.g. windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法，利用深度卷积神经网络对与目标域关联度较大的源域进行训练，获得相应特征提取器，利用迁移学习将训练好的特征提取器的网络参数训练目标域，得到锅炉燃烧状态判断特征，构造SVM分类器，实现对锅炉燃烧稳定性判别。同时，利用截断奇异值矩阵分解算法（TSVD）对深度卷积神经网络卷积层进行优化改进，能够大幅度减少了网络参数，提高卷积层的泛化性，降低计算量和计算时间。
Description
技术领域
本发明属于燃烧控制技术领域，具体涉及一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法。
背景技术
电力是我国经济发展的主要动力来源，而火力发电是当今中国社会的主要发电来源。据统计，我国2018年煤炭产量为36.8亿吨，接近全球煤炭总产量的一半，煤炭消费量为39.7亿吨，其中约三分之一被用来进行火力发电。改革开放以来，我国发电总装机容量不断保持增长，同时受产能、发电布局等因素影响，火电将长期保持为国内主要的发电方式。截至2018年底，我国火力发电占比仍然超过七成。提高火力发电厂的发电效率，保证机组运行的安全性、经济性仍然是一个重要的课题。
在锅炉燃烧过程中，一次风混合煤粉进入炉膛被加热燃烧，并释放大量的光和热。燃烧稳定性监测针对的就是这个过程。由于锅炉结构复杂，突发情况多，工作环境恶劣，环境影响因素众多，锅炉在运行过程中容易出现各种故障，致使锅炉热效率下降，还可能会引起炉膛灭火、锅炉爆炸等事故。因此需要对炉内火焰进行实时监测，调整状态维持炉内火焰稳定燃烧，保证电厂机组的安全生产。
为了对机组运行进行实时监测，火电厂配备了各型安监系统。然而，传统的根据声、光、热等单一参数的单点火焰传感器检测技术已无法适应现代高技术、高容量的复杂大型电站锅炉。近年来普及的工业CCD相机具有可靠性强、耐热性好、采集图像分辨率高等特点，可用于实时采集、监视锅炉中的火焰情况。随着数字图像处理技术逐渐成熟，基于数字图像处理技术的燃烧稳定性检测技术已广泛运用于炉膛安全经济燃烧领域，但实际的操作过程需依靠手动提取图像上的燃烧特征，存在受现场干扰影响大、判别准确率不高、泛化性能不强等问题。
随着近年来芯片运算速度的大幅提升，深度学习理论获得了长足发展，结合深度卷积神经网络的数字图像处理技术被广泛运用到图像识别、物体检测、场景识别等实际领域，取得了理想的效果。基于深度学习的图像处理是通过数学运算抽取图像的特征信息，获取图像的信息表达，再根据信息表达进行分类识别处理的方法。在火力发电领域，传统的人工提取燃烧特征方法通常提取的更多是浅层次、可视化的图像特征，如火焰的位置、纹理、颜色、形状等，不能很好的表征火焰图像的高层语义。得益于深度卷积神经网络复杂的结构，深度学习可以自主学习图像特征，提取图像高层语义信息，运用于炉膛燃烧稳定性的判别研究，具有很好的前景。
综上，本发明以炉膛燃烧稳定性判定作为目标，利用各种状态的火焰图像训练深度卷积神经网络/迁移学习法特征提取器，得到锅炉燃烧状态判断特征；并构造SVM(Support Vector Machines)分类器，实现对锅炉燃烧稳定性判别。同时，利用截断奇异值矩阵分解算法（TSVD，Truncated Singular Value Decomposition）对深度卷积神经网络卷积层进行优化改进，能够大幅度减少了网络参数，提高卷积层的泛化性，降低计算量和计算时间。
发明内容
本发明公开了一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法，利用深度卷积神经网络对与目标域关联度较大的源域进行训练，获得相应特征提取器；利用迁移学习法将训练好的特征提取器的网络参数训练目标域，得到锅炉燃烧状态判断特征；并构造SVM分类器，实现对锅炉燃烧稳定性判别。同时，利用截断奇异值矩阵分解算法（TSVD）对深度卷积神经网络卷积层进行优化改进，能够大幅度减少了网络参数，提高卷积层的泛化性，降低计算量和计算时间。
本发明解决其技术问题采用的技术方案如下：
一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法，包括如下步骤：
步骤一，利用DenseNet深度卷积网络模型对源域进行训练，保留网络权重，构建源域特征提取器；
步骤二，标记源域特征提取器各卷积层，利用TSVD算法优化深度卷积网络参数；
步骤三，利用迁移学习将源域特征提取器参数迁移到目标域特征提取器，利用锅炉火焰图像对其进行训练，输出相应的目标域特征提取器；
步骤四，建立SVM分类器，将目标域特征提取器输出输入至SVM分类器中，判断锅炉燃烧状态稳定性。
所述步骤一中所述源域和目标域分别为与燃烧器火焰图像相关的原始火焰图像和锅炉燃烧器出口处火焰图像。
所述步骤一中所述DenseNet每层网络计算公式如下：
其中，是网络所有层的输入特征图的密集连接，/>是非线性转化函数。
所述步骤二中所述TSVD算法优化步骤如下：
S1 标记给定训练后的深度卷积网络模型的卷积层，编号为1至L；
S2 计算卷积层的截断秩R：
N=min(mn,c)
其中，m、n、c分别是宽高级通道数；
S3 对于第i层卷积层：
（1）若R<N-x，则将通道数更新为原通道数为N/2；
（2）若R=N则更新通道数为3N/2；
（3）若N-x<R<N，则结束该层的优化训练，进行下一层的优化改进，
其中，x为精度值x=0.2，
S4 重复S3步骤直到所有层更新完成。
所述步骤三中所述迁移学习保留深度卷积网络训练的源域特征提取器的全连接层之前的网络结构及网络权重，新的目标域特征提取器具有源域特征表示能力。
所述步骤四中所述燃烧稳定状态判定，是利用SVM算法建立的多分类器对其进行稳判。
本发明利用深度卷积网络/迁移学习法建立火焰稳定性判断特征提取器，并通过SVM建立燃烧状态分类器。同时，利用截断奇异值矩阵分解算法（TSVD）对深度卷积神经网络卷积层进行优化改进，能够大幅度减少了网络参数，提高卷积层的泛化性，降低计算量和计算时间。
附图说明
图1为本发明的DenseNet模型结构图。
图2为本发明的基于迁移学习的火焰特征提取结构图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明。
本实施例以某燃煤电厂660MW机组数据为例，锅炉为DG2060/26.15-Ⅱ2型超超临界参数变压运行直流炉。锅炉燃烧方式为前后墙对冲燃烧，共布置6层燃烧器（前后墙各3层），每层各有6只旋流燃烧器，前墙从下往上依次为A、B、C层，后墙从下往上依次为D、E、F层，火焰监控摄像头安装在各层燃烧器上方0.5米处。源域火焰图像为GitHub平台上8600张各类状态标记火焰图像，目标域火焰图像来源于锅炉不同工况下各层级燃烧器包括稳定燃烧、波动、启停炉、灭火和临界灭火等全状态的炉膛火焰视频图像10000张，其中训练集与测试集数量比例为4:1。
本发明主要步骤如下：首先，对图像进行预处理，并利用源域图像训练深度卷积网络，得到相应的火焰状态判断特征提取器；然后，利用TSVD算法优化训练后的网络模型，减少了深度卷积网络参数，提高卷积层的泛化性；然后，利用迁移学习将深度卷积网络训练的源域特征提取器的全连接层之前的网络结构及网络权重迁移到目标域特征提取器，并用目标域图像对其进行训练；将目标域训练特征提取器结果输入到SVM分类器中，并对燃烧稳定性进行判断。
具体建模步骤为：
步骤一，火焰图像预处理，对火焰图像进行灰度化、中值滤波和归一化处理。其中，灰度化过程中R、G、B三个颜色通道的权重表示如下：
深度卷积网络模型要求图像输入时尺寸大小固定，要求图像尺寸为224×224，由于电厂采集到的火焰图像为320×240需要对其进行归一化处理。
步骤二，选取源域火焰图像，训练深度卷积网络，得到初始火焰状态特征提取器。
步骤三，利用TSVD优化深度卷积网络模型，其优化步骤为：
S1 标记给定训练后的深度卷积网络模型的卷积层，编号为1至L；
S2 计算卷积层的截断秩R：
N=min(mn,c)
其中，m、n、c分别是宽高级通道数；
S3 对于第i层卷积层：
（1）若R<N-x，则将通道数更新为原通道数为N/2；
（2）若R=N则更新通道数为3N/2；
（3）若N-x<R<N，则结束该层的优化训练，进行下一层的优化改进，
其中，x为精度值x=0.2，
S4 重复S3步骤直到所有层更新完成。
步骤四，利用迁移学习将深度卷积网络训练的源域特征提取器的全连接层之前的网络结构及网络权重迁移到目标域特征提取器，并用目标域图像对其进行训练
步骤五，训练分类器，使用SVM建立分类器，利用高斯核函数作为其核函数,其惩罚参数设置为100。
步骤六，燃烧稳定性的预测分类 选取2000张层级火焰图像作为测试集，输入至训练完成的深度迁移神经网络进行分类任务。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (4)
1.一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法，其特征在于，所述方法包括如下步骤：
步骤一，利用DenseNet深度卷积网络模型对源域进行训练，保留网络权重，构建源域特征提取器；
步骤二，标记源域特征提取器各卷积层，利用TSVD算法优化深度卷积网络参数；
步骤三，利用迁移学习将源域特征提取器参数迁移到目标域特征提取器，利用锅炉火焰图像对其进行训练，输出相应的目标域特征提取器；
步骤四，建立SVM分类器，将目标域特征提取器输出输入至SVM分类器中，判断锅炉燃烧状态稳定性；
所述步骤一中所述源域和目标域分别为与燃烧器火焰图像相关的原始火焰图像和锅炉燃烧器出口处火焰图像；
所述步骤二中所述TSVD算法优化步骤如下：
S1标记给定训练后的深度卷积网络模型的卷积层，编号为1至L；
S2计算卷积层的截断秩R：
N＝min(mn，c)
其中，m、n、c分别是宽高级通道数；
S3对于第i层卷积层：
(1)若R<N-x，则将通道数更新为原通道数为N/2；
(2)若R＝N则更新通道数为3N/2
(3)若N-x<R<N，则结束该层的优化训练，进行下一层的优化改进。
其中，x为精度值x＝0.2；
S4重复S3步骤直到所有层更新完成。
2.根据权利要求1所述的一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法，其特征在于，所述步骤一中所述DenseNet每层网络计算公式如下：
xl＝Hl([x0,x1,...xl-1])
其中，[x0,x1,…xl-1]是网络所有层的输入特征图的密集连接，H(·)是非线性转化函数。
3.根据权利要求1所述的一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法，其特征在于，所述步骤三中所述迁移学习保留深度卷积网络训练的源域特征提取器的全连接层之前的网络结构及网络权重，新的目标域特征提取器具有源域特征表示能力。
4.根据权利要求1所述的一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法，其特征在于，所述步骤四中燃烧稳定状态判定，是利用SVM算法建立的多分类器对其进行稳判。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011617869.2A CN112733900B (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011617869.2A CN112733900B (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112733900A CN112733900A (zh) | 2021-04-30 |
| CN112733900B true CN112733900B (zh) | 2024-01-23 |
Family
ID=75611157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011617869.2A Active CN112733900B (zh) | 2020-12-31 | 2020-12-31 | 一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733900B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792811B (zh) * | 2021-09-22 | 2024-04-30 | 湖南大学 | 一种基于混沌特性分析的火焰燃烧稳定性识别方法 |
| CN113984421B (zh) * | 2021-10-26 | 2022-09-13 | 华北电力大学 | 多信号融合火焰燃烧稳定性控制分析装置、方法及应用 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908142A (zh) * | 2010-08-04 | 2010-12-08 | 丁天 | 一种基于特征分析的视频火焰检测方法 |
| CN109063728A (zh) * | 2018-06-20 | 2018-12-21 | 燕山大学 | 一种火灾图像深度学习模式识别方法 |
| CN110163278A (zh) * | 2019-05-16 | 2019-08-23 | 东南大学 | 一种基于图像识别的火焰稳定性监测方法 |
| CN110751207A (zh) * | 2019-10-18 | 2020-02-04 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
| CN110852347A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 采用改进YOLO v3的火灾检测方法 |
| JP2020165330A (ja) * | 2019-03-28 | 2020-10-08 | 国立研究開発法人 海上・港湾・航空技術研究所 | 原動機の状態判断方法及び状態判断プログラム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180276333A1 (en) * | 2016-11-22 | 2018-09-27 | Genetic Intelligence, Inc. | Convolutional artificial neural networks, systems and methods of use |
| KR20200071448A (ko) * | 2018-12-11 | 2020-06-19 | 한국전자통신연구원 | 희소성 제한된 분해 행렬 기반의 심층 신경망 모델 파라메타 축소 장치 및 그 방법 |
-
2020
- 2020-12-31 CN CN202011617869.2A patent/CN112733900B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101908142A (zh) * | 2010-08-04 | 2010-12-08 | 丁天 | 一种基于特征分析的视频火焰检测方法 |
| CN109063728A (zh) * | 2018-06-20 | 2018-12-21 | 燕山大学 | 一种火灾图像深度学习模式识别方法 |
| JP2020165330A (ja) * | 2019-03-28 | 2020-10-08 | 国立研究開発法人 海上・港湾・航空技術研究所 | 原動機の状態判断方法及び状態判断プログラム |
| CN110163278A (zh) * | 2019-05-16 | 2019-08-23 | 东南大学 | 一种基于图像识别的火焰稳定性监测方法 |
| CN110852347A (zh) * | 2019-10-17 | 2020-02-28 | 天津大学 | 采用改进YOLO v3的火灾检测方法 |
| CN110751207A (zh) * | 2019-10-18 | 2020-02-04 | 四川大学 | 基于深度卷积域对抗迁移学习的故障诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| Deep neural network based acoustic model parameter reduction using manifold regularized low rank matrix factorization;Hoon Chung等;《2016 IEEE Spoken Language Technology Workshop (SLT)》;全文 * |
| 基于全卷积神经网络与低秩稀疏分解的显著性检测;张芳等;《自动化学报》;第45卷(第11期);全文 * |
| 基于声学层析成像的炉内温度场重建算法研究;刘厦;刘石;;动力工程学报(07);全文 * |
| 基于层级火焰图像的燃烧稳定性研究;陈文秋;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;全文 * |
| 基于深度学习和最大相关最小冗余的火焰图像检测方法;李梓瑞;王慧琴;胡燕;卢英;;激光与光电子学进展(10);全文 * |
| 结合自注意力的对抗性领域适应图像分类方法;陈诚;郭卫斌;李庆瑜;;计算机工程与科学(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112733900A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733900B (zh) | 一种基于深度迁移学习的锅炉燃烧状态稳定性判断方法 | |
| CN107726358B (zh) | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 | |
| CN105974793B (zh) | 一种电站锅炉燃烧智能控制方法 | |
| Zhan et al. | Deepthermal: Combustion optimization for thermal power generating units using offline reinforcement learning | |
| Lv et al. | A dynamic model for the bed temperature prediction of circulating fluidized bed boilers based on least squares support vector machine with real operational data | |
| Rao et al. | Machine learning for solar array monitoring, optimization, and control | |
| AU2019305721B2 (en) | Boiler coal saving control method | |
| CN102208018A (zh) | 一种基于视频差异分析的输电线路火灾识别方法 | |
| Hou et al. | Coordinated control system modeling of ultra-supercritical unit based on a new fuzzy neural network | |
| CN103455635A (zh) | 基于最小二乘支持向量机集成的热工过程软测量建模方法 | |
| CN102840571B (zh) | 基于子空间辨识的火力电站锅炉输出过热蒸汽的预报方法 | |
| CN110717495B (zh) | 基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 | |
| CN105868165B (zh) | 一种电站锅炉运行数据清洗方法 | |
| CN113157732B (zh) | 一种基于pso-bp神经网络的地下铲运机故障诊断方法 | |
| CN107423747A (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
| Han et al. | Detection of faults in solar panels using deep learning | |
| CN115063665A (zh) | 一种基于加权双向特征金字塔网络的轻量级火灾检测方法 | |
| CN111931436A (zh) | 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法 | |
| CN110986085A (zh) | 基于配风方式优化的四角切圆锅炉燃烧优化控制方法 | |
| CN112686160A (zh) | 一种基于双光谱视频图像预测林火蔓延方法及系统 | |
| CN113496210A (zh) | 基于注意力机制的光伏组串跟踪及故障跟踪方法 | |
| CN113343123A (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| CN116894180A (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
| CN111881120A (zh) | 一种锅炉智能运行优化方法 | |
| CN114046533B (zh) | 一种基于火焰分析寻优的煤粉炉燃烧优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |