CN113515891B - 一种乳化炸药质量预测和优化方法 - Google Patents
一种乳化炸药质量预测和优化方法 Download PDFInfo
- Publication number
- CN113515891B CN113515891B CN202110624709.9A CN202110624709A CN113515891B CN 113515891 B CN113515891 B CN 113515891B CN 202110624709 A CN202110624709 A CN 202110624709A CN 113515891 B CN113515891 B CN 113515891B
- Authority
- CN
- China
- Prior art keywords
- emulsion explosive
- quality
- parameters
- random forest
- explosive
- 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
- 239000002360 explosive Substances 0.000 title claims abstract description 101
- 239000000839 emulsion Substances 0.000 title claims abstract description 89
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000007637 random forest analysis Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000004880 explosion Methods 0.000 claims abstract description 11
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003066 decision tree Methods 0.000 claims description 20
- 206010070834 Sensitisation Diseases 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008313 sensitization Effects 0.000 claims description 10
- 238000004945 emulsification Methods 0.000 claims description 9
- 238000011112 process operation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000011681 asexual reproduction Effects 0.000 claims description 6
- 238000013465 asexual reproduction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005474 detonation Methods 0.000 claims description 6
- 238000004886 process control Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000003995 emulsifying agent Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Abstract
本发明涉及一种乳化炸药质量预测和优化方法,包括以下步骤:获取乳化炸药的历史数据,对历史数据进行预处理,对乳化炸药生产过程的工艺参数和乳化炸药的质量进行相关性分析,对工艺参数进行选择;建立随机森林乳化炸药质量预测模型,并设计列队竞争算法优化随机森林模型参数;在建立的随机森林乳化炸药质量预测模型的基础上,以乳化炸药质量指标猛度和爆速最大为优化目标,以工艺参数操作范围为约束条件,建立乳化炸药质量双目标优化模型,并设计多目标列队竞争算法进行求解,求解得到最大化猛度和爆速情况下的最优工艺操作参数。
Description
技术领域
本发明涉及乳化炸药领域,具体涉及一种乳化炸药质量预测和优化方法。
背景技术
近年来,乳化炸药产量在不断增大,由于缺乏乳化炸药质量指标的在线测量仪表,对于炸药质量的检测方法主要是采取抽样检测方法,这种方法采样周期过长,不利于控制产品的质量,导致乳化炸药产品质量不合格的数量也在不断增大,因此急需建立乳化炸药质量在线预测模型,实现软化炸药质量在线预测,一旦预测结果显示产品质量不合格,就可以即时调整乳化炸药生产过程的工艺参数,提高乳化炸药产品质量的合格率,同时,乳化炸药企业在进行工艺参数调整的时候依赖工艺工程师的经验进行调整,存在一定的盲点,因此可以在建立乳化炸药质量预测模型的基础上,设计智能优化算法求解得到最优工艺操作参数方案,乳化炸药企业结合自身经验和最优工艺操作参数方案,调整乳化炸药生产过程的工艺参数,提高乳化炸药质量从而提高乳化炸药企业的核心竞争力。
发明内容
本发明要解决的技术问题是:针对现有技术各种缺陷和不足,提供一种可以针对乳化炸药生产过程的进行建模分析,为乳化炸药企业提高效益的乳化炸药质量预测和优化方法。
为了实现上述乳化炸药质量预测和优化技术,本发明采用以下的技术方案:
收集乳化炸药生产过程的历史数据,对收集上来的数据进行预处理,对乳化炸药生产过程的工艺操作参数和乳化炸药质量进行相关性分析,选择影响质量较大的工艺参数,删除无关的变量;
建立随机森林乳化炸药质量预测模型,并设计列队竞争算法优化随机森林乳化炸药质量预测模型参数;
以乳化炸药质量指标猛度和爆速最大化为优化目标,以工艺操作参数操作范围为约束条件,建立乳化炸药质量双目标优化模型,并设计多目标列队竞争算法进行求解,求解得到最大化猛度和爆速情况下的最优工艺操作参数。
优选地,所述数据预处理是对数据进行标准化处理,具体的公式如下:
a表示标准差,xi表示数据集中的一个样本点,x-表示均值向量。
优选地,所述相关性分析算法使用的是MIV算法,MIV算法可以计算得到工艺操作参数和乳化炸药质量的相关系数,对求得的相关系数进行排序,选择相关系数较大的工艺操作参数,删除无关的工艺操作参数,MIV算法步骤如下:
1)根据历史数据,建立工艺操作参数和乳化炸药质量的BP神经网络模型;
2)评价某个工艺操作参数和炸药质量的相关性时,在工艺操作参数增加和减少10%,分别输入模型计算得到输出值y1和y2,计算y1和y2的差值,及平均值就是工艺操作参数和炸药质量的相关性系数;
3)同理计算所有工艺参数和炸药质量的相关性系数。
优选地,建立的是随机森林乳化炸药质量预测模型,随机森林回归算法的步骤如下:
1)采用Bootstrap重复抽样,在数据集D中采样K次,产生K个训练数据集Dnum={D1,D2...Dk},采样时都是有放回的取样;
2)在数据集D的M个特征中选择m个特征生成决策树,根据最小损失函数,选择最优的特征作为决策树的分裂结点,不对决策树进行剪枝,生成多棵决策树组成随机森林;
3)分别对每棵决策树进行回归计算,每棵决策树的预测结果为{Y1,Y2...Yk},随机森林的预测结果等于每棵决策树的预测结果进行求和之后取平均值,具体公式如下所示:
优选地,所述随机森林乳化炸药质量预测模型参数,包括随机森林模型可调的超参数,所述列队竞争算法步骤如下:
1)在随机森林模型可调超参数的值域范围内,随机生成n个家族;
2)根据随机森林乳化炸药质量预测模型,计算得到袋外数据随机森林泛化误差OOB;
3)求得每个家族的OOB值,对OOB值进行排序,排在前面的家族进行小规模变异,在较小的空间内搜索,排在后面的家族进行无性繁殖,在较大的空间内进行搜索,把生成的子代和父代合并,选择最优的个体做为下一代的父代;
4)重复步骤2)和3),达到最大的迭代次数或者精度,停止计算输出最优随机森林模型可调超参数。
优选地,所述乳化炸药质量双目标优化模型,其中优化目标为:最大化乳化炸药质量指标猛度和爆速。
约束条件为:乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数的操作范围。
所述多目标列队竞争算法步骤如下:
1)在乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数的值域范围内,随机生成n个家族;
2)根据随机森林乳化炸药质量预测模型,计算每个家族乳化炸药质量指标猛度和爆速;
3)迭代次数为k,当k为奇数时以猛度的目标值为基准进行排序,当k为偶数时以爆速为基准进行排序,排在前面的家族进行小规模变异,在较小的空间内搜索,排在后面的家族进行无性繁殖,在较大的空间内进行搜索,把生成的子代和父代合并,选择最优的个体做为下一代的父代;
4)保存每次计算目标函数值的最优解和部分次优解;
5)当搜索空间小到一定程度时,对搜索空间进行扩放,从而增大搜索空间;
6)重复步骤2)、3)、4)和5),达到最大的迭代次数或者精度,停止计算输出最优乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数。
和现在的工艺优化技术相比,本发明的优点如下:
1.本发明的预测模型,可以实时预测乳化炸药质量,当出现质量不合格的情况可以及时调整工作操作参数,提高产品质量合格率,本发明提供的最优工艺操作参数方案,可以给乳化炸药企业进行工艺参数调整时提供借鉴。
2.本发明提出的优化算法,是基于乳化炸药生产过程的历史数据,可以充分挖掘乳化炸药生产过程的大数据,在进行工艺优化时不需要对设备进行改造。
附图说明
图1:为本发明的流程示意图。
具体实施方式
结合附图描述本发明的实施例。
本发明提出了一种乳化炸药质量预测和优化方法,包括以下步骤:
收集乳化炸药生产过程的历史数据,对收集上来的数据进行预处理,对乳化炸药生产过程的工艺操作参数和乳化炸药质量进行相关性分析,选择影响质量较大的工艺参数,删除无关的变量;
建立随机森林乳化炸药质量预测模型,并设计列队竞争算法优化随机森林乳化炸药质量预测模型参数;
以乳化炸药质量指标猛度和爆速最大化为优化目标,以工艺操作参数操作范围为约束条件,建立乳化炸药质量双目标优化模型,并设计多目标列队竞争算法进行求解,求解得到最大化猛度和爆速情况下的最优工艺操作参数。
具体地,所述的产过程的历史数据主要收集的是乳化过程的控制参数、敏化过程的控制参数、装药过程的控制参数和乳化炸药质量指标检测数据,控制参数每1分钟收集一次,乳化炸药质量指标检测数据每检测一次收集一次数据,收集3年的历史生产数据。
具体地,历史数据来源于实时数据库,会带有少量的空值和异常值,在进行标准化处理之前,应该对空值和异常值进行处理,异常值检测可以使用统计学的马氏距离进行检测,对检测出来的离群值和空值进行剔除,或者用均值对空值和异常值进行补充。
优选地,所述的数据预处理是对数据进行标准化处理,具体的公式如下:
a表示标准差,xi表示数据集中的一个样本点,x-表示均值向量。
优选地,所述的相关性分析算法使用的是MIV算法,MIV算法可以计算得到工艺操作参数和乳化炸药质量的相关系数,对求得的相关系数进行排序,选择相关系数较大的工艺操作参数,删除无关的工艺操作参数,MIV算法步骤如下:
1)根据历史数据,建立工艺操作参数和乳化炸药质量的BP神经网络模型;
2)评价某个工艺操作参数和炸药质量的相关性时,在工艺操作参数增加和减少10%,分别输入模型计算得到输出值y1和y2,计算y1和y2的差值,取平均值就是工艺操作参数和炸药质量的相关性系数;
3)同理计算所有工艺参数和炸药质量的相关性系数。
具体地,所述的BP神经网络模型,建立的是三层神经网络,激活函数选择的是非线性函数rule,隐含层选择的神经元是20。
优选地,建立的是随机森林乳化炸药质量预测模型,随机森林回归算法的步骤如下:
1)采用Bootstrap重复抽样,在数据集D中采样K次,产生K个训练数据集Dnum={D1,D2...Dk},采样时都是有放回的取样;
2)在数据集D的M个特征中选择m个特征生成决策树,根据最小损失函数,选择最优的特征作为决策树的分裂结点,不对决策树进行剪枝,生成多棵决策树组成随机森林;
3)分别对每棵决策树进行回归计算,每棵决策树的预测结果为{Y1,Y2...Yk},随机森林的预测结果等于每棵决策树的预测结果进行求和之后取平均值,具体公式如下所示:
具体地,使用80%的历史数据集进行模型的训练,使用百分之20的历史数据集进行模型的验证。
优选地,所述的随机森林乳化炸药质量预测模型参数,具体地,包括子树的数量、树的深度、最小叶子节点数和最大特征树,所述的列队竞争算法步骤如下:
1)在子树的数量、树的深度、最小叶子节点数和最大特征树的值域范围内,随机生成n个家族;
2)根据随机森林乳化炸药质量预测模型,计算得到袋外数据随机森林泛化误差OOB;
3)求得每个家族的OOB值,对OOB值进行排序,排在前面的家族进行小规模变异,在较小的空间内搜索,排在后面的家族进行无性繁殖,在较大的空间内进行搜索,把生成的子代和父代合并,选择最优的个体做为下一代的父代;
4)重复步骤2)和3),达到最大的迭代次数或者精度,停止计算输出最优子树的数量、树的深度、最小叶子节点数和最大特征。
具体地,所述的子树数量的值域范围在[50,750]之间,树的深度的值域范围在[1,13]之间,叶子节点数的值域范围在[5,100],最大特征的值域范围在[1,m],m表示进行相关性分析后选择的特征数。
优选地,所述的乳化炸药质量双目标优化模型,其中优化目标为:最大化乳化炸药质量指标猛度和爆速。
具体地,约束条件为:油相流量、水相流量、油相制备温度、水相制备温度、乳化温度、乳化器转速、敏化器转速、敏化温度、装药压力和装药温度的操作范围。
所述的多目标列队竞争算法步骤如下:
1)在油相流量、水相流量、油相制备温度、水相制备温度、乳化温度、乳化器转速、敏化器转速、敏化温度、装药压力和装药温度的操作范围内,随机生成n个家族;
2)根据随机森林乳化炸药质量预测模型,计算每个家族乳化炸药质量指标猛度和爆速;
3)迭代次数为k,当k为奇数时以猛度的目标值为基准进行排序,当k为偶数时以爆速为基准进行排序,排在前面的家族进行小规模变异,在较小的空间内搜索,排在后面的家族进行无性繁殖,在较大的空间内进行搜索,把生成的子代和父代合并,选择最优的个体做为下一代的父代;
4)保存每次计算目标函数值的最优解和部分次优解;
5)当搜索空间小到一定程度时,对搜索空间进行扩放,从而增大搜索空间;
6)重复步骤2)、3)、4)和5),达到最大的迭代次数或者精度,停止计算输出最优油相流量、水相流量、油相制备温度、水相制备温度、乳化温度、乳化器转速、敏化器转速、敏化温度、装药压力和装药温度参数优化方案。
上述的所有算法由Python语言开发实现,不限于使用Python、Java、Matlab、R等语言进行开发。
以上所述本发明的具体实施例,并不对本发明保护范围的进行限定,任何工程技术人员在本发明的技术方案进行改变和替换,这种行为应该视为本发明的保护范围内。
Claims (3)
1.一种乳化炸药质量预测和优化方法,包括以下步骤:
步骤一:收集乳化炸药生产过程的历史数据,对收集上来的数据进行预处理,对乳化炸药生产过程的工艺操作参数和乳化炸药质量进行相关性分析,选择影响质量大的工艺参数,删除无关的变量;
所述的相关性分析算法使用的是MIV算法,MIV算法可以计算得到工艺操作参数和乳化炸药质量的相关系数,对求得的相关系数进行排序,选择相关系数较大的工艺操作参数,删除无关的工艺操作参数,MIV算法步骤如下:
A1:根据历史数据,建立工艺操作参数和乳化炸药质量的BP神经网络模型;
A2:评价某个工艺操作参数和炸药质量的相关性时,在数据集工艺操作参数增加和减少10%,分别输入模型计算得到输出值y1和y2,计算y1和y2的差值,及平均值就是工艺操作参数和炸药质量的相关性系数;
A3:同理计算所有工艺参数和炸药质量的相关性系数;
所述的BP神经网络模型,建立的是三层神经网络,激活函数选择的是非线性函数rule,隐含层选择的神经元是20;
步骤二:建立随机森林乳化炸药质量预测模型,并设计列队竞争算法优化随机森林乳化炸药质量预测模型参数;
建立的是随机森林乳化炸药质量预测模型,随机森林回归算法的步骤如下:
B1:采用Bootstrap重复抽样,在数据集D中采样K次,产生K个训练数据集Dnum={D1,D2...Dk},采样时都是有放回的取样;
B2:在数据集D的M个特征中选择m个特征生成决策树,根据最小损失函数,选择最优的特征作为决策树的分裂结点,不对决策树进行剪枝,生成多棵决策树组成随机森林;
B3:分别对每棵决策树进行回归计算,每棵决策树的预测结果为{Y1,Y2...Yk},随机森林的预测结果等于每棵决策树的预测结果进行求和之后取平均值,具体公式如下所示:
所述的随机森林乳化炸药质量预测模型参数,包括随机森林模型可调的超参数,所述的列队竞争算法步骤如下:
C1:在机森林模型可调超参数的值域范围内,随机生成n个家族;
C2:根据随机森林乳化炸药质量预测模型,计算得到袋外数据随机森林泛化误差OOB;
C3:求得每个家族的OOB值,对OOB值进行排序,排在前面的家族进行小规模变异,在较小的空间内搜索,排在后面的家族进行无性繁殖,在较大的空间内进行搜索,把生成的子代和父代合并,选择最优的个体做为下一代的父代;
C4:重复步骤C2和C3,达到最大的迭代次数或者精度,停止计算输出最优随机森林模型可调超参数;
步骤三:以乳化炸药质量指标猛度和爆速最大化为优化目标,以工艺操作参数操作范围为约束条件,建立乳化炸药质量双目标优化模型,并设计多目标列队竞争算法进行求解,求解得到最大化猛度和爆速情况下的最优工艺操作参数。
2.根据权利要求1所述的种乳化炸药质量预测和优化方法,其特征在于:
所述的数据预处理是对数据进行标准化处理,具体的公式如下:
a表示标准差,xi表示数据集中的一个样本点,x-表示均值向量。
3.根据权利要求1所述的一种乳化炸药质量预测和优化方法,其特征在于:
所述的乳化炸药质量双目标优化模型,其中优化目标为:最大化乳化炸药质量指标猛度和爆速;
约束条件为:乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数的操作范围;
所述的多目标列队竞争算法步骤如下:
1)在乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数的值域范围内,随机生成n个家族;
2)根据随机森林乳化炸药质量预测模型,计算每个家族乳化炸药质量指标猛度和爆速;
3)迭代次数为k,当k为奇数时以猛度的目标值为基准进行排序,当k为偶数时以爆速为基准进行排序,排在前面的家族进行小规模变异,在较小的空间内搜索,排在后面的家族进行无性繁殖,在较大的空间内进行搜索,把生成的子代和父代合并,选择最优的个体做为下一代的父代;
4)保存每次计算目标函数值的最优解和部分次优解;
5)当搜索空间小到一定程度时,对搜索空间进行扩放,从而增大搜索空间;
6)重复步骤2)、3)、4)和5),达到最大的迭代次数或者精度,停止计算输出最优乳化阶段控制参数、敏化阶段控制参数和装药过程控制参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624709.9A CN113515891B (zh) | 2021-06-04 | 2021-06-04 | 一种乳化炸药质量预测和优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110624709.9A CN113515891B (zh) | 2021-06-04 | 2021-06-04 | 一种乳化炸药质量预测和优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113515891A CN113515891A (zh) | 2021-10-19 |
CN113515891B true CN113515891B (zh) | 2024-02-20 |
Family
ID=78065482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110624709.9A Active CN113515891B (zh) | 2021-06-04 | 2021-06-04 | 一种乳化炸药质量预测和优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113515891B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150877A (zh) * | 2022-05-23 | 2023-12-01 | 北京理工大学 | 一种基于Bagging算法的压装混合炸药最佳压药工艺预测方法 |
CN116128165A (zh) * | 2023-04-13 | 2023-05-16 | 深圳大学 | 一种基于miv-bp的建筑构件质量预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU1616048C (ru) * | 1989-05-06 | 1994-03-30 | Государственный научно-исследовательский и проектный институт азотной промышленности и продуктов органического синтеза | Способ получения пористой гранулированной аммиачной селитры |
WO2002088903A2 (en) * | 2001-04-30 | 2002-11-07 | Heuristics Usa, Ltd. | Predictive method |
CN104464232A (zh) * | 2014-12-04 | 2015-03-25 | 广东振声科技股份有限公司 | 乳化炸药生产工艺过程中基于危险源的预测预警检测模型 |
CN107563052A (zh) * | 2017-08-31 | 2018-01-09 | 西安近代化学研究所 | 一种侵彻型炸药装药组合结构仿真设计方法 |
CN110746311A (zh) * | 2019-10-18 | 2020-02-04 | 北京华泰诺安探测技术有限公司 | 一种纳米荧光传感材料及其荧光传感薄膜和薄膜阵列、制备方法及应用 |
CN111002564A (zh) * | 2019-10-18 | 2020-04-14 | 南通大学 | 一种吹塑成形工艺参数在线调控方法 |
CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2590891A (en) * | 2019-10-24 | 2021-07-14 | Sony Interactive Entertainment Europe Ltd | Apparatus and method of user analysis and content selection |
-
2021
- 2021-06-04 CN CN202110624709.9A patent/CN113515891B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU1616048C (ru) * | 1989-05-06 | 1994-03-30 | Государственный научно-исследовательский и проектный институт азотной промышленности и продуктов органического синтеза | Способ получения пористой гранулированной аммиачной селитры |
WO2002088903A2 (en) * | 2001-04-30 | 2002-11-07 | Heuristics Usa, Ltd. | Predictive method |
CN104464232A (zh) * | 2014-12-04 | 2015-03-25 | 广东振声科技股份有限公司 | 乳化炸药生产工艺过程中基于危险源的预测预警检测模型 |
CN107563052A (zh) * | 2017-08-31 | 2018-01-09 | 西安近代化学研究所 | 一种侵彻型炸药装药组合结构仿真设计方法 |
CN110746311A (zh) * | 2019-10-18 | 2020-02-04 | 北京华泰诺安探测技术有限公司 | 一种纳米荧光传感材料及其荧光传感薄膜和薄膜阵列、制备方法及应用 |
CN111002564A (zh) * | 2019-10-18 | 2020-04-14 | 南通大学 | 一种吹塑成形工艺参数在线调控方法 |
CN111259601A (zh) * | 2020-01-16 | 2020-06-09 | 南华大学 | 基于随机ga-bp神经网络群的爆破块度预测方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
杨阳.中国优秀硕士学位论文全文数据库.2011,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113515891A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN113515891B (zh) | 一种乳化炸药质量预测和优化方法 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
CN113107626B (zh) | 一种基于多变量lstm的联合循环发电机组负荷预测方法 | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN113128124B (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
CN113673679A (zh) | 一种基于粒子群优化神经网络的烘丝工艺参数选取方法 | |
CN112271731B (zh) | 一种风电功率多时段时间序列场景的生成及消减方法 | |
CN111178594A (zh) | 一种火电机组调峰能力预测方法、装置及系统 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
Li et al. | Aero-engine exhaust gas temperature prediction based on LightGBM optimized by improved bat algorithm | |
CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN116488151A (zh) | 一种基于条件生成对抗网络的短期风电功率预测方法 | |
CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
CN116127831A (zh) | 一种重型燃气轮机难测参数软测量方法 | |
CN115423174A (zh) | 一种计及波动过程划分的短期风电功率预测方法 | |
CN112183642A (zh) | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 | |
Kumari et al. | Remaining useful life prediction using hybrid neural network and genetic algorithm approaches | |
CN111814861A (zh) | 一种基于双自学习模型的在线冷却控制方法 |
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 |