CN114236104A - 游离氧化钙测量方法、装置、设备、介质及产品 - Google Patents
游离氧化钙测量方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN114236104A CN114236104A CN202111259928.8A CN202111259928A CN114236104A CN 114236104 A CN114236104 A CN 114236104A CN 202111259928 A CN202111259928 A CN 202111259928A CN 114236104 A CN114236104 A CN 114236104A
- Authority
- CN
- China
- Prior art keywords
- calcium oxide
- free calcium
- sample
- historical
- time
- 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.)
- Pending
Links
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 title claims abstract description 275
- 239000000292 calcium oxide Substances 0.000 title claims abstract description 275
- BRPQOXSCLDDYGP-UHFFFAOYSA-N calcium oxide Chemical compound [O-2].[Ca+2] BRPQOXSCLDDYGP-UHFFFAOYSA-N 0.000 title claims abstract description 272
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005259 measurement Methods 0.000 claims abstract description 196
- 238000002360 preparation method Methods 0.000 claims abstract description 132
- 238000003556 assay Methods 0.000 claims description 75
- 239000000463 material Substances 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 33
- 239000002994 raw material Substances 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 76
- 239000004568 cement Substances 0.000 description 27
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000011049 filling Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000002485 combustion reaction Methods 0.000 description 9
- 229910052681 coesite Inorganic materials 0.000 description 8
- 229910052906 cristobalite Inorganic materials 0.000 description 8
- 229910052682 stishovite Inorganic materials 0.000 description 8
- 229910052905 tridymite Inorganic materials 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 7
- 235000012054 meals Nutrition 0.000 description 7
- 230000008030 elimination Effects 0.000 description 6
- 238000003379 elimination reaction Methods 0.000 description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000004931 aggregating effect Effects 0.000 description 4
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 4
- 238000001354 calcination Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 229910052593 corundum Inorganic materials 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000000377 silicon dioxide Substances 0.000 description 4
- 229910001845 yogo sapphire Inorganic materials 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 235000012239 silicon dioxide Nutrition 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Ceramic Engineering (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Compounds Of Alkaline-Earth Elements, Aluminum Or Rare-Earth Metals (AREA)
Abstract
本公开实施例公开了一种游离氧化钙测量方法、装置、设备、介质及产品,该游离氧化钙测量方法包括获取预设时间段内多个测量位置处的特征变量,所述特征变量与制备结果中游离氧化钙含量相关;使用训练好的预测模型,基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及一种游离氧化钙测量方法、装置、设备、介质及产品。
背景技术
在水泥熟料的燃烧过程中,由于原料的成分与结构、生料配比、细度、均匀性以及熟料煅烧温度、时间和冷却制度等因素的影响,有少量的CaO没能与酸性氧化物SiO2与Al2O3、Fe2O3等结合形成矿物,而以游离状态存在,可以称之为游离氧化钙(f-CaO)。水泥熟料中游离氧化钙的含量是影响水泥质量的重要因素,直接关系着水泥安定性与生产的能耗。目前,水泥熟料中游离氧化钙的测量方式主要是通过化验分析的方法离线测得水泥熟料中游离氧化钙含量,但是该测量方式对于水泥烧成系统的控制具有明显滞后性,实时性差。
发明内容
为了解决相关技术中的问题,本公开实施例提供一种游离氧化钙测量方法、装置、电子设备、介质及程序产品。
第一方面,本公开实施例中提供了一种游离氧化钙测量方法。
具体地,所述游离氧化钙测量方法,包括:
获取预设时间段内多个测量位置处的特征变量,所述特征变量与制备结果中游离氧化钙含量相关;
使用训练好的预测模型,基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量。
结合第一方面,本公开在第一方面的第一种实现方式中,其中,所述特征变量包括以下至少一种:预热器的出口温度、回转窑的驱动电流、回转窑的二次风温、回转窑的窑头火焰亮度参数、生料三率值。
结合第一方面、第一方面的第一种实现方式,本公开在第一方面的第二种实现方式中,其中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,所述基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量,包括:
基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述指定时刻制备结果的物料在历经各测量位置时的特征变量为第一对齐特征变量;
基于所述第一对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第三种实现方式中,其中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,所述基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量,包括:
基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,获取生成第一预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第二对齐特征变量;所述第一预设历史时间段包括所述指定时刻及其之前的一段时间;
基于所述第一预设历史时间段内各测量时刻的第二对齐特征变量,计算得到所述第一预设历史时间段对应的第一平均对齐特征变量;
基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第四种实现方式中,其中,所述指定时刻为当前时刻;所述基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量,包括:
获取生成第二预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第三对齐特征变量,所述第二预设历史时间段与所述第一预设历史时间段不同;
基于所述第二预设历史时间段内各测量时刻的第三对齐特征变量,计算得到所述第二预设历史时间段对应的第二平均对齐特征变量;
对所述第一平均对齐特征变量和所述第二平均对齐特征变量做差分计算,得到所述指定时刻的差分特征变量;
将所述指定时刻的差分特征变量输入所述预测模型,从所述预测模型得到游离氧化钙含量差值;
基于最新化验得到的游离氧化钙含量和所述游离氧化钙含量差值,得到所述指定时刻制备结果中的游离氧化钙含量。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第五种实现方式中,其中,所述第一预设历史时间段和所述第二预设时间段的时长相同、相隔预设时长且分别位于生料三率值的相邻化验周期内。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第六种实现方式中,其中,所述获取预设时间段内多个测量位置处的特征变量,包括:
响应于未获取到目标时刻目标测量位置处的特征变量,将所述目标时刻的上一时刻的所述目标测量位置处的特征变量作为所述目标时刻目标测量位置处的特征变量。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第七种实现方式中,其中,所述方法还包括:
获取历史样本数据,所述历史样本数据包括历史样本时刻的所述多个测量位置处的特征变量和历史化验周期的样本游离氧化钙含量;
对所述历史样本数据进行预处理,得到样本特征变量及其对应的样本游离氧化钙含量;
基于所述样本特征变量及其对应的样本游离氧化钙含量,训练得到所述预测模型。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第八种实现方式中,其中,所述对所述历史样本数据进行预处理,得到样本特征变量及其对应的样本游离氧化钙含量,包括:
基于所述历史样本时刻的所述多个测量位置处的特征变量和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述历史样本时刻的制备结果在历经各测量位置时的特征变量为所述历史样本时刻的对齐特征变量;
基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第九种实现方式中,其中,所述基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量,包括:
对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合,得到所述历史化验周期对应的样本特征变量。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第十种实现方式中,其中,在对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合之前,所述方法还包括:
对所述历史样本时刻的对齐特征变量进行离群点剔除和缺失值填充处理。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第十一种实现方式中,其中,所述时间窗口聚合包括正态分布加权处理。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第十二种实现方式中,其中,所述基于所述样本特征变量及其对应的样本游离氧化钙含量,训练得到所述预测模型,包括:
对所述各历史化验周期对应的样本特征变量及其样本游离氧化钙含量进行差分处理,得到差分样本特征变量和对应的差分样本游离氧化钙含量;
基于所述差分样本特征变量及其对应的差分样本游离氧化钙含量,训练得到所述预测模型。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第十三种实现方式中,其中,所述预测模型包括线性回归模型。
结合第一方面、第一方面的以上各种实现方式,本公开在第一方面的第十四种实现方式中,其中,所述对所述历史样本时刻的对齐特征变量进行离群点剔除和缺失值填充处理,包括:
采用三西格玛准则对所述历史样本时刻的对齐特征变量进行离群点剔除,采用前置填充法进行缺失值填充处理。
第二方面,本公开实施例中提供了一种游离氧化钙测量装置。
具体地,所述游离氧化钙测量装置,包括:
第一获取模块,被配置为获取预设时间段内多个测量位置处的特征变量,所述特征变量与制备结果中游离氧化钙含量相关;
预测模块,被配置为使用训练好的预测模型,基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量。
结合第二方面,本公开在第二方面的第一种实现方式中,其中,所述特征变量包括以下至少一种:预热器的出口温度、回转窑的驱动电流、回转窑的二次风温、回转窑的窑头火焰亮度参数、生料三率值。
结合第二方面、第二方面的第一种实现方式,本公开在第二方面的第二种实现方式中,其中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,所述基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量,包括:
基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述指定时刻制备结果的物料在历经各测量位置时的特征变量为第一对齐特征变量;
基于所述第一对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第三种实现方式中,其中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,所述基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量,包括:
基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,获取生成第一预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第二对齐特征变量;所述第一预设历史时间段包括所述指定时刻及其之前的一段时间;
基于所述第一预设历史时间段内各测量时刻的第二对齐特征变量,计算得到所述第一预设历史时间段对应的第一平均对齐特征变量;
基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第四种实现方式中,其中,所述指定时刻为当前时刻;所述基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量,包括:
获取生成第二预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第三对齐特征变量,所述第二预设历史时间段与所述第一预设历史时间段不同;
基于所述第二预设历史时间段内各测量时刻的第三对齐特征变量,计算得到所述第二预设历史时间段对应的第二平均对齐特征变量;
对所述第一平均对齐特征变量和所述第二平均对齐特征变量做差分计算,得到所述指定时刻的差分特征变量;
将所述指定时刻的差分特征变量输入所述预测模型,从所述预测模型得到游离氧化钙含量差值;
基于最新化验得到的游离氧化钙含量和所述游离氧化钙含量差值,得到所述指定时刻制备结果中的游离氧化钙含量。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第五种实现方式中,其中,所述第一预设历史时间段和所述第二预设时间段的时长相同、相隔预设时长且分别位于生料三率值的相邻化验周期内。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第六种实现方式中,其中,所述第一获取模块被配置为:
响应于未获取到目标时刻目标测量位置处的特征变量,将所述目标时刻的上一时刻的所述目标测量位置处的特征变量作为所述目标时刻目标测量位置处的特征变量。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第七种实现方式中,其中,所述装置还包括:
第二获取模块,被配置为获取历史样本数据,所述历史样本数据包括历史样本时刻的所述多个测量位置处的特征变量和历史化验周期的样本游离氧化钙含量;
第一处理模块,被配置为对所述历史样本数据进行预处理,得到样本特征变量及其对应的样本游离氧化钙含量;
训练模块,被配置为基于所述样本特征变量及其对应的样本游离氧化钙含量,训练得到所述预测模型。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第八种实现方式中,其中,所述第一处理模块被配置为:
基于所述历史样本时刻的所述多个测量位置处的特征变量和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述历史样本时刻的制备结果在历经各测量位置时的特征变量为所述历史样本时刻的对齐特征变量;
基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第九种实现方式中,其中,所述第一处理模块中基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量的部分被配置为:
对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合,得到所述历史化验周期对应的样本特征变量。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第十种实现方式中,其中,在对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合之前,所述装置还包括
第二处理模块,被配置为对所述历史样本时刻的对齐特征变量进行离群点剔除和缺失值填充处理。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第十一种实现方式中,其中,所述时间窗口聚合包括正态分布加权处理。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第十二种实现方式中,其中,所述训练模块被配置为:
对所述各历史化验周期对应的样本特征变量及其样本游离氧化钙含量进行差分处理,得到差分样本特征变量和对应的差分样本游离氧化钙含量;
基于所述差分样本特征变量及其对应的差分样本游离氧化钙含量,训练得到所述预测模型。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第十三种实现方式中,其中,所述预测模型包括线性回归模型。
结合第二方面、第二方面的以上各种实现方式,本公开在第二方面的第十四种实现方式中,其中,所述第二处理模块被配置为:
采用三西格玛准则对所述历史样本时刻的对齐特征变量进行离群点剔除,采用前置填充法进行缺失值填充处理。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如第一方面任一项所述的方法。
第四方面,本公开实施例中提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面所述的方法。
第五方面,本公开实施例中提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现如第一方面所述的方法步骤。
根据本公开实施例提供的技术方案,可以获取预设时间段内多个测量位置处的特征变量,所述特征变量与制备结果中游离氧化钙含量相关;使用训练好的预测模型,基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量;这样,就可以基于该预测模型预测该指定时间段如当前时刻的制备结果中的游离氧化钙含量,实现该制备结果中游离氧化钙含量的实时预测,进而据此实现稳定生产、节能降耗的功效。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本公开的实施例的游离氧化钙测量方法的流程图;
图2示出根据本公开的实施例的水泥熟料的制备工艺流程图;
图3示出根据本公开一实施方式的游离氧化钙测量方法的整体流程图;
图4示出根据本公开一实施方式的游离氧化钙测量结果与实际结果之间的曲线对比图;
图5示出根据本公开的实施例的游离氧化钙测量装置的结构框图;
图6示出根据本公开的实施例的电子设备的结构框图;
图7示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中,对用户信息或用户数据的获取均为经用户授权、确认,或由用户主动选择的操作。
在水泥熟料的燃烧过程中,由于原料的成分与结构、生料配比、细度、均匀性以及熟料煅烧温度、时间和冷却制度等因素的影响,有少量的CaO没能与酸性氧化物SiO2含量与Al2O3、Fe2O3等结合形成矿物,而以游离状态存在,可以称之为游离氧化钙(f-CaO)。水泥熟料中游离氧化钙的含量是影响水泥质量的重要因素,直接关系着水泥安定性与生产的能耗。目前,水泥熟料中游离氧化钙的测量方式主要是通过化验分析的方法离线测得水泥熟料中游离氧化钙含量,但是该测量方式对于水泥烧成系统的控制具有明显滞后性,实时性差。
考虑到上述问题,本公开提供一种游离氧化钙测量方案,可以获取预设时间段内多个测量位置处的特征变量,所述特征变量与制备结果中游离氧化钙含量相关;使用训练好的预测模型,基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量;这样,就可以基于该预测模型预测该指定时间段如当前时刻的制备结果中的游离氧化钙含量,实现该制备结果中游离氧化钙含量的实时预测,进而据此实现稳定生产、节能降耗的功效。
图1示出根据本公开的实施例的游离氧化钙测量方法的流程图。如图1所示,所述游离氧化钙测量方法包括以下步骤S101-S102:
在步骤S101中,获取预设时间段内多个测量位置处的特征变量,所述特征变量与制备结果中游离氧化钙含量相关;
在步骤S102中,使用训练好的预测模型,基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量。
在本公开一实施方式中,所述游离氧化钙测量可适用于对于游离氧化钙进行测量的计算机、计算设备、电子设备、服务器、服务器集群等等。
在本公开一实施方式中,该游离氧化钙测量方法可以用于任一制备结果中包含该游离氧化钙的制备工艺中,以预测该制备结果中的游离氧化钙含量。
在本公开一实施方式中,该预设时间段可以为一个测量时刻,该指定时间段也即该测量时刻。可以将该测量时刻的多个测量位置处的特征变量输入至该预测模型,执行该预测模型,得到该预测模型输出的该测量时刻的制备结果中的游离氧化钙含量;该测量时刻可以是当前时刻,此时,该预测模型的输出结果就是当前时刻的制备结果中的游离氧化钙含量。当然在其他实施方式中,该测量时刻也可以是某一历史测量时刻,此时,该预测模型的输出结果就是该历史测量时刻的制备结果中的游离氧化钙含量。本实施例主要用于预测当前时刻该制备结果中的游离氧化钙含量。
在本公开一实施方式中,该预设时间段可以包括两个或两个以上的测量时刻,该指定时间段可以是该预设时间段,此时,可以获取每个测量时刻的多个测量位置处的特征变量,该预测模型可以基于这些测量时刻的多个测量位置处的特征变量预测得到该指定时间段内制备结果中的游离氧化钙含量,预测得到的游离氧化钙含量是该指定时间段内制备结果中的游离氧化钙的平均含量;或者,该预设时间段可以包括两个或两个以上的测量时刻,该指定时间段可以是该预设时间段内的最后一个测量时刻,此时,该预测模型可以基于这些测量时刻的多个测量位置处的特征变量预测得到该预设时间段内最后一个测量时刻制备结果中的游离氧化钙含量。该预设时间段可以包括当前时刻,此时,该预设时间段内的最后一个时刻就是当前时刻。这里,可以直接将该预设时间段内多个测量位置处的特征变量输入至该预测模型,执行该预测模型,得到该预测模型输出的指定时间段的制备结果中的游离氧化钙含量;或者,可以将该预设时间段内多个测量位置处的特征变量进行预处理,得到符合要求的特征变量后输入值该预测模型,执行该预测模型,得到该预测模型输出的指定时间段的制备结果中的游离氧化钙含量,如此,预测出的游离氧化钙含量会更准确。
这里需要说明的是,训练该预测模型时用到的训练数据不同,则该预测模型的输入类型和输出类型也不同。
本实施例可以使用预测模型,基于包含该当前时刻的预设时间段内多个测量位置处的特征变量预测该当前时刻的制备结果中的游离氧化钙含量,实现该制备结果中特征变量的实时预测,进而据此实现稳定生产、节能降耗的功效。
在本公开一实施方式中,所述特征变量包括以下至少一种:预热器的出口温度、回转窑的驱动电流、回转窑的二次风温、回转窑的窑头火焰亮度参数、生料三率值。
在该实施方式中,该游离氧化钙测量方案可以应用于预测水泥熟料中的游离氧化钙含量,水泥熟料是以石灰石和粘土、铁质原料为主要原料,按适当比例配制成生料,烧至部分或全部熔融,并经冷却等流程制备而成,最长用的水泥熟料主要化学成分为氧化钙、二氧化硅和少量的氧化铝、氧化铁,在制备该水泥熟料的过程中有少量的CaO没能与酸性氧化物SiO2含量与Al2O3、Fe2O3等结合形成矿物,成为游离氧化钙。示例的,图2示出根据本公开的实施例的水泥熟料的制备工艺流程图。如图2所示,物料可以从物料入口21进入预热器22进行物料预热,在预热完成后就会从预热器出口221流出,进入至回转窑23,物料在该回转窑23内进行煅烧后会进行分解,该回转窑23包括窑头231和窑尾232,该回转窑23出口的物料会进入篦冷机24,该篦冷机24可以对该回转窑23出口的物料进行冷却,该篦冷机24可以输出最终的制备结果即水泥熟料,该水泥熟料中具有游离氧化钙,可以对该游离氧化钙含量进行实时检测,以实时调控工艺参数,实现水泥熟料的稳定生产、节能降耗。
在该实施方式中,可以对该水泥熟料制备工艺进行特征筛选,以得到与制备结果中游离氧化钙含量相关的多个测量位置处的特征变量;当游离氧化钙含量偏高时,操作员们一般进行如下操作:1、增加预热器用煤量,进而导致预热器出口温度上升,减小回转窑内的负荷,从而增大回转窑的驱动电流、回转窑内物料的黏度和回转窑出口的温度,进而使窑头火焰燃烧加剧、回转窑的二次风温上升,增大回转窑内的分解率。2、增加回转窑的窑头用煤量,直接使窑头火焰燃烧加剧、回转窑的二次风温上升,增大窑内分解率。进而研究发现,当其他因素不变时,生料三率值与游离氧化钙含量正相关。在生料三率值不变时,观察回转窑的驱动电流、回转窑的二次风温、回转窑的窑头火焰燃烧程度的变化,发现它们与游离氧化钙含量负相关;故,可以分析得到该多个测量位置处的特征变量可以包括预热器的出口温度、回转窑的驱动电流、回转窑的二次风温、回转窑的窑头火焰亮度参数和生料三率值中的一种、两种或两种以上的变量。优选的,该多个测量位置处的特征变量可以包括以上的七种变量,采用的特征变量的种类越多,该预测模型的预测结果越准确。
在该实施方式中,该生料三率值包括硅率(SM),铝率(IM)和饱和比(KH),硅率是指水泥熟料中SiO2含量与Al2O3、Fe2O3之和的比;铝率是指水泥熟料中Al2O3含量与Fe2O3含量之比;饱和比表示水泥熟料中二氧化硅被氧化钙饱和成A矿的程度,该生料三率值可以通过化验该水泥熟料得到。该回转窑的窑头火焰亮度可以反应该回转窑的窑头火焰燃烧程度,火焰亮度越亮反应火焰燃烧越剧烈,可以采用图像识别技术对拍摄到的窑头燃烧火焰图像进行亮度识别,识别出的亮度参数即为该回转窑的窑头火焰亮度;示例的,可以将识别出的亮度分为0、1、2、3、4五个亮度等级,使用该5个等级的亮度来反应燃烧的剧烈程度。该回转窑的二次风温指的是向回转窑内补充固定碳燃烧的助燃风的温度。该预热器的出口温度、回转窑的驱动电流、回转窑的二次风温可以通过该水泥熟料制备系统的DCS(DistributedControl System,分散控制系统)来获取。
在本公开一实施方式中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,上述游离氧化钙测量方法中的步骤S102还可以实现为以下步骤S1021和步骤S1022。其中:
在步骤S1021中,基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述指定时刻制备结果的物料在历经各测量位置时的特征变量为第一对齐特征变量;
在步骤S1022中,基于所述第一对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
在该实施方式中,在流程工业中,各个测量位置之间会有时间滞后的问题,同一批物料历经各测量位置的时刻不同,为了使特征变量之间具备更好的关联性,进而对游离氧化钙含量进行更准确的预测,可以对同一批物料历经各测量位置的时刻进行对齐,获取指定时刻制备结果的物料在历经各测量位置时的特征变量为第一对齐特征变量。由于物料在各测量位置之间不断传输,故可以基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述指定时刻制备结果的物料在历经各测量位置时的特征变量为第一对齐特征变量。示例的,假设多个测量位置处的特征变量包括变量A-预热器的出口温度、变量B-回转窑的驱动电流、变量C-回转窑的二次风温、变量D-回转窑的窑头火焰亮度参数、变量E-篦冷机出口制备结果中的生料三率值;该制备工艺中的相关测量位置包括预热器出口、回转窑内、回转窑窑头和篦冷机出口;该制备流程中物料在各相关测量位置间的传输时间为:预热器出口与回转窑内之间的传输时间为(t2-t1)、回转窑内与回转窑窑头之间的传输时间为(t3-t2)、回转窑窑头和篦冷机出口之间的传输时间为(t4-t3)。获取到的测量时刻t1、t2、t3和t4的多个测量位置处的特征变量:t1时刻的多个测量位置处的特征变量-变量A1、变量B1、变量C1、变量D1、变量E1;t2时刻的多个测量位置处的特征变量-变量A2、变量B2、变量C2、变量D2、变量E2;t3时刻的多个测量位置处的特征变量-变量A3、变量B3、变量C3、变量D3、变量E3;t4时刻的多个测量位置处的特征变量-变量A4、变量B4、变量C4、变量D4、变量E4;t4时刻为指定时刻,则可以获取到t4时刻的制备结果的物料在历经各相关测点时的特征变量为:t4时刻的制备结果中的生料三率值即变量E4、t4-(t4-t3)=t3时刻的回转窑的窑头火焰亮度参数即变量D3、t3-(t3-t2)=t2时刻的回转窑的驱动电流和回转窑的二次风温即变量B2和变量C2、t2-(t2-t1)=t1时刻的预热器的出口温度即变量A1。即获取到该指定时刻t4的第一对齐特征变量为变量E4、变量D3、变量B2、变量C2和变量A1。
在该实施方式中,可以直接将该指定时刻的第一对齐特征变量输入至该预测模型中,执行该预测模型,得到指定时刻制备结果中的游离氧化钙含量;或者,也可以将该指定时刻的第一对齐特征变量做预处理后输入值该预测模型中,执行该预测模型,得到该指定时刻制备结果中的游离氧化钙含量,示例的,该预处理可以是将指定时刻对应的第一对齐特征变量与上一时刻的对齐特征变量做差分处理,等等。
本实施例可以获取生成所述指定时刻制备结果的物料在历经各测量位置时的特征变量为第一对齐特征变量,基于该第一对齐特征变量进行游离氧化钙含量预测,由于该第一对齐特征变量增强了特征变量之间的关联性,所以据此对游离氧化钙含量进行预测就会更准确。
在本公开一实施方式中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,上述方法中的步骤S102还可以实现为以下步骤S1023至步骤S1025。其中:
在步骤S1023中,基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,获取生成第一预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第二对齐特征变量;所述第一预设历史时间段包括所述指定时刻及其之前的一段时间;
在步骤S1024中,基于所述第一预设历史时间段内各测量时刻的第二对齐特征变量,计算得到所述第一预设历史时间段对应的第一平均对齐特征变量;
在步骤S1025中,基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
在该实施方式中,可以参考上述步骤S1021中同一批物料在历经各测量位置时刻的对齐描述获取第一预设历史时间段内每个测量时刻对应的第二对齐特征变量。
在该实施方式中,可以对该第一预设历史时间段内各测量时刻的第二对齐特征变量进行简单的算术平均数计算得到该第一平均对齐特征变量,也可以对该第二对齐特征变量进行加权平均数计算得到该第一平均对齐特征变量。示例的,可以按照权值与各测量时刻或指定时刻的间隔值呈反比的关系,确定各测量时刻的第二对齐特征变量的权值,这样,离该指定时刻越近对应的权值越大,可以得到更能反应指定时刻制备结果中的游离氧化钙含量的第一平均对齐特征变量。
在该实施方式中,可以直接将该第一平均对齐特征变量输入至该预测模型中,执行该预测模型,得到指定时刻制备结果中的游离氧化钙含量;或者,也可以将该第一平均对齐特征变量做预处理后输入值该预测模型中,执行该预测模型,得到指定时刻制备结果中的游离氧化钙含量,示例的,该预处理可以是将该第一预设历史时间段对应的第一平均对齐特征变量与另一个预设历史时间段对应的平均对齐特征变量做差分处理,等等。
本实施例基于该第一预设历史时间段对应的第一平均对齐特征变量进行预测,由于第一平均对齐特征变量为离该指定时刻最近一段时间的对齐特征变量的平均值,可以更准确地反应该指定时刻的游离氧化钙含量,因此预测到的该指定时刻制备结果中的游离氧化钙含量更准确。
在本公开一实施方式中,所述指定时刻为当前时刻;上述游离氧化钙测量方法中的步骤S1025还可以实现为以下步骤A1至A5。
在步骤A1中,获取生成第二预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第三对齐特征变量,所述第二预设历史时间段与所述第一预设历史时间段不同;
在步骤A2中,基于所述第二预设历史时间段内各测量时刻的第三对齐特征变量,计算得到所述第二预设历史时间段对应的第二平均对齐特征变量;
在步骤A3中,对所述第一平均对齐特征变量和所述第二平均对齐特征变量做差分计算,得到所述指定时刻的差分特征变量;
在步骤A4中,将所述指定时刻的差分特征变量输入所述预测模型,从所述预测模型得到游离氧化钙含量差值;
在步骤A5中,基于最新化验得到的游离氧化钙含量和所述游离氧化钙含量差值,得到所述指定时刻制备结果中的游离氧化钙含量。
在该实施方式中,可以参考上述步骤S1021的描述获取第二预设历史时间段内每个测量时刻对应的第三对齐特征变量。
在该实施方式中,与上述步骤S1024相同,可以对该第三对齐特征变量进行简单的算术平均数计算得到该第二平均对齐特征变量,也可以对该第三对齐特征变量进行加权平均数计算得到该第二平均对齐特征变量。
在该实施方式中,该差分处理是指将第一平均对齐特征变量中的各变量减去该第二平均对齐特征变量中的相应变量;示例的,假设第一平均对齐特征变量为预热器的出口温度对齐平均值A11、回转窑的驱动电流对齐平均值B11、回转窑的二次风温对齐平均值C11、回转窑的窑头火焰亮度参数对齐平均值D11、生料三率值对齐平均值E11,第二平均对齐特征变量为预热器的出口温度对齐平均值A22、回转窑的驱动电流对齐平均值B22、回转窑的二次风温对齐平均值C22、回转窑的窑头火焰亮度参数对齐平均值D22、生料三率值对齐平均值E22,该指定时刻的差分特征变量为A11-A22、B11-B22、C11-C22、D11-D22、E11-E22。
在该实施方式中,该预测模型可以基于该差分特征变量预测出游离氧化钙含量差值,然后将最新化验得到的游离氧化钙含量加上所述游离氧化钙含量差值就可以得到指定时刻即当前时刻制备结果中的游离氧化钙含量。
在该实施方式中,可以周期性或定时的化验该制备结果,化验得到该制备结果中真实的游离氧化钙含量。
本实施例基于差分特征变量预测出游离氧化钙含量差值,可以预测出该游离氧化钙含量的变化趋势,且最后的当前时刻制备结果中的游离氧化钙含量是由该最新化验得到的游离氧化钙含量即历史真实化验的游离氧化钙含量与预测出的该游离氧化钙含量的变化来确定的,故可以在线纠正该游离氧化钙含量的预测值。
在本公开一实施方式中,所述第一预设历史时间段和所述第二预设时间段的时长相同、相隔预设时长且分别位于生料三率值的相邻测量周期内。
在该实施方式中,该生料三率值是通过化验制备结果得到的,化验人员不会在每个测量时刻都化验该生料三率值,通常都是周期性进行化验得到的,每各化验周期进行一次化验可以得到一次生料三率值,为了使该差分特征变量更能反应游离氧化钙的变化趋势,该第一预设历史时间段和第二预设时间段需要分别位于生料三率值的相邻化验周期内。
在本公开一实施方式中,上述游离氧化钙测量方法中的步骤S101可以实现为以下步骤:
在步骤S1011中,响应于未获取到目标时刻目标测量位置处的特征变量,将所述目标时刻的上一时刻的所述目标测量位置处的特征变量作为所述目标时刻目标测量位置处的特征变量。
在该实施方式中,在一些情况下,可能获取不到某一测量时刻目标测量位置处的特征变量,如生料三率值是通过化验制备结果得到的,不会每个测量时刻都能化验得到该生料三率值;此时就可以将所述上一时刻所述目标测量位置的特征变量作为所述该测量时刻目标测量位置处的特征变量;如此,就可以获取到预设时间段内各测量时刻的多个测量位置处的特征变量。
在本公开一实施方式中,上述游离氧化钙测量方法还可以包括以下步骤:
在步骤S103中,获取历史样本数据,所述历史样本数据包括历史样本时刻的多个测量位置处的特征变量和历史化验周期的样本游离氧化钙含量;
在步骤S104中,对所述历史样本数据进行预处理,得到样本特征变量及其对应的样本游离氧化钙含量;
在步骤S105中,基于所述样本特征变量及其对应的样本游离氧化钙含量,训练得到所述预测模型。
在该实施方式中,该游离氧化钙含量是通过化验得到的,一个化验周期可以得到一个游离氧化钙含量,该历史样本数据就会是多个历史样本时刻的特征变量对应一个样本游离氧化钙含量,此时,可以对该历史样本数据进行预处理,得到样本特征变量及其对应的样本游离氧化钙含量;该预处理可以是每个历史样本时刻的特征变量对应一个样本游离氧化钙含量,此时,该样本特征向量是一个历史样本时刻的多个测量位置处的特征变量,该样本特征变量对应的样本游离氧化钙含量就是该历史化验周期内每个历史样本时刻的多个测量位置处的特征变量对应该历史化验周期的样本游离氧化钙含量。该预处理也可以是将该一个历史化验周期内的多个历史样本时刻的多个测量位置处的特征变量进行聚合处理,得到该历史化验周期的样本特征变量,如此得到该历史化验周期的样本特征变量及其对应的样本游离氧化钙含量。
在该实施方式中,可以将该样本特征变量作为该预测模型的输入,将该样本游离氧化钙含量作为该预测模型的输出,不断学习,训练该预测模型中的参数,直至该预测模型的输出结果达到预设要求,示例的,该预设要求可以是输出结果的准确率达到预设值,该预设值可以是99%。
在该实施方式中,如果该预测模型是根据每个历史样本时刻的多个测量位置处的特征变量对应的一个样本游离氧化钙含量作为样本特征变量及其对应的样本游离氧化钙含量进行的训练,在进行步骤S102时,可以将该指定时刻的多个测量位置处的特征变量输入至该预测模型,执行该预测模型,可以得到该指定时刻的制备结果中的游离氧化钙含量。
在该实施方式中,如果该预测模型是根据聚合的历史化验周期的样本特征向量对应的样本游离氧化钙含量作为样本特征变量及其对应的样本游离氧化钙含量进行的训练,在进行步骤S102时,可以将该预设时间段内多个测量位置处的特征变量进行聚合后,输入至该预测模型,执行该预测模型,可以得到该指定时刻的制备结果中的游离氧化钙含量。
在本公开一实施方式中,上述游离氧化钙测量方法中的步骤S104还可以实现为以下步骤:
在步骤S1041中,基于所述历史样本时刻的所述多个测量位置处的特征变量和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述历史样本时刻的制备结果在历经各测量位置时的特征变量为所述历史样本时刻的对齐特征变量;
在步骤S1042中,基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量。
在该实施方式中,可以参考上述步骤S1021对应的对齐描述获取历史样本时刻的对齐特征变量,在此不再赘述。
在该实施方式中,可以是每个历史样本时刻的对齐特征变量对应一个样本游离氧化钙含量,此时,该样本特征向量是一个历史样本时刻的对齐特征变量,该样本特征变量对应的样本游离氧化钙含量就是该历史化验周期内每个历史样本时刻的对齐特征变量对应该历史化验周期的样本游离氧化钙含量。或者也可以是将该一个历史化验周期内的多个历史样本时刻的对齐特征变量进行聚合处理,得到该历史化验周期的对齐特征变量,如此得到该历史化验周期的样本特征变量及其对应的样本游离氧化钙含量。
在该实施方式中,如果该预测模型是根据每个历史样本时刻的对齐特征变量对应的一个样本游离氧化钙含量作为样本特征变量及其对应的样本游离氧化钙含量进行的训练,则可以进行步骤S1022,可以将该指定时刻的第一对齐特征变量输入至该预测模型,执行该预测模型,可以得到该指定时刻的制备结果中的游离氧化钙含量。
在该实施方式中,如果该预测模型是根据历史化验周期的样本特征变量及其对应的样本游离氧化钙含量进行的训练,则可以进行步骤S1025,可以将该第一平均对齐特征变量输入至该预测模型,执行该预测模型,可以得到该指定时刻的制备结果中的游离氧化钙含量。
在本公开一实施方式中,上述游离氧化钙测量方法中的步骤S1042还可以实现为以下步骤:
在步骤S10421中,对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合,得到所述历史化验周期对应的样本特征变量。
在该实施方式中,对该历史化验周期内历史样本时刻的对齐特征变量进行聚合可以是时间窗口聚合,示例的,该游离氧化钙为两个小时化验一次,因此,这里需要对两个小时内多个历史样本时刻的对齐特征变量进行两小时的时间窗口聚合,得到该历史化验周期对应的样本特征变量,如此就可以对齐该历史化验周期的样本游离氧化钙含量,得到该历史化验周期的样本特征变量及其对应的样本游离氧化钙含量。
在该实施方式中,该时间窗口聚合可以包括正态分布加权处理,该正态分布加权处理可以是通过加权平均处理的方式聚合各历史样本时刻的对齐特征变量,其中各历史样本时刻的对齐特征变量的权重是呈正态分布的;如此聚合得到的样本特征变量更符合实际情况,据此训练得到的预测模型的预测结果也会更准确。
在本公开一实施方式中,所述预测模型包括线性回归模型。
在该实施方式中,由于该历史样本数据是小数据集,无法采用集成学习、深度学习的方式来训练得到该预测模型,可以采用SVM(Support Vector Machines,支持向量机)、决策树、高斯混合模型、线性回归模型四种模型进行训练得到该预测模型。由于游离氧化钙含量和多个测量位置处的特征变量之间更接近线性关系,从特征相关性的角度分析各个特征变量的系数,与理论上的特征相关性方向保持一致,故本实施方式中优选线性回归模型作为预测模型。
在本公开一实施方式中,上述游离氧化钙测量方法中,在步骤S10421中对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合之前,所述方法还可以包括以下步骤:
在步骤S106中,对所述历史样本时刻的对齐特征变量进行离群点剔除和缺失值填充处理。
在该实施方式中,获取的对齐特征变量可能存在一些明显偏离正常工况的离群点,这可能是实际生产中一些未知干扰引起的,因此需要对这些离群点进行剔除处理。
在该实施方式中,该离群点剔除的方式可以是三西格玛准则,该三西格玛准则是指先假设一组检测数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据应予以剔除。
在该实施方式中,由于离群点的剔除或者没有获取到某个历史样本时刻的对齐特征变量,造成该历史样本时刻的对齐特征变量为缺失值,可以对该缺失值进行填充。
在该实施方式中,可以通过前置填充的方法实现缺失值填充,该前置填充是指某历史样本时刻的对齐特征变量缺失时,采用该历史样本时刻的上一历史样本时刻的对齐特征变量作为该历史样本时刻的对齐特征变量。
在本公开一实施方式中,上述游离氧化钙测量方法中的步骤S105还可以实现为以下步骤:
在步骤S1051中,对所述各历史化验周期对应的样本特征变量和样本游离氧化钙含量进行差分处理,得到差分样本特征变量及其对应的差分样本游离氧化钙含量;
在步骤S1052中,基于所述差分样本特征变量及其对应的差分样本游离氧化钙含量,训练得到所述预测模型。
在该实施例方式中,可以将本历史化验周期对应的样本特征向量减去上一个历史化验周期对应的样本特征向量得到该差分样本特征变量,将本历史化验周期对应的样本游离氧化钙含量减去上一个历史化验周期对应的样本游离氧化钙含量得到该差分样本游离氧化钙含量。
在该实施例方式中,该预测模型是基于差分样本特征变量及其对应的差分样本游离氧化钙含量进行的训练,则可以执行步骤A4,将该当前时刻的差分特征变量输入所述预测模型,执行所述预测模型,得到游离氧化钙含量差值,此时,可以基于最新化验得到的游离氧化钙含量和所述游离氧化钙含量差值,得到当前时刻制备结果中的游离氧化钙含量。
本实施例训练的预测模型可以基于差分特征变量预测出游离氧化钙含量差值,可以预测出该游离氧化钙含量的变化趋势,这样在确定当前时刻制备结果中的游离氧化钙含量时可以由该最新化验得到的游离氧化钙含量即历史真实化验的游离氧化钙含量与预测出的当前时刻的该游离氧化钙含量的变化来确定的,故可以在线纠正该游离氧化钙含量的预测值。
图3示出根据本公开一实施方式的游离氧化钙测量方法的整体流程图,如图3所示,如图3所示,所述游离氧化钙测量方法包括以下步骤S301–S314:
在步骤S301中,获取历史样本数据,所述历史样本数据包括历史样本时刻的所述多个测量位置处的特征变量和历史化验周期的样本游离氧化钙含量;所述特征变量包括预热器的出口温度、回转窑的驱动电流、回转窑的二次风温、回转窑的窑头火焰亮度参数、生料三率值;
在步骤S302中,基于所述历史样本时刻的所述多个测量位置处的特征变量和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述历史样本时刻的制备结果在历经各测量位置时的特征变量为所述历史样本时刻的对齐特征变量;
在步骤S303中,对所述历史样本时刻的对齐特征变量进行离群点剔除和缺失值填充处理;
在步骤S304中,对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合,得到所述历史化验周期对应的样本特征变量,所述时间窗口聚合包括正态分布加权处理。
在步骤S305中,对所述各历史化验周期对应的样本特征变量及其样本游离氧化钙含量进行差分处理,得到差分样本特征变量和对应的差分样本游离氧化钙含量;
在步骤S306中,基于所述差分样本特征变量及其对应的差分样本游离氧化钙含量,训练得到预测模型,所述预测模型包括线性回归模型;
在步骤S307中,获取预设时间段内多个测量位置处的特征变量,响应于未获取到目标时刻目标测量位置处的特征变量,将所述目标时刻的上一时刻的所述目标测量位置处的特征变量作为所述目标时刻目标测量位置处的特征变量;
在步骤S308中,基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,获取生成第一预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第二对齐特征变量;
其中,所述第一预设历史时间段包括所述指定时刻及其之前的一段时间;所述预设时间段包括指定时刻,所述指定时刻为当前时刻;
在步骤S309中,基于所述第一预设历史时间段内各测量时刻的第二对齐特征变量,计算得到所述第一预设历史时间段对应的第一平均对齐特征变量;
在步骤S310中,获取生成第二预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第三对齐特征变量,所述第一预设历史时间段和所述第二预设时间段的时长相同、相隔预设时长且分别位于生料三率值的相邻化验周期内;
在步骤S311中,基于所述第二预设历史时间段内各测量时刻的第三对齐特征变量,计算得到所述第二预设历史时间段对应的第二平均对齐特征变量;
在步骤S312中,对所述第一平均对齐特征变量和所述第二平均对齐特征变量做差分计算,得到所述指定时刻的差分特征变量;
在步骤S313中,将所述指定时刻的差分特征变量输入所述预测模型,从所述预测模型得到游离氧化钙含量差值;
在步骤S314中,基于最新化验得到的游离氧化钙含量和所述游离氧化钙含量差值,得到所述指定时刻制备结果中的游离氧化钙含量。
示例的,图4示出根据本公开一实施方式的游离氧化钙测量结果与实际结果之间的曲线对比图,如图4所示,图4中的横轴为时间轴,纵轴为游离氧化钙含量轴,图4中的曲线410为通过图3所述的游离氧化钙测量方法预测的游离氧化钙含量曲线,图4中的折线420为实际化验得到的游离氧化钙含量折线,由图4可知,在各化验时刻T1、T2、T3、T4和T5,通过图3所述的游离氧化钙测量方法预测的游离氧化钙含量与实际化验得到的游离氧化钙含量几乎相同,故,通过上述方法预测的游离氧化钙含量准确率较高。
本实施例中的多个测量位置处的特征变量从生产工艺、工业控制角度进行的选取,而且还根据物料在不同相关测量位置之间的传输时间进行测量时刻对齐,提高了特征变量之间的数据相关性,时间窗口聚合时采用了符合实际情况的正态分布加权的方式进行聚合,这样训练的预测模型可以预测更准确,训练出来的预测模型利用差分特征变量预测游离氧化钙含量的变化量,能够更好的反应游离钙的变化趋势,这样可以由该最新化验得到的游离氧化钙含量即历史真实化验的游离氧化钙含量与预测出的该游离氧化钙含量的变化来确定游离氧化钙含量,可以在线纠正该游离氧化钙含量的预测值。
图5示出根据本公开的实施例的游离氧化钙测量装置的结构框图。其中,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。
如图5所示,所述游离氧化钙测量装置500包括第一获取模块510和预测模块520。
第一获取模块510,被配置为获取预设时间段内多个测量位置处的特征变量,所述特征变量与制备结果中游离氧化钙含量相关;
预测模块520,被配置为使用训练好的预测模型,基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量。
在本公开一实施方式中,所述特征变量包括以下至少一种:预热器的出口温度、回转窑的驱动电流、回转窑的二次风温、回转窑的窑头火焰亮度参数、生料三率值。
在本公开一实施方式中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,所述预测模块被配置为:
基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述指定时刻制备结果的物料在历经各测量位置时的特征变量为第一对齐特征变量;
基于所述第一对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
在本公开一实施方式中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,所述预测模块被配置为:
基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,获取生成第一预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第二对齐特征变量;所述第一预设历史时间段包括所述指定时刻及其之前的一段时间;
基于所述第一预设历史时间段内各测量时刻的第二对齐特征变量,计算得到所述第一预设历史时间段对应的第一平均对齐特征变量;
基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
在本公开一实施方式中,所述指定时刻为当前时刻;所述预测模块中基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量的部分被配置为:
获取生成第二预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第三对齐特征变量,所述第二预设历史时间段与所述第一预设历史时间段不同;
基于所述第二预设历史时间段内各测量时刻的第三对齐特征变量,计算得到所述第二预设历史时间段对应的第二平均对齐特征变量;
对所述第一平均对齐特征变量和所述第二平均对齐特征变量做差分计算,得到所述指定时刻的差分特征变量;
将所述指定时刻的差分特征变量输入所述预测模型,从所述预测模型得到游离氧化钙含量差值;
基于最新化验得到的游离氧化钙含量和所述游离氧化钙含量差值,得到所述指定时刻制备结果中的游离氧化钙含量。
在本公开一实施方式中,所述第一预设历史时间段和所述第二预设时间段的时长相同、相隔预设时长且分别位于生料三率值的相邻化验周期内。
在本公开一实施方式中,所述第一获取模块被配置为:
响应于未获取到目标时刻目标测量位置处的特征变量,将所述目标时刻的上一时刻的所述目标测量位置处的特征变量作为所述目标时刻目标测量位置处的特征变量。
在本公开一实施方式中,所述装置还包括:
第二获取模块,被配置为获取历史样本数据,所述历史样本数据包括历史样本时刻的所述多个测量位置处的特征变量和历史化验周期的样本游离氧化钙含量;
第一处理模块,被配置为对所述历史样本数据进行预处理,得到样本特征变量及其对应的样本游离氧化钙含量;
训练模块,被配置为基于所述样本特征变量及其对应的样本游离氧化钙含量,训练得到所述预测模型。
在本公开一实施方式中,所述第一处理模块被配置为:
基于所述历史样本时刻的所述多个测量位置处的特征变量和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述历史样本时刻的制备结果在历经各测量位置时的特征变量为所述历史样本时刻的对齐特征变量;
基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量。
在本公开一实施方式中,所述第一处理模块中基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量的部分被配置为:
对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合,得到所述历史化验周期对应的样本特征变量。
在本公开一实施方式中,在对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合之前,,所述装置还包括:
第二处理模块,被配置为对所述历史样本时刻的对齐特征变量进行离群点剔除和缺失值填充处理。
在本公开一实施方式中,所述时间窗口聚合包括正态分布加权处理。
在本公开一实施方式中,所述训练模块被配置为:
对所述各历史化验周期对应的样本特征变量及其样本游离氧化钙含量进行差分处理,得到差分样本特征变量和对应的差分样本游离氧化钙含量;
基于所述差分样本特征变量及其对应的差分样本游离氧化钙含量,训练得到所述预测模型。
在本公开一实施方式中,所述预测模型包括线性回归模型。
在本公开一实施方式中,所述第二处理模块被配置为:
采用三西格玛准则对所述历史样本时刻的对齐特征变量进行离群点剔除,采用前置填充法进行缺失值填充处理。
本实施例中游离氧化钙测量装置与上述游离氧化钙测量方法对应一致,具体细节可以参见上述对游离氧化钙测量方法的描述,在此不再赘述。
本公开还公开了一种电子设备,图6示出根据本公开的实施例的电子设备的结构框图。
如图6所示,所述电子设备600包括存储器601和处理器602,其中,存储器601用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器602执行以实现根据本公开的实施例的方法。
图7示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图7所示,计算机系统700包括处理单元701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行上述实施例中的各种处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。处理单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。其中,所述处理单元701可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括计算机指令,该计算机指令被处理器执行时实现上文所述的方法步骤。在这样的实施例中,该计算机程序产品可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种游离氧化钙测量方法,包括:
获取预设时间段内多个测量位置处的特征变量,所述特征变量与制备结果中游离氧化钙含量相关;
使用训练好的预测模型,基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量。
2.根据权利要求1所述的方法,其中,所述特征变量包括以下至少一种:预热器的出口温度、回转窑的驱动电流、回转窑的二次风温、回转窑的窑头火焰亮度参数、生料三率值。
3.根据权利要求1或2所述的方法,其中,所述预设时间段包括指定时刻,所述指定时间段为所述指定时刻,所述基于所述预设时间段内多个测量位置处的特征变量,得到指定时间段的制备结果中的游离氧化钙含量,包括:
基于所述预设时间段内各测量时刻的多个测量位置处的特征变量,和用于生成所述制备结果的物料在各测量位置之间的传输时间,获取生成第一预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第二对齐特征变量;所述第一预设历史时间段包括所述指定时刻及其之前的一段时间;
基于所述第一预设历史时间段内各测量时刻的第二对齐特征变量,计算得到所述第一预设历史时间段对应的第一平均对齐特征变量;
基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量。
4.根据权利要求3所述的方法,其中,所述指定时刻为当前时刻;所述基于所述第一平均对齐特征变量以及所述预测模型,得到所述指定时刻制备结果中的游离氧化钙含量,包括:
获取生成第二预设历史时间段内每个测量时刻的制备结果的物料在历经各测量位置时的特征变量为第三对齐特征变量,所述第二预设历史时间段与所述第一预设历史时间段不同;
基于所述第二预设历史时间段内各测量时刻的第三对齐特征变量,计算得到所述第二预设历史时间段对应的第二平均对齐特征变量;
对所述第一平均对齐特征变量和所述第二平均对齐特征变量做差分计算,得到所述指定时刻的差分特征变量;
将所述指定时刻的差分特征变量输入所述预测模型,从所述预测模型得到游离氧化钙含量差值;
基于最新化验得到的游离氧化钙含量和所述游离氧化钙含量差值,得到所述指定时刻制备结果中的游离氧化钙含量。
5.根据权利要求1所述的方法,其中,所述方法还包括:
获取历史样本数据,所述历史样本数据包括历史样本时刻的所述多个测量位置处的特征变量和历史化验周期的样本游离氧化钙含量;
对所述历史样本数据进行预处理,得到样本特征变量及其对应的样本游离氧化钙含量;
基于所述样本特征变量及其对应的样本游离氧化钙含量,训练得到所述预测模型。
6.根据权利要求5所述的方法,其中,所述对所述历史样本数据进行预处理,得到样本特征变量及其对应的样本游离氧化钙含量,包括:
基于所述历史样本时刻的所述多个测量位置处的特征变量和用于生成所述制备结果的物料在各测量位置之间的传输时间,确定生成所述历史样本时刻的制备结果在历经各测量位置时的特征变量为所述历史样本时刻的对齐特征变量;
基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量;
其中,所述基于所述历史样本时刻的对齐特征变量和历史化验周期的样本游离氧化钙含量,得到样本特征变量及其对应的样本游离氧化钙含量,包括:
对所述历史化验周期内历史样本时刻的对齐特征变量进行时间窗口聚合,得到所述历史化验周期对应的样本特征变量;
所述基于所述样本特征变量及其对应的样本游离氧化钙含量,训练得到所述预测模型,包括:
对所述各历史化验周期对应的样本特征变量及其样本游离氧化钙含量进行差分处理,得到差分样本特征变量和对应的差分样本游离氧化钙含量;
基于所述差分样本特征变量及其对应的差分样本游离氧化钙含量,训练得到所述预测模型。
7.一种游离氧化钙测量装置,其中,包括:
第一获取模块,被配置为获取预设时间段内多个测量位置处的特征变量,所述多个测量位置处的特征变量包括与制备结果中游离氧化钙含量相关的各测量位置处的特征变量;
预测模块,被配置为基于所述预设时间段内多个测量位置处的特征变量以及预测模型,得到所述指定时间段的制备结果中的游离氧化钙含量,所述预测模型用于基于多个测量位置处的特征变量预测游离氧化钙含量。
8.一种电子设备,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1至6任一项所述的方法步骤。
9.一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现权利要求1至6任一项所述的方法步骤。
10.一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现权利要求1至6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111259928.8A CN114236104A (zh) | 2021-10-28 | 2021-10-28 | 游离氧化钙测量方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111259928.8A CN114236104A (zh) | 2021-10-28 | 2021-10-28 | 游离氧化钙测量方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114236104A true CN114236104A (zh) | 2022-03-25 |
Family
ID=80743320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111259928.8A Pending CN114236104A (zh) | 2021-10-28 | 2021-10-28 | 游离氧化钙测量方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236104A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336107A (zh) * | 2013-05-30 | 2013-10-02 | 中国科学院沈阳自动化研究所 | 一种水泥熟料f-CaO含量软测量方法 |
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN106327004A (zh) * | 2016-08-08 | 2017-01-11 | 燕山大学 | 一种基于熟料质量指标的水泥烧成过程优化方法 |
CN109165798A (zh) * | 2018-10-19 | 2019-01-08 | 燕山大学 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
CN109342703A (zh) * | 2018-12-06 | 2019-02-15 | 燕山大学 | 一种水泥熟料游离钙含量测量方法及系统 |
CN109443419A (zh) * | 2018-08-31 | 2019-03-08 | 广州市世科高新技术有限公司 | 一种基于机器学习的整流器在线监测方法 |
CN109761517A (zh) * | 2019-03-13 | 2019-05-17 | 安徽海螺集团有限责任公司 | 一种基于游离钙预测数据控制熟料生产的方法 |
CN110763830A (zh) * | 2019-12-04 | 2020-02-07 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
CN112100916A (zh) * | 2020-09-10 | 2020-12-18 | 北京百度网讯科技有限公司 | 用于构建强化学习模型的方法、装置、电子设备及介质 |
CN112712861A (zh) * | 2021-01-07 | 2021-04-27 | 北京明略软件系统有限公司 | 模型构建方法、装置、设备及计算机可读介质 |
CN113033923A (zh) * | 2021-04-30 | 2021-06-25 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
WO2021137759A1 (en) * | 2019-12-31 | 2021-07-08 | Envision Digital International Pte. Ltd. | Method and apparatus for predicting power consumption, device and readiable storage medium |
CN113406313A (zh) * | 2021-06-28 | 2021-09-17 | 浙江邦业科技股份有限公司 | 基于全自动游离氧化钙分析仪数据实时预测熟料f-CaO的方法 |
-
2021
- 2021-10-28 CN CN202111259928.8A patent/CN114236104A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336107A (zh) * | 2013-05-30 | 2013-10-02 | 中国科学院沈阳自动化研究所 | 一种水泥熟料f-CaO含量软测量方法 |
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN106327004A (zh) * | 2016-08-08 | 2017-01-11 | 燕山大学 | 一种基于熟料质量指标的水泥烧成过程优化方法 |
CN109443419A (zh) * | 2018-08-31 | 2019-03-08 | 广州市世科高新技术有限公司 | 一种基于机器学习的整流器在线监测方法 |
CN109165798A (zh) * | 2018-10-19 | 2019-01-08 | 燕山大学 | 一种水泥熟料游离氧化钙含量在线预测方法及系统 |
CN109342703A (zh) * | 2018-12-06 | 2019-02-15 | 燕山大学 | 一种水泥熟料游离钙含量测量方法及系统 |
CN109761517A (zh) * | 2019-03-13 | 2019-05-17 | 安徽海螺集团有限责任公司 | 一种基于游离钙预测数据控制熟料生产的方法 |
CN110763830A (zh) * | 2019-12-04 | 2020-02-07 | 济南大学 | 一种水泥熟料游离氧化钙含量预测方法 |
WO2021137759A1 (en) * | 2019-12-31 | 2021-07-08 | Envision Digital International Pte. Ltd. | Method and apparatus for predicting power consumption, device and readiable storage medium |
CN112100916A (zh) * | 2020-09-10 | 2020-12-18 | 北京百度网讯科技有限公司 | 用于构建强化学习模型的方法、装置、电子设备及介质 |
KR20210052412A (ko) * | 2020-09-10 | 2021-05-10 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 강화 학습 모델 구축 방법, 장치, 전자 기기 및 매체 |
CN112712861A (zh) * | 2021-01-07 | 2021-04-27 | 北京明略软件系统有限公司 | 模型构建方法、装置、设备及计算机可读介质 |
CN113033923A (zh) * | 2021-04-30 | 2021-06-25 | 中国建筑材料科学研究总院有限公司 | 水泥熟料性能的预测、评价及优化方法及其装置和系统 |
CN113406313A (zh) * | 2021-06-28 | 2021-09-17 | 浙江邦业科技股份有限公司 | 基于全自动游离氧化钙分析仪数据实时预测熟料f-CaO的方法 |
Non-Patent Citations (6)
Title |
---|
刘彬;赵朋程;高伟;孙超;刘浩然;: "基于粒子群算法与连续型深度信念网络的水泥熟料游离氧化钙预测", 计量学报, no. 03 * |
唐新宇;: "水泥行业f-CaO测量技术现状与进展", 居业, no. 03 * |
武伟宁;刘小燕;徐学奎;金姣;张美;: "水泥熟料质量软测量模型中的时序分析方法", 控制理论与应用, no. 007 * |
毕文彦;管学茂;邢锋;刘小星;王欢;: "水泥矿物游离氧化钙含量测定方法的评价及探讨", 混凝土, no. 12 * |
王秀莲;孙旭晨;王卓;苑明哲;刘钊;: "基于局部PSO-LSSVM的水泥f-CaO测量方法研究", 控制工程, vol. 21, no. 006 * |
赵彦涛;何永强;贾利颖;杨黎明;郝晓辰;: "基于时间序列单维卷积神经网络的水泥熟料游离钙软测量方法", 计量学报, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114692515B (zh) * | 2022-06-01 | 2022-09-02 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A bi-objective scheduling problem on batch machines via a Pareto-based ant colony system | |
CN112100916B (zh) | 用于构建强化学习模型的方法、装置、电子设备及介质 | |
US7257459B1 (en) | Method and apparatus for scheduling pilot lots | |
CN114236104A (zh) | 游离氧化钙测量方法、装置、设备、介质及产品 | |
CN104615856B (zh) | 基于热风炉组的煤气消耗量预测模型建立方法及装置 | |
CN115186996A (zh) | 回转窑工艺参数控制方法、装置、电子设备及存储介质 | |
Boysen et al. | Truck scheduling in the postal service industry | |
Castañón et al. | Energy and environmental savings via optimisation of the production process at a Spanish cement factory | |
Lei et al. | Optimal cyclic scheduling of a robotic flowshop with multiple part types and flexible processing times | |
CN112906976A (zh) | 一种基于r-wgan的水泥熟料游离钙样本数据增强及预测方法 | |
Fu et al. | Batch production scheduling for semiconductor back-end operations | |
Hao et al. | R-WGAN-based multitimescale enhancement method for predicting f-CaO cement clinker | |
Ali et al. | A machine learning approach for clinker quality prediction and nonlinear model predictive control design for a rotary cement kiln | |
Yang et al. | Modeling and optimal-setting control of blending process in a metallurgical industry | |
Qiao et al. | LS-SVR-Based soft sensor model for cement clinker calcination process | |
WO2022054520A1 (ja) | 生産管理システム、生産管理方法、および、生産管理プログラム | |
RU2445668C2 (ru) | Нейросетевой регулятор для управления процессом обжига известняка в печах шахтного типа | |
CN115359851A (zh) | 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法 | |
Pani et al. | A hybrid soft sensing approach of a cement mill using principal component analysis and artificial neural networks | |
Liu et al. | Distributionally robust parallel machine ScheLoc problem under service level constraints | |
Schuh et al. | Databased learning of influencing factors in order specific transition times | |
CN113377075A (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
Zhou et al. | A global wip oriented dispatching scheme: Work-center workload balance without relying on target wip | |
Hu et al. | A simulated annealing hyper-heuristic algorithm for process planning and scheduling in remanufacturing | |
Li et al. | Joint scheduling optimisation method for the machining and heat-treatment of hydraulic cylinders based on improved multi-objective migrating birds optimisation |
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 |