CN113177358A - 一种基于模糊细粒度特征提取的水泥质量软测量方法 - Google Patents

一种基于模糊细粒度特征提取的水泥质量软测量方法 Download PDF

Info

Publication number
CN113177358A
CN113177358A CN202110481339.8A CN202110481339A CN113177358A CN 113177358 A CN113177358 A CN 113177358A CN 202110481339 A CN202110481339 A CN 202110481339A CN 113177358 A CN113177358 A CN 113177358A
Authority
CN
China
Prior art keywords
model
fuzzy
data
cement
membership
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
Application number
CN202110481339.8A
Other languages
English (en)
Other versions
CN113177358B (zh
Inventor
赵彦涛
张策
丁伯川
张玉玲
王正坤
闫欢
郝晓辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202110481339.8A priority Critical patent/CN113177358B/zh
Publication of CN113177358A publication Critical patent/CN113177358A/zh
Application granted granted Critical
Publication of CN113177358B publication Critical patent/CN113177358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于模糊细粒度特征提取的水泥质量软测量方法，属于水泥生产质量预测领域，首先选用互信息的方法选取与水泥游离钙含量相关的十二个变量作为辅助变量，对样本数据进行预处理，构建模糊细粒度特征提取软测量模型，将处理后的训练数据使用模糊隶属度函数对样本标签进行隶属度纠正，训练模糊隶属度预测模型，根据样本数据计算出的隶属度划分不同类别的数据集，分别对后续特征提取和预测模型进行训练，完成模糊细粒度特征提取软测量模型的训练，将水泥实时数据输入到模糊隶属度预测模型中，根据预测出的隶属度决定输入到哪个模型进行特征提取和预测，最后对模型的输出进行汇总，根据隶属度进行加权处理，得到游离钙的预测值。

Description

一种基于模糊细粒度特征提取的水泥质量软测量方法
技术领域
本发明属于水泥生产质量预测领域，尤其涉及一种基于模糊细粒度特征提取的水泥质量软测量方法。
背景技术
近年来，国家基础建设规模在突飞猛进的增长，水泥作为建筑工程中的重要基础材料之一，其质量的好坏对于保障建筑工业建设的安全性有着重要意义，水泥熟料中游离氧化钙(f-CaO)的含量是衡量水泥质量的重要指标，f-CaO的含量影响水泥的稳定性和水泥熟料的强度。目前，在大多数的水泥企业中常采用离线检测的方法检测水泥熟料的f-CaO含量，人工检测水泥f-CaO含量的频率为一小时一次，采样的时间间隔长，这就导致采样化验结果对水泥生产的指导存在严重的滞后性，如果能够实现水泥质量的实时监测，对于提高水泥生产效益、节能降耗等都具有重要意义，由于在水泥生产过程中存在大惯性、大时滞、多耦合、多工况等问题，从而导致难以建立一个精确的水泥质量预测模型。针对上述问题，一些学者采用了不同的软测量方法来研究对水泥生产质量的预测，赵彦涛等采用单维卷积池化的方式提取过程变量特征的方法，提出了基于多变量时间序列单维卷积神经网络熟料f-CaO软测量建模方法。赵朋程等提出一种多核最小二乘支持向量机水泥熟料f-CaO预测模型，使用改进的粒子群优化算法对模型的参数进行迭代寻优。上述的方法中都采用将易测变量直接输入到预测模型中的方法，对于水泥生产过程中产生的多工况问题并没有解决，样本中隐含的细粒度特征没有做到进一步的提取，忽略了其中的细度特征，使得最终学习到的特征不足，由于水泥f-CaO的含量是水泥生产工况最终的表现形式，因此，根据水泥样本中f-CaO的标签对水泥样本数据进行分类，可以实现对复杂工况的解析，对分类后的数据选择适合当前类别数据特点的特征提取方法和参数，从而实现对样本数据的局部特征提取，完成在整体数据上的细粒度特征提取，对提取到的特征进行回归预测，最终得到的水泥f-CaO预测精度得到提高。
发明内容：
针对上述存在的问题，本发明提供一种基于模糊细粒度特征提取的水泥质量软测量方法，从而解决由于水泥生产复杂工况所导致的样本数据特征提取不全面的问题。
为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：
步骤S1：选择辅助变量采集数据并且进行数据处理：
通过对水泥生产流程工艺的分析，初步选取可以推导出其它难测变量的易测变量，然后使用互信息的方法筛选关联度高的变量，选取的关联度高的前12个变量作为软测量模型的候选辅助变量。从水泥生产数据库中调取相应的水泥数据，对数据进行预处理；
步骤S2：构建模糊分类模型：
将步骤S1中处理完后的样本数据按水泥熟料f-CaO含量的高中低分布情况设定相应的阈值，根据设定的阈值将样本数据分成三类，设定模糊隶属度规则，将样本的f-CaO标签纠正为样本属于每类的隶属度值，使用卷积神经网络(CNN)进行训练，样本经过模型预测出其对应的隶属度值，根据隶属度值所涉及到的类别选择后续的模型进行输入，完成样本数据的模糊分类训练；
步骤S3：构建细粒度特征提取模型：
将步骤S2中分类后的三类样本数据，分别使用CNN对数据进行特征提取，提取出的特征向量使用回归模型预测f-CaO含量，其中分类标签为低含量和中含量的样本使用XGBoost回归模型进行回归训练，高含量的样本数据使用SVM回归模型进行训练；
步骤S4：模型的在线应用：
使用训练数据完成整体模型的训练后，将经过处理后的水泥实时数据输入到软测量模型中，实时样本数据经过模糊分类模型得到样本相应的类别，然后根据类别选择对应的细粒度特征提取模型得出预测结果，基于模糊隶属度的值对预测结果进行加权处理，实现模型结果的解模糊化，最终得到f-CaO含量预测值。
由于采用了上述技术方案，本发明具有以下有益效果：
1、本发明建立的基于模糊细粒度特征提取的水泥质量软测量模型解决了水泥生产过程中存在的由于多工况所导致的样本特征提取困难的问题，提取到的特征对水泥质量具有很强的线性关系，消除了强非线性对水泥质量预测的影响，省去了复杂的数据预测过程，提高了预测的精确度。
2、本发明的细粒度特征提取的水泥质量预测软测量模型，相比复杂单一的神经网络，避免了全局样本数据特征提取不全面的问题，对于局部样本数据的特征进行深度挖掘，提高了特征提取的全面性，增加了模型预测的精度及泛化能力。
3、本发明能够精确预测水泥生产质量，对于水泥生产过程提供了科学的指导依据，从而为解决水泥生产引起的环境和能耗问题提供了条件。
附图说明
图1为本发明提出的基于模糊细粒度特征提取的软测量模型预测水泥质量系统流程框图；
图2为模糊细粒度特征提取的软测量模型的训练模型结构原理图；
图3为模糊细粒度特征提取的软测量模型的预测模型结构原理图。
具体实施方式
下面结合附图对本发明做进一步详细的描述：
本发明提出了一种基于模糊细粒度特征提取的水泥质量软测量方法，核心是通过对水泥质量的分类划分实现对水泥生产复杂工况的解析，因此对水泥熟料f-CaO含量进行高中低分类，使得每一类的数据中所代表的工况情况变化较小，且具有一定的共有的特征，然后在每一类中的共有特征前提下进行深层次的特征提取。软测量的结构框图如图1所示，首先对水泥数据经过互信息的方法选取辅助变量，然后在水泥生产数据库中选取相应变量的数据，对数据进行归一化处理和异常值剔除，使用模糊隶属度规则对样本标签进行纠正，训练数据集对样本隶属度预测模型进行训练，模型预测出样本的隶属度，根据隶属度中所涉及到的类别划分后续模型训练的数据，此时完成对f-CaO含量的高中低划分，将分类完成的样本分别输入到对应的特征提取模型和回归预测模型中，完成整体模型的训练，具体细节如图2所示，使用处理过的水泥生产实时样本数据输入到模糊分类模型中得到样本数据的隶属度，样本根据隶属度中的值完成对后续模型的选择，模型输出样本的预测值，根据隶属度对来自不同模型的预测结果进行加权求和，实现模型结果的解模糊化，即为最终样本数据的预测结果，具体细节如图3所示，对模型参数进行调整，完成水泥质量预测模型的构建，其内容包括如下步骤：
步骤S1：选择辅助变量采集数据并且进行数据处理
通过对水泥生产流程工艺的分析，初步选取可以推导出其它难测变量的易测变量，然后使用互信息的方法筛选关联度高的变量，选取的关联度高的前12个变量作为软测量模型的候选辅助变量。从水泥生产数据库中选取水泥数据，对数据进行预处理，使用3ρ准则剔除异常值，然后进行最大值最小值归一化处理。根据水泥生产过程中变量的检测方法，目前数据库中的可检测的变量有250多个，其中通过对水泥工艺的分析可知其中约有23个变量对水泥生产的质量存在一些线性关系，使用互信息计算变量与关键变量的关联程度，计算公式可表示为：
Figure BDA0003049375480000041
其中X∈R10×n＝[x1x2...x10]，xi表示选取的每一个变量，
Figure BDA0003049375480000042
Figure BDA0003049375480000043
表示水泥f-CaO含量的标签值。
经过上式计算，选取与水泥质量密切相关的12个变量为：喂料量反馈、一级筒出口温度反馈、高温风机频率反馈、分解炉出口温度、窑尾负压反馈、窑尾温度、窑电流反馈、二次风温反馈、二次篦下压力反馈、硅率(SM)、铝率(IM)、水硬率(HM)。
从数据库中选取相应变量的样本数据，对数据进行预处理。
对数据进行最大值最小值归一化处理，统一变量的量纲，有助于提高模型训练的收敛速度以及提高模型精度。然后将归一化后的数据使用3准则进行剔除。
具体方法为：
设任意变量中的值为X＝{x1x2...xn},n为选取样本的数量,则样本中的值应当满足下面表达式：
Figure BDA0003049375480000051
其中xi为变量X的真实值，
Figure BDA0003049375480000052
为变量X的算术平均值，σ为变量X的标准偏差。
将每个变量进行归一化处理，使得数据转化为无量纲形式，变量中的每一个值都介于0-1之间，具体转化公式为：
Figure BDA0003049375480000053
其中Min为变量X的最小值，Max为变量X的最大值。
步骤S2：构建模糊分类模型
将在步骤S1中处理完后的样本按水泥熟料f-CaO含量的高中低设定相应的阈值将其分成三类，根据水泥样本f-CaO分布情况选定分类边界，设定模糊隶属度规则，将样本的f-CaO标签纠正为样本属于每类的隶属度值，使用CNN进行训练，样本经过模型预测出其对应的隶属度值，根据隶属度值所涉及到的类别选择后续的模型进行输入，完成样本数据的模糊分类训练。
1、根据水泥f-CaO含量对水泥样本数据进行隶属度纠正：
在本工作中选用三角隶属函数对模糊区域的样本数据类别进行模糊化，对不在模糊范围的样本数据判定所属类别隶属度为1，隶属度纠正公式为：
第一类的隶属度函数：
Figure BDA0003049375480000054
第二类的隶属度函数:
Figure BDA0003049375480000061
第三类的隶属度函数：
Figure BDA0003049375480000062
式中x表示f-CaO的含量，f(·)表示当前f-CaO含量的隶属度值，a,b区间为低含量类和中含量类之间的交叉模糊区域，c,d区间为中含量类和高含量类之间的交叉模糊区域。
2、模型的初步建立：
CNN预测模型的建立：
选用2个卷积层加池化层的网络结构，后接全连接层，激活函数选用Relu，池化层选取最大池化即选取局部接受域中的最大的点，为避免输出结果出现过拟合的现象，在全连接层中采用正则化方法，即丢失数据(dropout)技术，以均方误差损失函数作为优化目标，完成CNN预测模型的构建。
3、模型的训练
将训练数据根据f-CaO标签值完成隶属度纠正，将纠正后的隶属度作为样本数据的标签，使用卷积神经网路对样本数据进行训练，根据预测出的隶属度值完成样本数据类别的划分。
步骤S3：构建细粒度特征提取模型
首先将步骤S2中分类后的三类样本数据，分别使用CNN对样本进行特征提取，提取出的特征向量使用回归模型预测f-CaO含量，其中分类标签为低含量和中含量的样本使用XGBoost回归模型进行回归训练，高含量的样本数据使用SVM回归模型进行训练。
1、特征提取模型的建立：
构建卷积神经网络对样本数据进行特征提取，采用两层的卷积池化，后接全连接层，选用relu函数作为激活函数，池化层选取最大池化即选取局部接受域中的最大的点，以均方误差损失函数作为优化目标，使用dropout技术作为防过拟合措施，以最后一层全连接层的输入作为提取到的特征向量，代替原始数据输入对应回归预测模型。
2、回归模型的建立
XGBoost预测模型的建立：
本发明提出的细粒度特征提取软测量模型中XGBoost预测模型，其训练过程如下：
构建K树模型：
Figure BDA0003049375480000071
目标函数：
Figure BDA0003049375480000072
其中第一项为损失函数，第二项为正则化项。
因为要对水泥数据进行预测，其损失函数为：
Figure BDA0003049375480000073
其中yi为当前实际输出,f(xi)为当前预测输出。
正则化项函数为：
Figure BDA0003049375480000074
其中K表示叶子结点的个数，
Figure BDA0003049375480000075
是由K个节点的值组成的K维向量，γ控制树的结构简单程度。
其中第j个节点和最优Obj的最优分数为：
Figure BDA0003049375480000081
目标函数最优解为：
Figure BDA0003049375480000082
对数据切割点的衡量标准为：
Figure BDA0003049375480000083
至此，XGBoost预测模型训练完毕。
SVM预测模型的建立：
目标函数：
Figure BDA0003049375480000084
式中w为权重向量，b为偏置常数，εi、
Figure BDA0003049375480000087
是松弛变量，代表上下边界超平面，C为惩罚系数。
约束条件为：
s.t.f(xi)-yi≤∈+εi, (15)
Figure BDA0003049375480000085
Figure BDA0003049375480000086
支持向量机模型即为在上述约束条件下寻找目标函数的最小值，实现对样本数据的预测。
3、模型的训练
将训练数据按隶属度预测值划分出三组训练数据，使用这些训练数据训练(此时样本数据的标签为原始标签)对应的特征提取模型以及后续的预测模型，卷积神经网络作为样本数据的特征提取模型，将提取到的特征使用相应的回归模型进行预测。
步骤S4：模型的在线应用
使用训练数据完成整体模型的训练后，将经过处理后的水泥实时数据输入到软测量模型中，实时样本数据经过模糊分类模型得到样本相应的类别，然后根据类别选择对应的细粒度特征提取模型得出预测结果，基于模糊隶属度的值对预测结果进行加权处理，实现模型结果的解模糊化，最终得到f-CaO含量预测值。

Claims (6)

1.一种基于模糊细粒度特征提取的水泥质量软测量方法，其特征在于所述方法内容包括以下步骤：
步骤S1：选择辅助变量采集数据并且进行数据处理：
通过对水泥生产流程工艺的分析，选取关联度高的前12个变量作为软测量模型的候选辅助变量，从水泥生产数据库中调取相应的水泥数据，对数据进行预处理；
步骤S2：构建模糊分类模型：
将步骤S1中处理完后的样本数据按水泥熟料游离氧化钙(f-CaO)含量的高中低分布情况设定相应的阈值，根据设定的阈值将样本数据分为三类，设定模糊隶属度规则，将样本的f-CaO标签纠正为样本属于每类的模糊隶属度值，使用卷积神经网络(CNN)进行训练，样本经过模型预测出其对应的隶属度值，根据隶属度值所涉及到的类别选择后续的模型进行输入，完成样本数据的模糊分类训练；
步骤S3：构建细粒度特征提取模型：
将步骤S2中分类后的三类样本数据，分别使用CNN对数据进行特征提取，提取出的特征向量使用回归模型预测f-CaO含量，其中分类标签为低含量和中含量的样本使用XGBoost回归模型进行回归训练，高含量的样本数据使用SVM回归模型进行训练；
步骤S4：模型的在线应用：
使用训练数据完成整体模型的训练后，将经过处理后的水泥实时数据输入到软测量模型中，实时样本数据经过模糊分类模型得到样本相应的类别，然后根据类别选择对应的细粒度特征提取模型得出预测结果，基于模糊隶属度的值对预测结果进行加权处理，实现模型结果的解模糊化，最终得到f-CaO含量预测值。
2.根据权利要求1所述的一种基于模糊细粒度特征提取的水泥质量软测量方法，其特征在于：步骤S1中根据对水泥生产流程工艺的分析初步选取可以推导出其它难测变量的易测变量，采用互信息的方法表征现有的易测变量与难测变量之间的关联程度，根据关联程度的大小选取12个辅助变量作为软测量模型的输入，根据筛选出的输入变量从水泥生产数据库中调取相应的数据，对数据集进行预处理，对数据进行最大值最小值归一化处理，然后使用3准则剔除数据中异常值。
3.根据权利要求1或2所述的一种基于模糊细粒度特征提取的水泥质量软测量方法，其特征在于：所述的12个辅助变量包括：喂料量反馈、一级筒出口温度反馈、高温风机频率反馈、分解炉出口温度、窑尾负压反馈、窑尾温度、窑电流反馈、二次风温反馈、二次篦下压力反馈、硅率(SM)、铝率(IM)、水硬率(HM)。
4.根据权利要求1所述的一种基于模糊细粒度特征提取的水泥质量软测量方法，其特征在于：在步骤S2中，根据采集数据标签值的分布，设定分类界限，设定模糊规则，将选取的阈值邻近范围设定为模糊区域，根据三角隶属度函数规则计算样本的隶属度，选择合适的结构层数、卷积核大小以及学习率，对卷积神经网络进行训练，实现水泥样本的分类。
5.根据权利要求1所述的一种基于模糊细粒度特征提取的水泥质量软测量方法，其特征在于：构建细粒度特征提取模型，在步骤S2中分好类的数据，使用适合当前样本数据特点的特征提取模型以及回归模型分别对样本数据进行处理，确定模型中的各项参数，使得每一类别的预测效果达到最优。
6.根据权利要求1所述的一种基于模糊细粒度特征提取的水泥质量软测量方法，其特征在于：在步骤S2和S3中完成了模糊分类模型和细粒度特征提取模型的训练，在经过数据处理后的实时数据输入到模糊分类模型时实现样本数据的类别模糊化，根据样本所属类别选择相应的特征提取模型得出f-CaO含量的预测结果，最后根据模糊隶属度对子模型的预测结果进行加权处理，实现模型结果的解模糊化，得到最终的预测值。
CN202110481339.8A 2021-04-30 2021-04-30 一种基于模糊细粒度特征提取的水泥质量软测量方法 Active CN113177358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110481339.8A CN113177358B (zh) 2021-04-30 2021-04-30 一种基于模糊细粒度特征提取的水泥质量软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110481339.8A CN113177358B (zh) 2021-04-30 2021-04-30 一种基于模糊细粒度特征提取的水泥质量软测量方法

Publications (2)

Publication Number Publication Date
CN113177358A true CN113177358A (zh) 2021-07-27
CN113177358B CN113177358B (zh) 2022-06-03

Family

ID=76925773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110481339.8A Active CN113177358B (zh) 2021-04-30 2021-04-30 一种基于模糊细粒度特征提取的水泥质量软测量方法

Country Status (1)

Country Link
CN (1) CN113177358B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486821A (zh) * 2022-04-06 2022-05-13 合肥金星智控科技股份有限公司 冶金光谱特征回归方法、装置、电子设备和存储介质
CN114692515A (zh) * 2022-06-01 2022-07-01 中材邦业(杭州)智能技术有限公司 一种基于时间滞后xgboost模型的熟料游离钙含量软测量方法
CN115859059A (zh) * 2022-08-25 2023-03-28 广东工业大学 一种模糊信息的可重复标注方法、系统及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693452A (zh) * 2012-05-11 2012-09-26 上海交通大学 基于半监督回归学习的多模型软测量方法
CN105022990A (zh) * 2015-06-29 2015-11-04 华中科技大学 一种基于无人艇应用的水面目标快速检测方法
CN105528636A (zh) * 2015-12-04 2016-04-27 中国人民解放军61599部队计算所 一种基于模糊推理的磨机负荷参数软测量方法
CN106052753A (zh) * 2016-05-18 2016-10-26 江苏大学 基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法
CN106444377A (zh) * 2016-10-09 2017-02-22 江苏大学 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及系统
US20170061305A1 (en) * 2015-08-28 2017-03-02 Jiangnan University Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression
CN107085732A (zh) * 2017-05-12 2017-08-22 淮阴工学院 基于无线传感器网络的牛舍环境氨气智能监测系统
CN110444257A (zh) * 2019-08-05 2019-11-12 燕山大学 一种基于无监督和有监督学习的水泥游离钙软测量方法
CN110751202A (zh) * 2019-10-16 2020-02-04 济南大学 水泥联合粉磨球磨机负荷软测量模型的建立方法及应用
CN111079856A (zh) * 2019-12-28 2020-04-28 北京化工大学 一种基于csjitl-rvm的多时段间歇过程软测量建模方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693452A (zh) * 2012-05-11 2012-09-26 上海交通大学 基于半监督回归学习的多模型软测量方法
CN105022990A (zh) * 2015-06-29 2015-11-04 华中科技大学 一种基于无人艇应用的水面目标快速检测方法
US20170061305A1 (en) * 2015-08-28 2017-03-02 Jiangnan University Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression
CN105528636A (zh) * 2015-12-04 2016-04-27 中国人民解放军61599部队计算所 一种基于模糊推理的磨机负荷参数软测量方法
CN106052753A (zh) * 2016-05-18 2016-10-26 江苏大学 基于模糊支持向量机的秸秆发酵燃料乙醇过程关键状态变量软测量方法
CN106444377A (zh) * 2016-10-09 2017-02-22 江苏大学 基于pso‑fsvm的赖氨酸发酵过程关键变量软测量方法及系统
CN107085732A (zh) * 2017-05-12 2017-08-22 淮阴工学院 基于无线传感器网络的牛舍环境氨气智能监测系统
CN110444257A (zh) * 2019-08-05 2019-11-12 燕山大学 一种基于无监督和有监督学习的水泥游离钙软测量方法
CN110751202A (zh) * 2019-10-16 2020-02-04 济南大学 水泥联合粉磨球磨机负荷软测量模型的建立方法及应用
CN111079856A (zh) * 2019-12-28 2020-04-28 北京化工大学 一种基于csjitl-rvm的多时段间歇过程软测量建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YICHUAN TANG 等: "Deep Learning using Linear Support Vector Machines", 《ARXIV:1306.0239V4 [CS.LG]》 *
周鹏: "基于 CNN-XGBoost 的 PTA 平均粒径动态软测量模型", 《人工智能》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114486821A (zh) * 2022-04-06 2022-05-13 合肥金星智控科技股份有限公司 冶金光谱特征回归方法、装置、电子设备和存储介质
CN114486821B (zh) * 2022-04-06 2022-08-12 合肥金星智控科技股份有限公司 冶金光谱特征回归方法、装置、电子设备和存储介质
CN114692515A (zh) * 2022-06-01 2022-07-01 中材邦业(杭州)智能技术有限公司 一种基于时间滞后xgboost模型的熟料游离钙含量软测量方法
CN115859059A (zh) * 2022-08-25 2023-03-28 广东工业大学 一种模糊信息的可重复标注方法、系统及装置
CN115859059B (zh) * 2022-08-25 2024-03-22 广东工业大学 一种模糊信息的可重复标注方法、系统及装置

Also Published As

Publication number Publication date
CN113177358B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN113177358B (zh) 一种基于模糊细粒度特征提取的水泥质量软测量方法
CN113256066B (zh) 基于PCA-XGBoost-IRF的作业车间实时调度方法
Shen et al. Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN109992921B (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN110245850B (zh) 一种考虑时序的烧结过程工况识别方法及系统
CN111260117B (zh) 一种基于气象因子的ca-narx水质预测方法
CN111444942B (zh) 一种高炉铁水硅含量智能预报方法及系统
CN110987436B (zh) 基于激励机制的轴承故障诊断方法
CN115860211A (zh) 一种基于局部在线建模的铸坯质量预测方法
CN113627735A (zh) 工程建设项目安全风险的预警方法及系统
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN113344288A (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN108830405B (zh) 基于多指标动态匹配的实时电力负荷预测系统及其方法
CN112819087B (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
US11987855B2 (en) Method and system for determining converter tapping quantity
CN114595750A (zh) 基于深度强化学习参数自动调整的铝电解故障识别方法
CN114627333A (zh) 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统
Xing-yu et al. Autoencoder-based fault diagnosis for grinding system
Jinfeng et al. Fuzzy identification of nonlinear dynamic system based on input variable selection and particle swarm optimization parameter optimization
Liu et al. Surface defect classification of steels based on ensemble of extreme learning machines
CN111626465A (zh) 一种新能源功率短期区间预测方法及系统
Gu et al. Employment Quality Evaluation Model Based on Hybrid Intelligent Algorithm

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