CN113591384B - 一种基于门控卷积网络的水泥成品比表面积预测方法 - Google Patents
一种基于门控卷积网络的水泥成品比表面积预测方法 Download PDFInfo
- Publication number
- CN113591384B CN113591384B CN202110882199.5A CN202110882199A CN113591384B CN 113591384 B CN113591384 B CN 113591384B CN 202110882199 A CN202110882199 A CN 202110882199A CN 113591384 B CN113591384 B CN 113591384B
- Authority
- CN
- China
- Prior art keywords
- gating
- layer
- convolution
- data
- surface area
- 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
- 239000004568 cement Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 9
- 239000000843 powder Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种门控卷积网络的水泥成品比表面积预测方法，属于预测技术领域，包括如下步聚：从生产数据库中选取与比表面积密切相关的8个变量，并按照时间序列排列，再进行归一化，将归一化后的数据输入门控卷积网络进行前项传播，得到水泥比表面积的预测值；再利用Adam梯度下降算法进行神经网络权值的更新，反复训练得到最小误差，获取最优模型参数集；将待测试变量数据输入到训练好的门控卷积网络模型中，得到待测试的水泥成品比表面积预测值，既节约了成本又提高生产效率还在一定程度上提高了水泥成品的性能。
Description
技术领域
本发明涉及水泥磨水泥成品质量指标-比表面积预测技术领域，尤其涉及一种基于门控卷积网络的水泥成品比表面积预测方法。
背景技术
水泥是我国基础设施建设和人民房屋建设不可或缺的原材料之一，水泥制造业作为生产水泥的流程工业，其地位自然十分重要。水泥的比表面积与水泥的性能密切相关，所谓的水泥比表面积指的就是单位质量的水泥具有的表面积。水泥研磨过程的调度与优化往往决定着水泥的比表面积，所以对水泥比表面积进行精准预测，可以为水泥研磨过程的优化，以及综合能耗的调优和水泥产品的评价提供依据。
如今，国内外检测水泥比表面积通常采用离线和在线两类方法。离线法指的是按每固定的时间间隔在现场进行取样，然后进行化验分析。这种方法样本量小代表性不足，又因为每次采样有一定的时间间隔所以存在一定的滞后性；而在线法则是在水泥生产过程中直接监测水泥的比表面积和细度，并且将监测到的水泥的比表面积和细度等信息传送到计算机。虽然这种方法解决滞后性的问题，但是在线监测系统往往成本较高，日常的维护也较为复杂。
针对上述问题，王贵生等人采用一元线性回归法建立了45μm水泥细度和水泥比表面积的回归方程，实现水泥比表面积的预测。但这种方法仅根据单一指标进行预测，实际生产过程中误差大，而且没有考虑到水泥磨复杂工况下的变量耦合、时变时延等问题。
发明内容
本发明为了解决上述缺陷，提出一种基于门控卷积网络的水泥成品比表面积预测方法，该方法既解决水泥磨复杂工况多变量、强耦合，难以建立机理模型的问题，又解决变量数据与水泥成品比表面积指标之间存在时变时延，预测准确度差的问题。
为解决上述技术问题，本发明所采用的技术方案是：
一种基于门控卷积网络的水泥成品比表面积预测方法，包括以下步骤：
步骤S1：分析整个水泥磨工艺选取与水泥比表面积相关的输入变量，输入变量的数据建立数据库，从数据库提取训练数据，训练数据包括8个与水泥比表面积密切相关的变量，8个变量包括辊压机挡板开度量、喂料量反馈量、选粉机电流、选粉机转速反馈量、循环风机挡板开度量、循环风机变频反馈量、水泥磨主机电流和出磨提升机电流；还有水泥比表面积的真实值，将训练数据进行预处理，首先将选择的变量数据按照时间序列排列，然后将数据进行归一化处理；
步骤S2：搭建基于门控卷积网络，该网络包括输入层、门控卷积层、池化层、全连接层和输出层，其中门控卷积层包括卷积单元和门控单元；归一化处理后的数据输入到门控卷积网络，其中8个变量的数据作为训练样本，真实的水泥比表面积数据作为标签值，数据先经过输入层进入门控卷积层，在门控卷积层数据分别经过卷积单元提取特征以及门控单元提取门控参数，再将两者逐元素相乘，以决定有多少当前时刻的信息要输入下一层，经过步长为2的最大池化层将数据量压缩一半，接着将数据输入下一层。重复上述过程三次，共经过三层门控卷积层，最后将数据经过全连接层到达输出层，完成了基于门控卷积网络的一次前向传播；
步骤S3：将输出层输出数据和标签进行比较以计算损失函数，再利用反向传播算法更新每一层的参数，参数包括：卷积单元的卷积核权重以及偏置、门控单元的门控权重和全连接层到输出层的权重以及偏置。重复反向传播过程，直到损失函数的误差满足要求或者到达指定的迭代次数为止；经过上述过程的反复训练，即可实现误差的最小化，退出循环，完成训练，完成了基于门控卷积网络的一次反向传播；
步骤S4：用训练好的参数构建门控卷积网络预测模型，实现水泥比表面积的软测量。
本发明技术方案的进一步改进在于：步骤S1中，将输入门控卷积网络的数据进行重构，并将数据进行最大-最小值归一化，公式如下：
其中，x1,x2,...,xn为输入序列，y1,y2,...,yn为归一化后的序列。
本发明技术方案的进一步改进在于：步骤S2中，基于门控卷积网络的前向传播具体的计算过程如下：
卷积单元需要学习参数的有卷积核权重WC、偏置b，门控单元需要学习的参数有门控权重VG、偏置c，全连接层需要学习的参数有权重DB、偏置a，随机初始化这些权值然后开始前向传播：
输入变量X经过卷积单元计算得到的卷积矩阵为A，计算公式为X*WC+b；同理，门控单元计算得到的卷积矩阵为B，计算公式为X*VG+c，经过sigmiod激活函数变为门控权重矩阵即σ(B)，其中σ表示sigmiod计算，最后将卷积矩阵和门控矩阵逐元素相乘得到门控卷积层H的计算公式：
其中，表示矩阵逐元素相乘，H再经过滑窗为2的最大池化层将数据进行降采样以提取更广范的特征，再将提取到的特征输入下一层。
全连接层到输出层的传播公式为Y＝F*DB+a，其中F为最后一层门控卷积层输出矩阵展平成一维的矩阵，Y为输出矩阵，至此完成一次前向传播。
本发明技术方案的进一步改进在于：步骤S3中，基于门控卷积网络的反向传播具体的计算过程如下：
反向传播分为两个部分，分别是输出层到全连接层以及下层卷积门控层到上层门控卷积层。首先定义均方误差损失函数为：
其中，和yt分别为t时刻的预测数据和真实标签，L为损失函数；
下面推导DB权值的梯度更新公式：
其中，DB,t,i表示全连接层t时刻权重矩阵的第i个权值，
其梯度计算公式如下：
其中，Ft为t时刻最后一层门控卷积层输出矩阵展平成一维的矩阵，at为全连接层t时刻的偏置；
与权重对应的t时刻偏置at的梯度为：
同理，门控卷积层的梯度计算公式：
其中，表示梯度；
接着进行权值的更新，更新公式为：
其中，η为学习率，W表示权重；
至此完成了一次反向传播，通过循环迭代更新网络的权值参数，直到误差小于设定阈值或达到最大训练次数，退出循环，完成训练。
由于采用了上述技术方案，本发明取得的技术进步是：
本发明建立的水泥比表面积预测模型，将各变量按照时间序列输入网络，对应于某一时刻的水泥比表面积真实值，这有效的解决了变量时变时延特性对水泥比表面积预测的影响。
本发明建立的门控卷积网络模型，充分利用变量的时序特性，不但具有循环神经网络(RNN)模型的记忆功能同时有卷积神经网络的便捷性和低复杂性，并且能够克服RNN无法并行处理数据、梯度消失和梯度爆炸问题，这可以大大降低训练网络的时间成本。
本发明既解决水泥磨复杂工况多变量、强耦合，难以建立机理模型的问题，又解决变量数据与水泥成品比表面积指标之间存在时变时延，预测准确度差的问题。
附图说明
图1是本发明在线预测模型流程图；
图2是本发明在线预测模型的结构图；
图3是本发明的门控卷积层的结构图；
具体实施方式
本发明为基于门控卷积网络的水泥成品比表面积预测方法，该方法既解决了水泥磨复杂工况多变量、强耦合，难以建立机理模型的问题，又解决了变量数据与水泥成品比表面积指标之间存在时变时延，预测精确度不高的问题。
“门控卷积网络”英文为Gated Convolutional Neural Network，缩写为GCNN；
“循环神经网络”英文为Recurrent Neural Network，缩写为RNN；
“反向传播算法”英文为Back-Propagation Through Time，缩写为BPTT；
“自适应矩估计算法”英文为Adaptive Moment Estimation，缩写为Adam。
下面结合附图对本发明做进一步详细说明：
本发明提出了一种基于门控卷积网络的水泥成品比表面积预测方法，如图1到图3所示，包括以下步骤：
步骤S1：分析整个水泥磨工艺流程选取与水泥比表面积相关的输入变量，输入变量的数据建立数据库，从数据库提取训练数据，训练数据包括8个与水泥比表面积密切相关的变量，8个变量包括辊压机挡板开度量、喂料量反馈量、选粉机电流、选粉机转速反馈量、循环风机挡板开度量、循环风机变频反馈量、水泥磨主机电流和出磨提升机电流；还有水泥比表面积的真实值。将训练数据进行预处理，首先将选择的变量数据按照时间序列排列，然后将输入门控卷积网络的数据进行重构，并将数据进行最大-最小值归一化，公式如下：
其中，x1,x2,...,xn为输入序列，y1,y2,...,yn为归一化后的序列。
步骤S2：搭建基于门控卷积网络，该网络包括输入层、门控卷积层、池化层、全连接层和输出层,其中门控卷积层包括卷积单元和门控单元。归一化处理后的数据输入到门控卷积网络，其中8个变量的数据作为训练样本，真实的水泥比表面积数据作为标签值。数据先经过输入层进入门控卷积层，在门控卷积层数据分别经过卷积单元提取特征以及门控单元提取门控参数，再将两者逐元素相乘，以决定有多少当前时刻的信息要输入下一层。经过步长为2的最大池化层将数据量压缩一半，接着将数据输入下一层。重复上述过程三次，共经过三层门控卷积层，最后将数据经过全连接层到达输出层，具体前向传播过程如下：
卷积单元需要学习参数的有卷积核权重WC、偏置b，门控单元需要学习的参数有门控权重VG、偏置c，全连接层需要学习的参数有权重DB、偏置a，卷积核的大小为2，随机初始化这些权值然后开始前向传播：
输入变量X经过卷积单元计算得到的卷积矩阵为A，计算公式为X*WC+b；同理，门控单元计算得到的卷积矩阵为B，计算公式为X*VG+c，经过sigmiod激活函数变为门控权重矩阵即σ(B)，其中σ表示sigmiod计算，最后将卷积矩阵和门控矩阵逐元素相乘得到门控卷积层H的计算公式如下，其中表示矩阵逐元素相乘：
H再经过滑窗为2的最大池化层将数据进行降采样以提取更广范的特征，再将提取到的特征输入下一层。
全连接层到输出层的传播公式为Y＝F*DB+a，其中F为最后一层门控卷积层输出矩阵展平成一维的矩阵，Y为输出矩阵，至此完成一次前向传播。
步骤S3：将输出层输出数据和标签进行比较以计算损失函数，再利用反向传播算法更新每一层的参数。参数包括：卷积单元的卷积核权重以及偏置、门控单元的门控权重和全连接层到输出层的权重以及偏置。重复反向传播过程，直到损失函数的误差满足要求或者到达指定的迭代次数为止；经过上述过程的反复训练，即可实现误差的最小化，具体的反向传播具体的计算过程如下：
反向传播分为两个部分，分别是输出层到全连接层以及下层卷积门控层到上层门控卷积层。首先定义均方误差损失函数为：
上式中，和yt分别为t时刻的预测数据和真实标签，L为损失函数；下面推导DB权值的梯度更新公式：
下式中，DB,t,i表示全连接层t时刻权重矩阵的第i个权值，其梯度计算公式如下：
其中，Ft为t时刻最后一层门控卷积层输出矩阵展平成一维的矩阵，at为全连接层t时刻的偏置；
与权重对应的t时刻偏置at的梯度为：
同理，门控卷积层的梯度计算公式为，其中表示梯度：
接着进行权值的更新，η为学习率，W表示权重，更新公式为：
至此完成了一次反向传播，通过循环迭代更新网络的权值参数，直到误差小于设定阈值或达到最大训练次数，退出循环，完成训练。
步骤S4：用训练好的参数构建门控卷积网络预测模型，实现水泥比表面积的软测量。
在本方法中，从水泥企业生产数据库中提取2934组数据，并按所述方法进行数据处理和模型训练。选取其中2734组作为训练数据，其余200组作为预测数据以验证模型有效性。其中训练过程均方根误差为0.046335，平均绝对误差为0.0319002，平均相对误差为0.0927128；测试过程均方根误差0.0829104，平均绝对误差为0.0625132，平均相对误差为0.177337。
综上所述，本发明公开了一种门控卷积网络的水泥成品比表面积预测方法，该方法先从生产数据库中选取与比表面积密切相关的8个变量，并按照时间序列排列，再进行归一化；然后将归一化后的数据输入门控卷积网络进行前项传播，得到水泥比表面积的预测值；再利用Adam梯度下降算法进行神经网络权值的更新，反复训练得到最小误差，获取最优模型参数集；最后将待测试变量数据输入到训练好的门控卷积网络模型中，得到待测试的水泥成品比表面积预测值。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种基于门控卷积网络的水泥成品比表面积预测方法，其特征在于：包括以下步骤：
步骤S1：分析整个水泥磨工艺选取与水泥比表面积相关的输入变量，输入变量的数据建立数据库，从数据库提取训练数据，训练数据包括8个与水泥比表面积密切相关的变量，8个变量包括辊压机挡板开度量、喂料量反馈量、选粉机电流、选粉机转速反馈量、循环风机挡板开度量、循环风机变频反馈量、水泥磨主机电流和出磨提升机电流；还有水泥比表面积的真实值，将训练数据进行预处理，首先将选择的变量数据按照时间序列排列，然后将数据进行归一化处理；
步骤S2：搭建基于门控卷积网络，该网络包括输入层、门控卷积层、池化层、全连接层和输出层，其中门控卷积层包括卷积单元和门控单元；归一化处理后的数据输入到门控卷积网络，其中8个变量的数据作为训练样本，真实的水泥比表面积数据作为标签值，数据先经过输入层进入门控卷积层，在门控卷积层数据分别经过卷积单元提取特征以及门控单元提取门控参数，再将两者逐元素相乘，以决定有多少当前时刻的信息要输入下一层，经过步长为2的最大池化层将数据量压缩一半，接着将数据输入下一层,重复上述过程三次，共经过三层门控卷积层，最后将数据经过全连接层到达输出层，完成了基于门控卷积网络的一次前向传播；
步骤S3：将输出层输出数据和标签进行比较以计算损失函数，再利用反向传播算法更新每一层的参数，参数包括：卷积单元的卷积核权重以及偏置、门控单元的门控权重和全连接层到输出层的权重以及偏置，重复反向传播过程，直到损失函数的误差满足要求或者到达指定的迭代次数为止；经过上述过程的反复训练，即可实现误差的最小化，退出循环，完成训练，完成了基于门控卷积网络的一次反向传播；
步骤S4：用训练好的参数构建门控卷积网络预测模型，实现水泥比表面积的软测量。
2.根据权利要求1所述的一种基于门控卷积网络的水泥成品比表面积预测方法，其特征在于：所述步骤S1中，将输入门控卷积网络的数据进行重构，并将数据进行最大-最小值归一化，公式如下：
其中，x1,x2,...,xn为输入序列，y1,y2,...,yn为归一化后的序列。
3.根据权利要求1所述的一种基于门控卷积网络的水泥成品比表面积预测方法，其特征在于：所述步骤S2中，基于门控卷积网络的前向传播具体的计算过程如下：
卷积单元需要学习参数的有卷积核权重WC、偏置b，门控单元需要学习的参数有门控权重VG、偏置c，全连接层需要学习的参数有权重DB、偏置a，随机初始化这些权值然后开始前向传播：
输入变量X经过卷积单元计算得到的卷积矩阵为A，计算公式为X*WC+b；同理，门控单元计算得到的卷积矩阵为B，计算公式为X*VG+c，经过sigmiod激活函数变为门控权重矩阵即σ(B)，其中σ表示sigmiod计算，最后将卷积矩阵和门控矩阵逐元素相乘得到门控卷积层H的计算公式如下:
其中,表示矩阵逐元素相乘,H再经过滑窗为2的最大池化层将数据进行降采样以提取更广范的特征，再将提取到的特征输入下一层；
全连接层到输出层的传播公式为Y＝F*DB+a，其中,F为最后一层门控卷积层输出矩阵展平成一维的矩阵，Y为输出矩阵，至此完成一次前向传播。
4.根据权利要求1所述的一种基于门控卷积网络的水泥成品比表面积预测方法，其特征在于：所述步骤S3中，基于门控卷积网络的反向传播具体的计算过程如下：
反向传播分为两个部分，分别是输出层到全连接层以及下层卷积门控层到上层门控卷积层,首先定义均方误差损失函数为：
其中，和yt分别为t时刻的预测数据和真实标签，L为损失函数；
下面推导DB权值的梯度更新公式：
其中，DB,t,i表示全连接层t时刻权重矩阵的第i个权值；
其梯度计算公式如下：
其中，Ft为t时刻最后一层门控卷积层输出矩阵展平成一维的矩阵，at为全连接层t时刻的偏置；
与权重对应的t时刻偏置at的梯度为：
同理，门控卷积层的梯度计算公式：
其中，表示梯度；
接着进行权值的更新，更新公式：
其中，η为学习率，W表示权重；
至此完成了一次反向传播，通过循环迭代更新网络的权值参数，直到误差小于设定阈值或达到最大训练次数，退出循环，完成训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110882199.5A CN113591384B (zh) | 2021-08-02 | 2021-08-02 | 一种基于门控卷积网络的水泥成品比表面积预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110882199.5A CN113591384B (zh) | 2021-08-02 | 2021-08-02 | 一种基于门控卷积网络的水泥成品比表面积预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113591384A CN113591384A (zh) | 2021-11-02 |
| CN113591384B true CN113591384B (zh) | 2023-08-18 |
Family
ID=78253996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110882199.5A Active CN113591384B (zh) | 2021-08-02 | 2021-08-02 | 一种基于门控卷积网络的水泥成品比表面积预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113591384B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2595284C1 (ru) * | 2015-05-26 | 2016-08-27 | Акционерное общество "Научно-исследовательский центр "Строительство", АО "НИЦ "Строительство" | Волокнистый наноцемент и способ его изготовления |
| CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
| CN111950697A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 一种基于门控循环单元网络的水泥成品比表面积预测方法 |
-
2021
- 2021-08-02 CN CN202110882199.5A patent/CN113591384B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2595284C1 (ru) * | 2015-05-26 | 2016-08-27 | Акционерное общество "Научно-исследовательский центр "Строительство", АО "НИЦ "Строительство" | Волокнистый наноцемент и способ его изготовления |
| CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
| CN111950697A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 一种基于门控循环单元网络的水泥成品比表面积预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113591384A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109934337B (zh) | 一种基于集成lstm的航天器遥测数据异常的检测方法 | |
| CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
| CN108875771B (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
| CN111950191B (zh) | 基于混合深度神经网络的回转窑烧结温度预测方法 | |
| CN113591374B (zh) | 基于卷积简单循环单元网络的水泥成品比表面积预测方法 | |
| CN104914723A (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
| CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN111177970B (zh) | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 | |
| CN114282443A (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| CN115545321A (zh) | 一种制丝车间工艺质量在线预测方法 | |
| CN111832703B (zh) | 一种流程制造工业不规则采样动态序列建模方法 | |
| CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
| Wang et al. | Life prediction for machinery components based on CNN-BiLSTM network and attention model | |
| CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
| CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
| CN113591384B (zh) | 一种基于门控卷积网络的水泥成品比表面积预测方法 | |
| Wenqiang et al. | Remaining useful life prediction for mechanical equipment based on temporal convolutional network | |
| CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
| CN116757078A (zh) | 一种基于作用力的煤粉流速测量方法及系统 | |
| CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
| CN116128165A (zh) | 一种基于miv-bp的建筑构件质量预测方法及系统 | |
| CN111061151A (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
| CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
| CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 |
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 |