CN114971258A - 基于焦炭质量预测的工业流程优化方法及系统 - Google Patents

基于焦炭质量预测的工业流程优化方法及系统 Download PDF

Info

Publication number
CN114971258A
CN114971258A CN202210553947.XA CN202210553947A CN114971258A CN 114971258 A CN114971258 A CN 114971258A CN 202210553947 A CN202210553947 A CN 202210553947A CN 114971258 A CN114971258 A CN 114971258A
Authority
CN
China
Prior art keywords
coking
data
coke
basic
sample data
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
Application number
CN202210553947.XA
Other languages
English (en)
Inventor
崔平
陈吉
胡作进
凌强
雷昭
赵志刚
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.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
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 Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202210553947.XA priority Critical patent/CN114971258A/zh
Publication of CN114971258A publication Critical patent/CN114971258A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Agronomy & Crop Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Coke Industry (AREA)

Abstract

本发明提供了一种基于焦炭质量预测的工业流程优化方法及系统，通过提取对工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据中不满足预设质量要求的标的焦炉焦炭质量数据，对标的焦炉焦炭质量数据所对应的炼焦流程节点进行追溯，获取待优化的目标炼焦流程节点序列以及目标炼焦流程节点序列中每个目标炼焦流程节点所对应的炼焦运转数据，基于每个目标炼焦流程节点所对应的炼焦运转数据生成每个目标炼焦流程节点的运转缺陷预测信息，并基于运转缺陷预测信息对目标炼焦流程节点序列中每个目标炼焦流程节点进行工业流程优化，从而通过运转缺陷的追溯进行闭环反馈优化，提高后续炼焦流程的可靠性。

Description

基于焦炭质量预测的工业流程优化方法及系统
技术领域
本发明涉及工业控制技术领域，具体涉及基于焦炭质量预测的工业流程优化方法及系统。
背景技术
随着信息科学和预测控制技术的快速发展，工业过程控制对企业信息化和模型预测控制的要求越来越高，需要控制的工业过程也日趋复杂，过程中严重的非线性和不确定性，使许多系统无法用数学模型精确描述，这样建立在数学模型基础上的传统控制方法在实际应用中遇到了许多难以逾越的障碍。
焦炭质量预测模型的开发是近年来焦化行业研究的热点课题之一，焦炭的质量预测从广义上讲，包括焦炭的灰分、硫分等化学性质指标、冷态强度指标以及热态性质指标，所建立的焦炭质量预测模型能够预测和控制焦炭质量，为优化配煤结构、降低生产成本奠定了理论基础。然后，在进行焦炭质量预测后，如何进行闭环反馈优化，提高后续炼焦流程的可靠性，是亟待解决的技术问题。
发明内容
(一)解决的技术问题
本发明的目的在于克服现有技术中的上述不足，本申请的目的在于提供一种结合机器学习的焦炉焦炭质量预测方法及系统。
(二)技术方案
本申请提供了，基于焦炭质量预测的工业流程优化方法，应用于工业流程优化系统，所述工业流程优化系统与多个工艺控制节点端通信连接，所述基于焦炭质量预测的工业流程优化方法包括：
获取基于目标焦炉焦炭质量预测模型对所述工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据；
提取所述目标焦炉焦炭质量数据中不满足预设质量要求的标的焦炉焦炭质量数据；
对所述标的焦炉焦炭质量数据所对应的炼焦流程节点进行追溯，获取待优化的目标炼焦流程节点序列以及所述目标炼焦流程节点序列中每个目标炼焦流程节点所对应的炼焦运转数据；
基于所述每个目标炼焦流程节点所对应的炼焦运转数据生成所述每个目标炼焦流程节点的运转缺陷预测信息，并基于所述运转缺陷预测信息对所述目标炼焦流程节点序列中每个目标炼焦流程节点进行工业流程优化。
本申请还提供了，一种基于焦炭质量预测的工业流程优化系统，包括工业流程优化系统以及与所述工业流程优化系统通信连接的多个工艺控制节点端；
所述工业流程优化系统，用于：
获取基于目标焦炉焦炭质量预测模型对所述工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据；
提取所述目标焦炉焦炭质量数据中不满足预设质量要求的标的焦炉焦炭质量数据；
对所述标的焦炉焦炭质量数据所对应的炼焦流程节点进行追溯，获取待优化的目标炼焦流程节点序列以及所述目标炼焦流程节点序列中每个目标炼焦流程节点所对应的炼焦运转数据；
基于所述每个目标炼焦流程节点所对应的炼焦运转数据生成所述每个目标炼焦流程节点的运转缺陷预测信息，并基于所述运转缺陷预测信息对所述目标炼焦流程节点序列中每个目标炼焦流程节点进行工业流程优化
(三)有益效果
本发明本申请通过提取对工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据中不满足预设质量要求的标的焦炉焦炭质量数据，对标的焦炉焦炭质量数据所对应的炼焦流程节点进行追溯，获取待优化的目标炼焦流程节点序列以及目标炼焦流程节点序列中每个目标炼焦流程节点所对应的炼焦运转数据，基于每个目标炼焦流程节点所对应的炼焦运转数据生成每个目标炼焦流程节点的运转缺陷预测信息，并基于运转缺陷预测信息对目标炼焦流程节点序列中每个目标炼焦流程节点进行工业流程优化，从而通过运转缺陷的追溯进行闭环反馈优化，提高后续炼焦流程的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于焦炭质量预测的工业流程优化系统的应用环境示意图；
图2为本申请实施例提供的基于焦炭质量预测的工业流程优化方法的流程示意图；
图3为本申请实施例提供的用于实现上述的基于焦炭质量预测的工业流程优化方法的工业流程优化系统的结构示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本申请一种实施例提供的基于焦炭质量预测的工业流程优化系统10的应用环境示意图。基于焦炭质量预测的工业流程优化系统10可以包括工业流程优化系统100以及与工业流程优化系统100通信连接的工艺控制节点端200。图1所示的基于焦炭质量预测的工业流程优化系统10仅为一种可行的示例，在其它可行的实施例中，该基于焦炭质量预测的工业流程优化系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
本实施例中，基于焦炭质量预测的工业流程优化系统10中的工业流程优化系统100和工艺控制节点端200可以通过配合执行以下方法实施例所描述的基于焦炭质量预测的工业流程优化方法，具体工业流程优化系统100和工艺控制节点端200的执行步骤部分可以参照以下方法实施例的详细描述。
本实施例提供的基于焦炭质量预测的工业流程优化方法可以由图1中所示的工业流程优化系统100执行，下面对该基于焦炭质量预测的工业流程优化方法进行详细介绍。
步骤S110，获取基于目标焦炉焦炭质量预测模型对所述工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据。
步骤S120，提取所述目标焦炉焦炭质量数据中不满足预设质量要求的标的焦炉焦炭质量数据。
其中，预设质量要求可以根据实际设计需求进行灵活配置，例如可以设置不同的质量指标的具体质检数值作为质量要求。
步骤S130，对所述标的焦炉焦炭质量数据所对应的炼焦流程节点进行追溯，获取待优化的目标炼焦流程节点序列以及所述目标炼焦流程节点序列中每个目标炼焦流程节点所对应的炼焦运转数据。
例如，对于不满足预设质量要求的标的焦炉焦炭质量数据，可以进一步追溯其对应的炼焦流程节点以及对应的炼焦运转数据，由此方便进行下一步处理。
步骤S140，基于所述每个目标炼焦流程节点所对应的炼焦运转数据生成所述每个目标炼焦流程节点的运转缺陷预测信息，并基于所述运转缺陷预测信息对所述目标炼焦流程节点序列中每个目标炼焦流程节点进行工业流程优化。
例如，可以基于运转缺陷预测信息中涵盖的运转缺陷，从预先配置的工业流程优化库中确定与该运转缺陷相关的解决方案由此进行工业流程优化。
基于以上步骤，本实施例通过提取对工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据中不满足预设质量要求的标的焦炉焦炭质量数据，对标的焦炉焦炭质量数据所对应的炼焦流程节点进行追溯，获取待优化的目标炼焦流程节点序列以及目标炼焦流程节点序列中每个目标炼焦流程节点所对应的炼焦运转数据，基于每个目标炼焦流程节点所对应的炼焦运转数据生成每个目标炼焦流程节点的运转缺陷预测信息，并基于运转缺陷预测信息对目标炼焦流程节点序列中每个目标炼焦流程节点进行工业流程优化，从而通过运转缺陷的追溯进行闭环反馈优化，提高后续炼焦流程的可靠性。
本实施例中，针对步骤S140，基于所述每个目标炼焦流程节点所对应的炼焦运转数据生成所述每个目标炼焦流程节点的运转缺陷预测信息，具体可以是将所述每个目标炼焦流程节点所对应的炼焦运转数据输入到训练完成的运转缺陷预测模型中，确定所述每个目标炼焦流程节点的运转缺陷预测信息。
其中，所述运转缺陷预测模型的模型训练步骤包括：
(1)依据第一范例炼焦运转数据序列以及第一父运转缺陷预测模型确定第二范例炼焦运转数据序列，并依据所述第二范例炼焦运转数据序列更新初始子运转缺陷预测模型的预测函数权重信息，生成第一子运转缺陷预测模型，其中，所述第一范例炼焦运转数据序列中的每个范例炼焦运转数据均未携带实际运转缺陷信息；
(2)依据所述第二范例炼焦运转数据序列、第一子运转缺陷预测模型、所述第一父运转缺陷预测模型及第三范例炼焦运转数据序列确定运转缺陷预测代价，并依据所述运转缺陷预测代价优化所述第一父运转缺陷预测模型的预测函数权重信息生成模糊父运转缺陷预测模型，其中，所述第三范例炼焦运转数据序列中的每个范例炼焦运转数据均携带实际运转缺陷信息；
(3)将所述模糊父运转缺陷预测模型作为第一父运转缺陷预测模型，将所述第一子运转缺陷预测模型作为初始子运转缺陷预测模型，继续执行依据第一范例炼焦运转数据序列以及第一父运转缺陷预测模型确定第二范例炼焦运转数据序列的步骤，直至所述初始子运转缺陷预测模型的预测函数权重信息收敛，生成运转缺陷预测模型。
一些可能的实施方式中，在依据第一范例炼焦运转数据序列以及第一父运转缺陷预测模型确定第二范例炼焦运转数据序列之前，本实施例可以依据第四范例炼焦运转数据序列训练初始化运转缺陷预测模型得到模板父运转缺陷预测模型，其中，所述第四范例炼焦运转数据序列中的每个范例炼焦运转数据均携带实际运转缺陷信息。在此基础上，依据第五范例炼焦运转数据序列训练所述模板父运转缺陷预测模型生成第一父运转缺陷预测模型，并依据所述第五范例炼焦运转数据序列训练所述初始化运转缺陷预测模型生成初始子运转缺陷预测模型，其中，所述第五范例炼焦运转数据序列中的部分范例炼焦运转数据携带实际运转缺陷信息，部分范例炼焦运转数据未携带实际运转缺陷信息。
一些可能的实施方式中，依据第一范例炼焦运转数据序列以及第一父运转缺陷预测模型确定第二范例炼焦运转数据序列，具体包括：对于第一范例炼焦运转数据序列中的每个第一范例炼焦运转数据，将该第一范例炼焦运转数据输入所述第一父运转缺陷预测模型，通过所述第一父运转缺陷预测模型输出所述第一范例炼焦运转数据对应的第一预测运转缺陷信息；将每个第一范例炼焦运转数据和其对应的第一预测运转缺陷信息作为一范例炼焦运转数据，并将得到的所有范例炼焦运转数据构成的范例炼焦运转数据序列作为第二范例炼焦运转数据序列。依据所述第二范例炼焦运转数据序列、第一子运转缺陷预测模型、所述第一父运转缺陷预测模型以及第三范例炼焦运转数据序列确定运转缺陷预测代价，具体包括：依据第三范例炼焦运转数据序列以及所述第一子运转缺陷预测模型确定第一训练代价对象；依据第三范例炼焦运转数据序列以及所述第一父运转缺陷预测模型确定第二训练代价对象；依据第二范例炼焦运转数据序列以及所述第一父运转缺陷预测模型确定第三训练代价对象；依据所述第一训练代价对象、所述第二训练代价对象以及所述第三训练代价对象，确定运转缺陷预测代价。
一些可能的实施方式中，依据所述第二范例炼焦运转数据序列以及所述第一父运转缺陷预测模型确定第三训练代价对象，具体包括：分别对所述第二范例炼焦运转数据序列中的各第二范例炼焦运转数据以及分别关联的第二预测运转缺陷信息进行衍生；将各衍生后的第二范例炼焦运转数据输入所述第一父运转缺陷预测模型，通过所述第一父运转缺陷预测模型确定各衍生后的第二范例炼焦运转数据分别关联的预测运转缺陷信息；依据各衍生后的第二预测运转缺陷信息以及各预测运转缺陷信息，确定第三训练代价对象。
一些可能的实施方式中，步骤S110的一种具体实施例参见下述描述。
Node101、从预设炼焦数据库中获得基础炼焦样本数据集合。
例如，基础炼焦样本数据集合可以具有多个标注了基础焦炉焦炭质量数据的基础炼焦样本数据，基础焦炉焦炭质量数据可以为手动在基础炼焦样本数据中标注的最初的焦炉焦炭质量数据，该最初焦炉焦炭质量数据用于指示基础炼焦样本数据对应的质量数据，其中基础炼焦样本数据可以包括炼焦工艺数据，比如炼焦煤粒度、水分、堆积密度、熄焦方式、加热速率、焦炉温度和结焦时间等数据，以及还可以包括焦炉结构数据，比如炭化室高度、宽度等数据，焦炉焦炭质量数据可包括但不限于焦炭的灰分、硫分等化学性质质量数据，冷态强度质量数据以及热态性质质量数据。
Node102、结合焦炉焦炭质量预测模型对基础炼焦样本数据集合中的基础炼焦样本数据进行焦炭质量指标特征解析，输出焦炭质量指标特征簇。
例如，可以结合焦炉焦炭质量预测模型解析基础炼焦样本数据集合中每一基础炼焦样本数据的焦炭质量指标特征，输出焦炭质量指标特征簇。
Node103、结合焦炭质量指标特征簇，将基础炼焦样本数据作为模型更新成员生成对应的模型更新知识导图。
模型更新知识导图为表达模型更新成员及其关联的模型更新成员之间的关系信息的知识图谱。例如，生成模型更新知识导图可以通过下述实施例确定：
例如，可以在焦炭质量指标特征簇中，选择每一基础炼焦样本数据相应的焦炭质量指标特征，而后结合基础炼焦样本数据的焦炭质量指标特征，确定基础炼焦样本数据之间的炼焦工艺协同参数，结合炼焦工艺协同参数，在基础炼焦样本数据集合中选择基础炼焦样本数据的关联基础炼焦样本数据，输出基础炼焦样本数据的协同基础炼焦样本数据集合，结合协同基础炼焦样本数据集合，将基础炼焦样本数据作为模型更新成员生成对应的模型更新知识导图。
本实施例中，可以从预设炼焦数据库中获得基础炼焦样本数据与相应的协同基础炼焦样本数据集合中的基础炼焦样本数据之间的工艺协同信息，输出基础炼焦样本数据的工艺协同关系分布，结合工艺协同关系分布，将基础炼焦样本数据作为模型更新成员生成第一模型更新知识导图，而后对第一模型更新知识导图进行去噪，输出模型更新知识导图。
本实施例中，工艺协同关系分布可以为指示基础炼焦样本数据与协同基础炼焦样本数据集合中的基础炼焦样本数据之间的工艺协同信息等信息。其中可以在炼焦工艺协同参数中选择基础炼焦样本数据与相应的协同基础炼焦样本数据集合中的基础炼焦样本数据之间的目标炼焦工艺协同参数，对所述目标炼焦工艺协同参数进行归集，生成基础炼焦样本数据与协同基础炼焦样本数据集合中基础炼焦样本数据之间的工艺协同信息，结合工艺协同信息，生成基础炼焦样本数据的工艺协同关系分布。
本实施例中，对目标炼焦工艺协同参数进行归集，生成基础炼焦样本数据与协同基础炼焦样本数据集合中基础炼焦样本数据之间的工艺协同信息可以是对目标炼焦工艺协同参数进行汇总，输出汇总后的炼焦工艺协同参数，而后对汇总后的炼焦工艺协同参数进行整理，结合整理信息，生成基础炼焦样本数据之间的工艺协同信息。
本实施例中，结合工艺协同关系分布，将基础炼焦样本数据作为模型更新成员生成第一模型更新知识导图的方式可以是结合工艺协同关系分布，生成一个关系图谱，关系图谱中的每一个图谱成员表示两个基础炼焦样本数据之间的工艺协同信息，从而将生成的关系图谱作为第一模型更新知识导图。
在生成完第一模型更新知识导图之后，便可以对第一模型更新知识导图进行去噪，输出模型更新知识导图。
Node104、结合模型更新知识导图对基础炼焦样本数据的基础焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据集合。
例如，可以将基础炼焦样本数据的基础焦炉焦炭质量数据在模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出基础炼焦样本数据的进阶焦炉焦炭质量数据信息，结合进阶焦炉焦炭质量数据信息，对基础炼焦样本数据的基础焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据集合，实施方式可以参照下述描述：
A1、将基础炼焦样本数据的基础焦炉焦炭质量数据在模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出基础炼焦样本数据的进阶焦炉焦炭质量数据信息。
本实施例中，进阶焦炉焦炭质量数据信息可以为将基础焦炉焦炭质量数据相应的焦炉焦炭质量数据分布在模型更新知识导图中质量指标关系变量关联后的得到焦炉焦炭质量数据分布的信息。
本实施例中，将基础炼焦样本数据的基础焦炉焦炭质量数据进行质量指标关系变量关联的示例可以参见下述描述：
例如，结合基础炼焦样本数据的基础焦炉焦炭质量数据，生成基础炼焦样本数据集合相应的基础焦炉焦炭质量数据集合，结合信任开发的质量指标关系变量关联算法，将基础焦炉焦炭质量数据在模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出基础炼焦样本数据的进阶焦炉焦炭质量数据信息，比如实施方式可以参照下述描述：
(1)结合基础炼焦样本数据的基础焦炉焦炭质量数据，生成基础炼焦样本数据集合相应的基础焦炉焦炭质量数据集合。
本实施例中，基础焦炉焦炭质量数据集合可以为将基础炼焦样本数据集合中所有的基础炼焦样本数据的基础焦炉焦炭质量数据进行结合分析得到的焦炉焦炭质量数据分布。
(2)结合信任开发的质量指标关系变量关联算法，将基础焦炉焦炭质量数据集合在模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出基础炼焦样本数据的进阶焦炉焦炭质量数据信息。
例如，可以结合模型更新知识导图确定基础炼焦样本数据之间的炼焦生产质量指标的协同热力值，获取炼焦生产质量指标的协同热力值相应的协同节点数量，而后结合协同节点数量，对基础炼焦样本数据的基础焦炉焦炭质量数据进行映射关联，将映射关联的基础焦炉焦炭质量数据进行归集，输出基础炼焦样本数据的进阶焦炉焦炭质量数据信息。
A2、结合进阶焦炉焦炭质量数据信息，对基础炼焦样本数据的基础焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据集合。
例如，在进阶焦炉焦炭质量数据信息中解析基础炼焦样本数据的进阶焦炉焦炭质量特征，结合进阶焦炉焦炭质量特征，生成基础炼焦样本数据的进阶焦炉焦炭质量数据，结合进阶焦炉焦炭质量数据，对基础炼焦样本数据的基础焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据。
在确定出基础炼焦样本数据的进阶焦炉焦炭质量数据，便可以对基础炼焦样本数据的基础焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据集合，更新可以是，将进阶焦炉焦炭质量数据与相应的基础炼焦样本数据的基础焦炉焦炭质量数据进行比较，当进阶焦炉焦炭质量数据与基础焦炉焦炭质量数据不匹配时，生成基础炼焦样本数据为待更新的目标基础炼焦样本数据，将目标基础炼焦样本数据的基础焦炉焦炭质量数据更新为相应的进阶焦炉焦炭质量数据，输出进阶炼焦样本数据集合。
Node105、结合进阶炼焦样本数据集合对焦炉焦炭质量预测模型进行参数层信息的调优和选取，而后结合参数层信息的调优和选取后的目标焦炉焦炭质量预测模型对传送的目标炼焦数据进行焦炉焦炭质量预测，获取结合参数层信息的调优和选取后的目标焦炉焦炭质量预测模型对传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据。
例如，Node105可以通过以下示例性的步骤实现。
C1、结合进阶炼焦样本数据集合对焦炉焦炭质量预测模型进行参数层信息的调优和选取。
例如，结合进阶炼焦样本数据集合中的焦炭质量指标特征和焦炉焦炭质量数据，对焦炉焦炭质量预测模型进行参数层信息的调优和选取，结合焦炉焦炭质量预测模型对进阶炼焦样本数据集合中的基础炼焦样本数据进行焦炭质量指标特征解析，结合目标焦炭质量指标特征簇，对基础炼焦样本数据的焦炉焦炭质量数据进行更新，返回执行结合进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征和焦炉焦炭质量数据，对焦炉焦炭质量预测模型进行参数层信息的调优和选取的流程，直至焦炉焦炭质量预测模型收敛，输出参数层信息的调优和选取后的目标焦炉焦炭质量预测模型。比如实施方式可以参照下述描述：
(1)结合进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征和焦炉焦炭质量数据，对焦炉焦炭质量预测模型进行参数层信息的调优和选取。
例如，可以结合进阶炼焦样本数据集合中基础炼焦样本数据的焦炉焦炭质量数据，生成基础炼焦样本数据的焦炉焦炭质量数据的第一质量预测能力指标，结合进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征，生成基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标，将第一质量预测能力指标和所述第二质量预测能力指标进行结合分析，而后结合分析获得的目标质量预测能力指标信息对焦炉焦炭质量预测模型进行参数层信息的调优和选取。
本实施例中，生成基础炼焦样本数据的焦炉焦炭质量数据的第一质量预测能力指标，例如可以是将基础炼焦样本数据的基础焦炉焦炭质量数据与质量指标关系变量关联后的焦炉焦炭质量数据进行比较，生成焦炉焦炭质量预测模型进行焦炉焦炭质量预测的预测损失值，而后结合交叉熵运转缺陷预测代价进行质量预测能力指标确定，由此确定第一质量预测能力指标。
本实施例中，生成基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标，例如可以是结合进阶炼焦样本数据集合中基础炼焦样本数据的焦炉焦炭质量数据，对基础炼焦样本数据进行聚类，输出各焦炉焦炭质量数据相应的基础炼焦样本数据聚类，结合基础炼焦样本数据聚类中基础炼焦样本数据的焦炭质量指标特征，确定基础炼焦样本数据聚类相应的目标焦炭质量指标特征，将基础炼焦样本数据的焦炭质量指标特征和基础炼焦样本数据聚类相应的目标焦炭质量指标特征进行结合分析，输出基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标。
本实施例中，确定基础炼焦样本数据聚类相应的目标焦炭质量指标特征，例如可以是计算基础炼焦样本数据聚类中基础炼焦样本数据的焦炭质量指标特征的指标特征区分度量均值，将该指标特征区分度量均值作为基础炼焦样本数据聚类相应的目标焦炭质量指标特征。
在确定基础炼焦样本数据聚类相应的目标焦炭质量指标特征之后，便可以将基础炼焦样本数据的焦炭质量指标特征和基础炼焦样本数据聚类相应的目标焦炭质量指标特征进行结合分析，输出基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标，结合分析可以是，结合基础炼焦样本数据的焦炭质量指标特征，确定基础炼焦样本数据聚类中基础炼焦样本数据之间的指标特征区分度量值，输出第一指标特征区分度量值，结合基础炼焦样本数据聚类相应的目标指标特征区分度量值，确定基础炼焦样本数据聚类之间的指标特征区分度量值，输出第二指标特征区分度量值，确定第一指标特征区分度量值和第二指标特征区分度量值之间的指标特征区分度量值，输出第三指标特征区分度量值，而后将第三指标特征区分度量值与预设指标映射参数进行结合分析，输出第四指标特征区分度量值，当第四指标特征区分度量值大于目标区分度量值时，确定第四指标特征区分度量值的指标特征区分度量均值，输出基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标。
本实施例中，将第一质量预测能力指标和所述第二质量预测能力指标进行结合分析，而后结合目标质量预测能力指标对焦炉焦炭质量预测模型进行参数层信息的调优和选取，如，可以获取第一质量预测能力指标和所述第二质量预测能力指标相应的协同节点数量，结合协同节点数量，分别对第一质量预测能力指标和所述第二质量预测能力指标进行映射关联，而后将映射关联的焦炉焦炭质量数据的第一质量预测能力指标和所述第二质量预测能力指标进行结合分析，输出目标质量预测能力指标，而后结合目标质量预测能力指标对焦炉焦炭质量预测模型进行参数层信息的调优和选取，由此迭代开发焦炉焦炭质量预测模型，或者，还可以直接将第一质量预测能力指标和所述第二质量预测能力指标进行结合分析，而后结合目标质量预测能力指标，结合梯度下降算法对焦炉焦炭质量预测模型进行参数层信息的调优和选取，以迭代开发焦炉焦炭质量预测模型。
(2)结合焦炉焦炭质量预测模型对进阶炼焦样本数据集合中的基础炼焦样本数据进行焦炭质量指标特征解析，输出目标焦炭质量指标特征簇。
例如，可以结合焦炉焦炭质量预测模型的焦炭质量指标特征解析结构解析进阶炼焦样本数据集合中每一基础炼焦样本数据的焦炭质量指标特征，输出焦炭质量指标特征簇。
(3)结合目标焦炭质量指标特征簇，对基础炼焦样本数据的焦炉焦炭质量数据进行更新。
例如，可以结合目标焦炭质量指标特征簇，将基础炼焦样本数据作为模型更新成员生成目标模型更新知识导图，将基础炼焦样本数据的焦炉焦炭质量数据在目标模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出基础炼焦样本数据的目标进阶焦炉焦炭质量数据信息，结合目标进阶焦炉焦炭质量数据信息对基础炼焦样本数据的焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据集合。
(4)返回执行结合进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征和焦炉焦炭质量数据，对焦炉焦炭质量预测模型进行参数层信息的调优和选取的步骤，直至焦炉焦炭质量预测模型收敛，输出参数层信息的调优和选取后的目标焦炉焦炭质量预测模型。
例如，在对基础炼焦样本数据的焦炉焦炭质量数据进行更新之后，就可以返回结合更新基础炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征和焦炉焦炭质量数据，对焦炉焦炭质量预测模型进行参数层信息的调优和选取的步骤，具体的参数层信息的调优和选取可以参照以上实施例。
C2、结合参数层信息的调优和选取后的目标焦炉焦炭质量预测模型对传送的目标炼焦数据进行焦炉焦炭质量预测。
例如，可以获取传送的目标炼焦数据，该传送的目标炼焦数据中具有多个目标目标炼焦数据片段，结合参数层信息的调优和选取后的目标焦炉焦炭质量预测模型的焦炭质量指标特征解析结构对传送的目标炼焦数据进行焦炭质量指标特征解析，输出目标目标炼焦数据片段的焦炭质量指标特征，结合参数层信息的调优和选取后的目标焦炉焦炭质量预测模型对焦炭质量指标特征进行焦炉焦炭质量预测，输出目标目标炼焦数据片段的焦炉焦炭质量预测信息，这里的焦炉焦炭质量预测信息可以包括目标目标炼焦数据片段所对应的灰分、硫分、冷热态强度、平均粒级等信息。
依据上述技术方案，本实施例通过结合焦炉焦炭质量预测模型对基础炼焦样本数据集合中的基础炼焦样本数据进行焦炭质量指标特征解析，输出焦炭质量指标特征簇，结合焦炭质量指标特征簇，将基础炼焦样本数据作为模型更新成员生成对应的模型更新知识导图，结合模型更新知识导图对基础炼焦样本数据的基础焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据集合，结合进阶炼焦样本数据集合对焦炉焦炭质量预测模型进行参数层信息的调优和选取，从而应用于目标炼焦数据的焦炉焦炭质量预测，从而在训练过程中结合焦炭质量指标特征簇进行基础焦炉焦炭质量数据的更新后再进行模型训练，可以提高焦炉焦炭质量预测的可靠性。
本实施例中，参见图3所示，该工业流程优化系统100可以包括：处理器101和机器可读存储介质101。其中，所述机器可读存储介质101用于存储支持该工业流程优化系统100执行上述前述任意一种实施例中提供的基于焦炭质量预测的工业流程优化方法的程序，所述处理器101被生成为用于执行所述机器可读存储介质101中存储的程序。
所述程序包括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101执行时能够实现前述任意一种实施例中的全部或部分步骤。
其中，所述工业流程优化系统100的架构中还可以包括通信单元103，用于该工业流程优化系统100与其它设备或通信网络通信(例如工艺控制节点端200)。
另外，本申请实施例提供了一种计算机存储介质，用于储存上述工业流程优化系统100所用的计算机软件指令，其包含用于执行上述前述任意一种方法实施例中基于焦炭质量预测的工业流程优化方法所涉及的程序。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.基于焦炭质量预测的工业流程优化方法，其特征在于，应用于工业流程优化系统，所述工业流程优化系统与多个工艺控制节点端通信连接，所述基于焦炭质量预测的工业流程优化方法包括：
获取基于目标焦炉焦炭质量预测模型对所述工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据；
提取所述目标焦炉焦炭质量数据中不满足预设质量要求的标的焦炉焦炭质量数据；
对所述标的焦炉焦炭质量数据所对应的炼焦流程节点进行追溯，获取待优化的目标炼焦流程节点序列以及所述目标炼焦流程节点序列中每个目标炼焦流程节点所对应的炼焦运转数据；
基于所述每个目标炼焦流程节点所对应的炼焦运转数据生成所述每个目标炼焦流程节点的运转缺陷预测信息，并基于所述运转缺陷预测信息对所述目标炼焦流程节点序列中每个目标炼焦流程节点进行工业流程优化。
2.根据权利要求1所述的基于焦炭质量预测的工业流程优化方法，其特征在于，所述基于所述每个目标炼焦流程节点所对应的炼焦运转数据生成所述每个目标炼焦流程节点的运转缺陷预测信息的步骤，包括：
将所述每个目标炼焦流程节点所对应的炼焦运转数据输入到训练完成的运转缺陷预测模型中，确定所述每个目标炼焦流程节点的运转缺陷预测信息；
其中，所述运转缺陷预测模型的模型训练步骤包括：
依据第一范例炼焦运转数据序列以及第一父运转缺陷预测模型确定第二范例炼焦运转数据序列，并依据所述第二范例炼焦运转数据序列更新初始子运转缺陷预测模型的预测函数权重信息，生成第一子运转缺陷预测模型，其中，所述第一范例炼焦运转数据序列中的每个范例炼焦运转数据均未携带实际运转缺陷信息；
依据所述第二范例炼焦运转数据序列、第一子运转缺陷预测模型、所述第一父运转缺陷预测模型及第三范例炼焦运转数据序列确定运转缺陷预测代价，并依据所述运转缺陷预测代价优化所述第一父运转缺陷预测模型的预测函数权重信息生成模糊父运转缺陷预测模型，其中，所述第三范例炼焦运转数据序列中的每个范例炼焦运转数据均携带实际运转缺陷信息；
将所述模糊父运转缺陷预测模型作为第一父运转缺陷预测模型，将所述第一子运转缺陷预测模型作为初始子运转缺陷预测模型，继续执行依据第一范例炼焦运转数据序列以及第一父运转缺陷预测模型确定第二范例炼焦运转数据序列的步骤，直至所述初始子运转缺陷预测模型的预测函数权重信息收敛，生成运转缺陷预测模型。
3.根据权利要求2所述的基于焦炭质量预测的工业流程优化方法，其特征在于，在所述依据第一范例炼焦运转数据序列以及第一父运转缺陷预测模型确定第二范例炼焦运转数据序列之前，包括：
依据第四范例炼焦运转数据序列训练初始化运转缺陷预测模型得到模板父运转缺陷预测模型，其中，所述第四范例炼焦运转数据序列中的每个范例炼焦运转数据均携带实际运转缺陷信息；
依据第五范例炼焦运转数据序列训练所述模板父运转缺陷预测模型生成第一父运转缺陷预测模型，并依据所述第五范例炼焦运转数据序列训练所述初始化运转缺陷预测模型生成初始子运转缺陷预测模型，其中，所述第五范例炼焦运转数据序列中的部分范例炼焦运转数据携带实际运转缺陷信息，部分范例炼焦运转数据未携带实际运转缺陷信息。
4.根据权利要求2所述的基于焦炭质量预测的工业流程优化方法，其特征在于，所述依据第一范例炼焦运转数据序列以及第一父运转缺陷预测模型确定第二范例炼焦运转数据序列，包括：
对于第一范例炼焦运转数据序列中的每个第一范例炼焦运转数据，将该第一范例炼焦运转数据输入所述第一父运转缺陷预测模型，通过所述第一父运转缺陷预测模型输出所述第一范例炼焦运转数据对应的第一预测运转缺陷信息；
将每个第一范例炼焦运转数据和其对应的第一预测运转缺陷信息作为一范例炼焦运转数据，并将得到的所有范例炼焦运转数据构成的范例炼焦运转数据序列作为第二范例炼焦运转数据序列；
所述依据所述第二范例炼焦运转数据序列、第一子运转缺陷预测模型、所述第一父运转缺陷预测模型以及第三范例炼焦运转数据序列确定运转缺陷预测代价，包括：
依据第三范例炼焦运转数据序列以及所述第一子运转缺陷预测模型确定第一训练代价对象；
依据第三范例炼焦运转数据序列以及所述第一父运转缺陷预测模型确定第二训练代价对象；
依据第二范例炼焦运转数据序列以及所述第一父运转缺陷预测模型确定第三训练代价对象；
依据所述第一训练代价对象、所述第二训练代价对象以及所述第三训练代价对象，确定运转缺陷预测代价。
5.根据权利要求4所述的基于焦炭质量预测的工业流程优化方法，其特征在于，所述依据所述第二范例炼焦运转数据序列以及所述第一父运转缺陷预测模型确定第三训练代价对象，包括：
分别对所述第二范例炼焦运转数据序列中的各第二范例炼焦运转数据以及分别关联的第二预测运转缺陷信息进行衍生；
将各衍生后的第二范例炼焦运转数据输入所述第一父运转缺陷预测模型，通过所述第一父运转缺陷预测模型确定各衍生后的第二范例炼焦运转数据分别关联的预测运转缺陷信息；
依据各衍生后的第二预测运转缺陷信息以及各预测运转缺陷信息，确定第三训练代价对象。
6.根据权利要求1-5任一所述的基于焦炭质量预测的工业流程优化方法，其特征在于，所述获取基于目标焦炉焦炭质量预测模型对所述工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测获得的目标焦炉焦炭质量数据的步骤，包括：
从预设炼焦数据库中获得基础炼焦样本数据集合，所述基础炼焦样本数据集合涵盖多个信任认证的基础焦炉焦炭质量数据的基础炼焦样本数据；
结合所述焦炉焦炭质量预测模型对所述基础炼焦样本数据集合中的基础炼焦样本数据进行焦炭质量指标特征解析，输出焦炭质量指标特征簇；
在所述焦炭质量指标特征簇中选择每一基础炼焦样本数据相应的焦炭质量指标特征，而后结合所述基础炼焦样本数据的焦炭质量指标特征，确定所述基础炼焦样本数据之间的炼焦工艺协同参数；
结合所述炼焦工艺协同参数，在所述基础炼焦样本数据集合中选择所述基础炼焦样本数据的关联基础炼焦样本数据，输出所述基础炼焦样本数据的协同基础炼焦样本数据集合；
在所述炼焦工艺协同参数中选择所述基础炼焦样本数据与相应的协同基础炼焦样本数据集合中基础炼焦样本数据之间的目标炼焦工艺协同参数；
对所述目标炼焦工艺协同参数进行归集，生成所述基础炼焦样本数据与所述协同基础炼焦样本数据集合中的基础炼焦样本数据之间的工艺协同信息；
结合所述工艺协同信息，生成所述基础炼焦样本数据的工艺协同关系分布；
结合所述工艺协同关系分布，将所述基础炼焦样本数据作为模型更新成员生成第一模型更新知识导图，而后对所述第一模型更新知识导图进行去噪，输出模型更新知识导图；
结合所述基础炼焦样本数据的基础焦炉焦炭质量数据在所述模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出所述基础炼焦样本数据的进阶焦炉焦炭质量数据信息；
结合所述进阶焦炉焦炭质量数据信息，对所述基础炼焦样本数据的基础焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据集合；
结合所述进阶炼焦样本数据集合对所述焦炉焦炭质量预测模型进行参数层信息的调优和选取，而后结合参数层信息的调优和选取后的目标焦炉焦炭质量预测模型对所述工艺控制节点端传送的目标炼焦数据进行焦炉焦炭质量预测。
7.根据权利要求6所述的基于焦炭质量预测的工业流程优化方法，其特征在于，所述结合所述基础炼焦样本数据的基础焦炉焦炭质量数据在所述模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出所述基础炼焦样本数据的进阶焦炉焦炭质量数据信息，包括：
结合所述基础炼焦样本数据的基础焦炉焦炭质量数据，生成所述基础炼焦样本数据集合相应的基础焦炉焦炭质量数据集合；
结合信任开发的质量指标关系变量关联算法，将所述基础焦炉焦炭质量数据集合在所述模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出所述基础炼焦样本数据的进阶焦炉焦炭质量数据信息；
其中，所述基础焦炉焦炭质量数据集合包括每一基础炼焦样本数据相应的基础焦炉焦炭质量数据，所述结合信任开发的质量指标关系变量关联算法，将所述基础焦炉焦炭质量数据集合在所述模型更新知识导图的模型更新成员之间进行质量指标关系变量关联，输出所述基础炼焦样本数据的进阶焦炉焦炭质量数据信息，包括：
结合所述模型更新知识导图确定所述基础炼焦样本数据之间的炼焦生产质量指标的协同热力值；
获取所述炼焦生产质量指标的协同热力值相应的协同节点数量，而后结合所述协同节点数量，对所述基础炼焦样本数据的基础焦炉焦炭质量数据进行映射关联；
将映射关联的基础焦炉焦炭质量数据进行归集，输出所述基础炼焦样本数据的进阶焦炉焦炭质量数据信息。
8.根据权利要求6所述的基于焦炭质量预测的工业流程优化方法，其特征在于，所述结合所述进阶焦炉焦炭质量数据信息，对所述基础炼焦样本数据的基础焦炉焦炭质量数据进行更新，输出进阶炼焦样本数据集合，包括：
在所述进阶焦炉焦炭质量数据信息中提取所述基础炼焦样本数据的进阶焦炉焦炭质量特征；
在所述进阶焦炉焦炭质量特征中选择质量指标值最大的焦炉焦炭质量指标；
在所述进阶焦炉焦炭质量特征中提取所述焦炉焦炭质量指标的指标属性数据；
获取所述指标属性数据相应的映射焦炉焦炭质量数据，将所述映射焦炉焦炭质量数据作为所述基础炼焦样本数据的进阶焦炉焦炭质量数据；
将所述进阶焦炉焦炭质量数据与相应的基础炼焦样本数据标注的基础焦炉焦炭质量数据进行比较；
如果分析到所述进阶焦炉焦炭质量数据与基础焦炉焦炭质量数据不匹配时，生成所述基础炼焦样本数据为待更新的目标基础炼焦样本数据；
将所述目标基础炼焦样本数据的基础焦炉焦炭质量数据更新为相应的进阶焦炉焦炭质量数据，输出所述进阶炼焦样本数据集合。
9.根据权利要求6所述的基于焦炭质量预测的工业流程优化方法，其特征在于，所述结合所述进阶炼焦样本数据集合对所述焦炉焦炭质量预测模型进行参数层信息的调优和选取，包括：
结合所述进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征和焦炉焦炭质量数据，对所述焦炉焦炭质量预测模型进行参数层信息的调优和选取；
结合所述焦炉焦炭质量预测模型对所述进阶炼焦样本数据集合中的基础炼焦样本数据进行焦炭质量指标特征解析，输出目标焦炭质量指标特征簇；
结合所述目标焦炭质量指标特征簇，对所述基础炼焦样本数据的焦炉焦炭质量数据进行更新；
返回执行所述结合所述进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征和焦炉焦炭质量数据，对所述焦炉焦炭质量预测模型进行参数层信息的调优和选取的步骤，直至所述焦炉焦炭质量预测模型收敛，输出参数层信息的调优和选取后的目标焦炉焦炭质量预测模型；
其中，所述结合所述进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征和焦炉焦炭质量数据，对所述焦炉焦炭质量预测模型进行参数层信息的调优和选取，包括：
结合所述进阶炼焦样本数据集合中基础炼焦样本数据的焦炉焦炭质量数据，确定所述基础炼焦样本数据的焦炉焦炭质量数据的第一质量预测能力指标；
结合所述进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征，确定所述基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标；
将所述第一质量预测能力指标和所述第二质量预测能力指标进行结合分析，而后结合分析获得的目标质量预测能力指标信息对所述焦炉焦炭质量预测模型进行参数层信息的调优和选取；
其中，所述结合所述进阶炼焦样本数据集合中基础炼焦样本数据的焦炭质量指标特征，确定所述基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标，包括：
结合所述进阶炼焦样本数据集合中基础炼焦样本数据的焦炉焦炭质量数据，对所述基础炼焦样本数据进行聚类，输出各焦炉焦炭质量数据相应的基础炼焦样本数据聚类；
结合所述基础炼焦样本数据聚类中基础炼焦样本数据的焦炭质量指标特征，获取所述基础炼焦样本数据聚类相应的目标焦炭质量指标特征；
将所述基础炼焦样本数据的焦炭质量指标特征和基础炼焦样本数据聚类相应的目标焦炭质量指标特征进行结合分析，输出所述基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标；
其中，所述将所述基础炼焦样本数据的焦炭质量指标特征和基础炼焦样本数据聚类相应的目标焦炭质量指标特征进行结合分析，输出所述基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标，包括：
结合所述基础炼焦样本数据的焦炭质量指标特征，确定所述基础炼焦样本数据聚类中基础炼焦样本数据之间的指标特征区分度量值，输出第一指标特征区分度量值；
结合所述基础炼焦样本数据聚类相应的目标指标特征区分度量值，确定所述基础炼焦样本数据聚类之间的指标特征区分度量值，输出第二指标特征区分度量值；
计算所述第一指标特征区分度量值和第二指标特征区分度量值之间的指标特征区分度量值，输出第三指标特征区分度量值，而后将所述第三指标特征区分度量值与预设指标映射参数进行结合分析，输出第四指标特征区分度量值；
如果分析到所述第四指标特征区分度量值大于目标区分度量值时，确定所述第四指标特征区分度量值的指标特征区分度量均值，输出所述基础炼焦样本数据的焦炭质量指标特征的第二质量预测能力指标。
10.基于焦炭质量预测的工业流程优化系统，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现权利要求1-9中任意一项的基于焦炭质量预测的工业流程优化方法。
CN202210553947.XA 2022-05-20 2022-05-20 基于焦炭质量预测的工业流程优化方法及系统 Pending CN114971258A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210553947.XA CN114971258A (zh) 2022-05-20 2022-05-20 基于焦炭质量预测的工业流程优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210553947.XA CN114971258A (zh) 2022-05-20 2022-05-20 基于焦炭质量预测的工业流程优化方法及系统

Publications (1)

Publication Number Publication Date
CN114971258A true CN114971258A (zh) 2022-08-30

Family

ID=82984353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210553947.XA Pending CN114971258A (zh) 2022-05-20 2022-05-20 基于焦炭质量预测的工业流程优化方法及系统

Country Status (1)

Country Link
CN (1) CN114971258A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679639A (zh) * 2023-05-26 2023-09-01 广州市博煌节能科技有限公司 金属制品生产控制系统的优化方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679639A (zh) * 2023-05-26 2023-09-01 广州市博煌节能科技有限公司 金属制品生产控制系统的优化方法及系统
CN116679639B (zh) * 2023-05-26 2024-01-05 广州市博煌节能科技有限公司 金属制品生产控制系统的优化方法及系统

Similar Documents

Publication Publication Date Title
Abrahamsson et al. Effort prediction in iterative software development processes--incremental versus global prediction models
CN114971258A (zh) 基于焦炭质量预测的工业流程优化方法及系统
Wang et al. On the use of time series and search based software engineering for refactoring recommendation
CN114970926A (zh) 一种模型训练方法、企业经营风险预测方法和装置
CN113190457A (zh) 面向网络化系统的软件可靠性测评方法
CN114169434A (zh) 一种负荷预测方法
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
Kacur et al. Model predictive control of UCG: An experiment and simulation study
CN110889079A (zh) 一种基于动态反演排放源数据的空气质量预报系统
CN117787743A (zh) 一种基于大数据的高炉炉况智能评价方法及系统
JP2013137774A (ja) プロセスの状態予測方法およびプロセス状態予測システム
CN117350897A (zh) 一种考虑空气湿度的转换功率预测的方法和系统
Garg et al. Constrained Laplacian biogeography-based optimization algorithm
CN112184412A (zh) 一种信用评分卡模型的建模方法、装置、介质及电子设备
CN116204849A (zh) 一种面向数字孪生应用的数据与模型融合方法
Jiang et al. Predictive modeling of the hot metal silicon content in blast furnace based on ensemble method
CN114841460A (zh) 基于机器学习的焦炭质量预测方法及系统
CN112800672B (zh) 锅炉粘污系数的评估方法、系统、介质及电子设备
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN115526433A (zh) 一种基于集成混合模型的电厂再热烟气挡板操作预测方法
CN113988370A (zh) 基于解析四维集合变分的求解条件非线性最优扰动方法
CN111985681A (zh) 数据预测方法、模型训练方法、装置、设备
Arakelyan et al. Analysis of the DCS historical data for estimation of input signal significance
Ploskas Parameter Tuning of Linear Programming Solvers
CN110942149B (zh) 一种基于信息变化率及条件互信息的特征变量选择方法

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