CN114997486A - 一种基于宽度学习网络的自来水厂的出水余氯预测方法 - Google Patents
一种基于宽度学习网络的自来水厂的出水余氯预测方法 Download PDFInfo
- Publication number
- CN114997486A CN114997486A CN202210582208.3A CN202210582208A CN114997486A CN 114997486 A CN114997486 A CN 114997486A CN 202210582208 A CN202210582208 A CN 202210582208A CN 114997486 A CN114997486 A CN 114997486A
- Authority
- CN
- China
- Prior art keywords
- layer
- water plant
- learning network
- data
- characteristic
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 39
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 title claims abstract description 25
- 239000000460 chlorine Substances 0.000 title claims abstract description 25
- 229910052801 chlorine Inorganic materials 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 125000001309 chloro group Chemical group Cl* 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000008399 tap water Substances 0.000 description 4
- 235000020679 tap water Nutrition 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000005708 Sodium hypochlorite Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011045 prefiltration Methods 0.000 description 2
- SUKJFIGYRHOWBL-UHFFFAOYSA-N sodium hypochlorite Chemical compound [Na+].Cl[O-] SUKJFIGYRHOWBL-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 229940037003 alum Drugs 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Treatment Of Water By Oxidation Or Reduction (AREA)
Abstract
本发明公开了一种基于宽度学习网络的自来水厂的出水余氯预测方法，包括以下步骤：首先对自来水厂的数据集进行标准化预处理，然后对标准化处理后的自来水厂数据集的辅助变量利用主成分分析方法(PCA)方法得到其低维的特征映射，再通过将辅助变量的低维特征映射作为输入、目标变量作为输出，最后使用求伪逆的方法训练宽度学习网络模型，得到自来水厂出水余氯预测模型。本发明克服了观测数据存在的非线性、时变性、干扰性问题，为自来水厂日常的运行决策提供了技术参考。
Description
技术领域
本发明涉及一种自来水厂关键水质参数预测方法，特别是涉及一种基于宽度学习网络的自来水厂的出水余氯预测方法。
背景技术
水是生命之源，城市供水是保障区域经济发展、人民生活水平的重要基础设施。供水行业管理的能力直接反映在供水质量上，并且影响着整个国民生产水平、人民生活质量和供水企业的经济效益。一直以来，我国供水行业传统的计测手段、落后的制水控制和管理水平束缚了供水企业合理、安全、经济的运行，随着社会对供水质量和安全可靠性要求的不断提高，利用先进高效的设备、加药手段和方法，实现生产工艺自动化，加强水处理各个工艺环节的自动监测和自动控制对于现代化水厂的建设显得意义重大，而在自来水厂现代化建设的过程中，对于自来水厂关键水质参数进行快速准确的预测，则对自来水厂日常的运行决策提供重要的依据和建议，这对推动现代化自来水厂的建设尤为重要。
目前，对于自来水厂关键水质参数的预测模型建模方法上，传统机理模型大多使用机器学习方法，如支持向量机、线性回归模型等，传统机理模型依托于真实的工艺过程，可以从本质上很好的反映目标变量与输入变量之间的关系，但现实生活中的工艺过程，往往存在一些容易被忽略的工艺细节，这就使得传统的机理模型不能完全反映输入输出之间的关系。
因此，如何进行自来水厂关键水质参数的预测建模，是本领域需要解决的技术难题。
发明内容
发明目的：本发明要解决的技术问题是提供一种基于宽度学习的自来水厂关键水质参数预测的方法，在现有自来水厂观测数据存在非线性、时变性、干扰性问题的情况下，解决了自来水厂出水余氯参数不能准确预测的问题，实现自来水厂出水余氯的准确实时预测，为自来水厂日常运行操作中的决策提供技术参考。
技术方案：本发明所述的基于宽度学习网络的自来水厂出水余氯预测，包括以下步骤：
(1)对自来水厂数据集X(J×K)进行数据标准化预处理，其中，J为自来水厂各传感器输出的观测变量的样本个数，K为自来水厂的观测数据的变量个数；
(2)根据步骤(1)的数据预处理结果，将预处理后的自来水厂数据经过主成分分析(PCA)处理，得到的观测变量个数由K个减少为F个，得到代表自来水厂数据集的二维矩阵X(J×F)；
(3)将步骤(2)中所述的二维数据集X(J×F)和目标变量(出水余氯)中前80％的样本作为训练集、后20％的样本作为验证集，训练宽度学习网络模型，若验证的R2决定系数大于0.95，则保留所训练的宽度学习网络模型后结束训练，否则使用增量学习算法继续训练，直到满足条件为止；
进一步的，步骤(2)中的数据预处理过程为：二维数据集X(J×F)，按列对各个变量进行标准化处理，从而消除在建模过程中各变量间的量纲影响，建立均值方差标准化是一种将数据转化为标准正态分布的标准化方法，如下：
其中，x为自来水厂单个数据的取值，μ为变量对应列的均值，σ为变量对应列的标准差；
进一步的，步骤(2)中对预处理过后的数据进行的主成分分析方法为：
PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。
(1)自来水厂标准化后数据集为二维矩阵X(J×K)，将数据按列组成K行J列的矩阵U,其中J为样本个数，K为辅助变量个数；
(2)将U的每一行(代表一个属性)进行零均值化，即减去这一行的均值；
(3)求出协方差矩阵
(4)求出协方差矩阵的特征值及对应的特征向量；
(5)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前F行组成矩阵P；Y＝PU即为降维到F维后的数据。
进一步的，步骤(3)中训练宽度学习网络模型的方法为：
宽度学习网络结构共有四层：输入层，特征层，增强层与输出层；构建基于宽度学习网络的预测模型共分为四步：将变量处理并输入网络，构建宽度学习中的特征层，构建增强层，将特征层和增强层的输出融合成为输出层的输入，根据输出层的输入和目标变量求取其对应的伪逆；确定用于预测出水余氯的宽度学习网络各批次神经元个数为K，特征神经元组数为N，N为整数，N∈[5,30]，增强神经元组数为M，M为整数，M∈[5,30]，输出神经元个数为1，使用训练样本训练宽度学习网络；选取的经过PCA处理得到的6个变量作为网络输入可以表示为：
X(t)＝[X1(t),X2(t),X3(t),X4(t),X5(t),X6(t)],t＝1,2,...,Q
其中，Q为样本数；输入层：输入层由6个神经元组成，每一个输入神经元的输出可以表示为：
Ue(t)＝Xe(t),e＝1,2,3,...,6
其中，Xe(t)为输入层第e个神经元的输入值，Ue(t)为输入层第e个神经元的输出值。
特征层：特征层由N组神经元组成，第i组特征神经元的输出可以表示为：
Zi(t)＝φi(XWei+βei),i＝1,2,...,N
其中，Wei是第e个输入神经元与第i组特征神经元之间的权重，βei为第e个输入神经元与第i组特征神经元之间的偏差项，φ为激活函数。所有特征节点组合在一起为：
ZN(t)≡[Z1,Z2,...,ZN]
增强层：增强层由M组神经元节点组成，第j组增强层的输出可以表示为：
Hj(t)＝ξj(ZNWhj+βhj),j＝1,2,...,M
其中，Whj、βhj为特征层输出与第h组增强层中第j个增强节点之前的权重和偏差项，ξj为激活函数；所有增强节点组可表示为：
HM(t)≡[H1,H2,...,HM]
宽度学习模型可以表示为：
Y＝[Z1,Z2,...,ZN|ξ(ZNWh1+βh1),...,ξ(ZNWhM+βhM)]WM
＝[Z1,Z2,...,ZN|H1,...,HM]WM
＝[ZN|HM]WM
WM＝[ZN|HM]+Y为特征层与增强层组成的输入与模型输出之间连接的权重矩阵，可通过[ZN|HM]+的岭回归近似计算出来。原理为：
进一步的，步骤(3)中宽度学习网络模型的增量学习方法为：
在模型的训练过程中，当学习无法达到预期的精度，通过插入额外的增强节点来实现更好的性能。该增量学习方法的原理如下：
假设AM＝[ZN|HM]，
则AM+1＝[AM|ξ(ZNWhM+1+βhM+1)]；
D＝(AM)+ξ(ZNWhM+1+βhM+1)；
C＝ξ(ZNWhM+1+βhM+1)-AMD；
由上可得新的权重矩阵：
此处WhM+1∈RNK×p，βhM+1∈Rp分别代表从特征映射到p个额外增加的增强节点之间的连接权重和偏差。增量学习算法的逐步更新特点使得只需要计算额外增强节点的伪逆，而不是整个AM+1的计算，从而实现快速增量学习。
进一步的，步骤(3)中宽度学习网络模型的确定的超参数为：
特征节点组个数：M＝10；增强节点组个数：N＝10,各组节点数：L＝50。
本发明的有益效果
本方法能够很好的处理观测数据存在的非线性、时变性、干扰性的问题，不需要完全理解自来水厂工艺来构建机理模型，同时也不依赖专家先验知识来设置各变量阈值，能够动态实时准确预测出水余氯的参数值，给自来水厂后续运行操作提供建议。
本方法设计的宽度学习网络模型包含增强层，增量学习算法的逐步更新特点使得只需要计算额外增强节点的伪逆，而不是整个AM+1的计算，从而实现快速增量学习。
附图说明
图1是本方法整体流程图；
图2是出水余氯数据采样频率为每分钟一次的预测结果图；
图3是出水余氯数据采样频率为每4分钟一次的预测结果图；
图4是出水余氯数据采样频率为每10分钟一次的预测结果图。
具体实施方式
下面结合实施例对本发明作进一步说明，但本发明的保护范围不限于此：
本实施例采用浙江某自来水厂的真实数据集，共30246个样本，每10秒采样一次，共12个变量，这12个变量分别是原水浊度、原水流量、原水PH、一期滤前水浊度、一期滤前水PH、一期加药流量、一期加矾流量、一起出水流量、滤后水余氯、次氯酸钠滤后投加流量、次氯酸钠补加流量、出水余氯。该数据集模拟了自来水厂正常运行情况下的运行情况，数据集中包括了11个辅助变量和1个目标变量。具体变量符号、描述和单位如表1所示。
表1自来水厂变量描述
本方法的整体流程如图1所示，具体实施步骤如下：
步骤1：自来水厂数据集X(30246×12)，其中，30246为自来水厂各传感器输出的观测变量的样本个数，12为自来水厂的观测数据的变量个数；
针对二维数据集X(30246×12)，按列对各个变量进行均值方差标准化处理，从而消除在建模过程中各变量间的量纲影响，建立均值方差标准化是一种将数据转化为标准正态分布的标准化方法，如下：
其中，x为自来水厂单个数据的取值，μ为变量对应列的均值，σ为变量对应列的标准差。经过标准化后得到的新数据集为X'(30246×12)。
步骤2：将自来水厂数据集X'(30246×12)中的目标变量(出水余氯)与剩余的11个辅助变量分隔开成两个数据集，分别为X_train和X_label两个数据集，将数据集X_train利用sklearn库中的PCA模块，进行主成分分析(PCA)处理，得到的辅助变量个数由11个减少为6个，得到代表自来水厂数据集的二维矩阵X”(30246×6)。
步骤3：使用sklearn库中的train_test_split函数将二维数据集X”(30246×6)和目标变量(出水余氯)中按0.2的比例分成df_train(训练集辅助变量)、df_test(测试集辅助变量)、train_label(训练集目标变量)、test_label(测试集目标变量)。使用df_train作为宽度学习网络模型的输入，train_label作为宽度学习网络模型的输出，训练宽度学习网络模型，将df_test作为训练好的宽度学习网络模型的输入，得到预测结果predict_label，由predict_label和test_label，可计算得到MSE(均方误差)、RMSE(均方根误差)、MAE(平均绝对误差)和R2决定系数，若R2决定系数大于0.95，则保留所训练的宽度学习网络模型后结束训练，否则使用增量学习算法继续训练，直到满足条件为止。最终确定的宽度学习网络超参数：特征节点组个数：M＝10；增强节点组个数：N＝10,各组节点数：L＝50。
本实施例对测试样本的预测结果如图2、3、4所示，R2决定系数为0.968。本实施例的结果验证了方法有效性，说明本方法能够很好的处理观测数据存在的非线性、时变性、干扰性的问题，不需要完全理解自来水厂工艺来构建机理模型，同时也不依赖专家先验知识来设置各变量阈值，能够动态实时准确预测出水余氯的参数值，给自来水厂后续运行操作提供建议。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于宽度学习网络的自来水厂的出水余氯预测方法，其特征在于包括以下步骤：
(1)对自来水厂数据集X(J×K)进行数据标准化预处理，其中，J为自来水厂观测数据的样本个数，K为自来水厂的观测数据的变量个数；
(2)根据步骤(1)的数据预处理结果，将预处理后的自来水厂数据经过主成分分析PCA处理，得到的观测变量个数由K个减少为F个，得到代表自来水厂数据集的二维矩阵X(J×F)；
(3)将步骤(2)中所述的二维数据集X(J×F)和目标变量中前80％的样本作为训练集、后20％的样本作为验证集，训练宽度学习网络模型，所述目标变量为出水余氯；若验证的R2决定系数大于0.95，则保留所训练的宽度学习网络模型后结束训练，否则使用增量学习算法继续训练，直到满足条件为止。
2.根据权利要求1所述的基于宽度学习网络的自来水厂的出水余氯预测方法，其特征在于步骤(1)中的数据标准化预处理通过下式进行：
其中，x为自来水厂单个数据的取值，μ为变量对应列的均值，σ为变量对应列的标准差。
3.根据权利要求1所述的基于宽度学习网络的自来水厂的出水余氯预测方法，其特征在于步骤(2)中将预处理过的数据再进行PCA降维的方法提取数据的主要特征分量，实现高维数据的降维，通过线性变换将原始数据变换为一组各维度线性无关的表示。
4.根据权利要求1所述的基于宽度学习网络的自来水厂的出水余氯预测方法，其特征在于步骤(3)中所述的宽度学习网络模型：
宽度学习网络结构共有四层：输入层，特征层，增强层与输出层；选取的经过标准化、PCA处理后得到的6个变量作为网络输入表示为：
X(t)＝[X1(t),X2(t),X3(t),X4(t),X5(t),X6(t)],t＝1,2,...,Q,
其中，Q为样本数；
输入层：输入层由6个神经元组成，每一个输入神经元的输出表示为：
Ue(t)＝Xe(t),e＝1,2,3,...,6其中，Xe(t)为输入层第e个神经元的输入值，Ue(t)为输入层第e个神经元的输出值；
特征层：特征层由N组神经元组成，第i组特征神经元的输出表示为：
Zi(t)＝φi(X(t)Wei+βei),i＝1,2,...,N
其中，Wei是第e个输入神经元与第i组特征神经元之间的权重，βei为第e个输入神经元与第i组特征神经元之间的偏差项，权重和偏差均为随机生成的；φ为激活函数；所有特征节点组合在一起为：
ZN≡[Z1,Z2,...,ZN]
增强层：增强层由M组神经元节点组成，第j组增强层的输出可以表示为：
Hj＝ξj(ZNWhj+βhj),j＝1,2,...,M
Whj、βhj为特征层输出与第h组增强层中第j个增强节点之前的权重和偏差项，均为随机生成的且分别与Wei、βei独立同分布；ξj为激活函数；所有增强节点组表示为：
HM≡[H1,H2,...,HM]
宽度学习模型表示为：
Y＝[Z1,Z2,...,ZN|ξ(ZNWh1+βh1),...,ξ(ZNWhM+βhM)]WM
＝[Z1,Z2,...,ZN|H1,...,HM]WM
＝[ZN|HM]WM
其中，WM＝[ZN|HM]+Y为特征层与增强层组成的输入与模型输出之间连接的权重矩阵，通过[ZN|HM]+的岭回归近似计算出来。
5.根据权利要求1所述的基于宽度学习网络的自来水厂的出水余氯预测方法，其特征在于步骤(3)中的增量学习算法：
在模型的训练过程中，当学习无法达到预期的精度，通过插入额外的增强节点来实现更好的性能，加入节点后更新权重矩阵WM为WM+1，
式中，系数D、BT通过引入计算参数AM、C求解获得：
记AM＝[ZN|HM]，
则AM+1＝[AM|ξ(ZNWhM+1+βhM+1)]；
D＝(AM)+ξ(ZNWhM+1+βhM+1)；
C＝ξ(ZNWhM+1+βhM+1)-AMD；
式中，WhM+1∈RNK×p，βhM+1∈Rp分别代表从特征映射到p个额外增加的增强节点之间的连接权重和偏差；联立上面多个等式求解获得系数D、BT。
6.根据权利要求4所述的基于宽度学习网络的自来水厂的出水余氯预测方法，其特征在于步骤(3)中：M＝10，N＝10，L＝50，其中M为增强层中的增强节点组的个数，N为特征层中的特征节点组的个数，L为增强节点组和特征节点组中的神经元个数，分别为增强节点组中的增强节点个数和特征节点组的特征节点个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210582208.3A CN114997486A (zh) | 2022-05-26 | 2022-05-26 | 一种基于宽度学习网络的自来水厂的出水余氯预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210582208.3A CN114997486A (zh) | 2022-05-26 | 2022-05-26 | 一种基于宽度学习网络的自来水厂的出水余氯预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997486A true CN114997486A (zh) | 2022-09-02 |
Family
ID=83028834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210582208.3A Pending CN114997486A (zh) | 2022-05-26 | 2022-05-26 | 一种基于宽度学习网络的自来水厂的出水余氯预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997486A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523388A (zh) * | 2023-04-17 | 2023-08-01 | 无锡雪浪数制科技有限公司 | 一种基于工业互联网平台的数据驱动的质量建模方法 |
-
2022
- 2022-05-26 CN CN202210582208.3A patent/CN114997486A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523388A (zh) * | 2023-04-17 | 2023-08-01 | 无锡雪浪数制科技有限公司 | 一种基于工业互联网平台的数据驱动的质量建模方法 |
| CN116523388B (zh) * | 2023-04-17 | 2023-11-10 | 无锡雪浪数制科技有限公司 | 一种基于工业互联网平台的数据驱动的质量建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guh et al. | An effective application of decision tree learning for on-line detection of mean shifts in multivariate control charts | |
| CN111126658A (zh) | 一种基于深度学习的煤矿瓦斯预测方法 | |
| CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN110210687A (zh) | 一种基于局部加权慢特征回归的非线性动态生产过程产品质量预测方法 | |
| CN114722952B (zh) | 一种基于表示学习的轴承故障检测和分类的一体化方法 | |
| CN114997486A (zh) | 一种基于宽度学习网络的自来水厂的出水余氯预测方法 | |
| CN114385614A (zh) | 基于Informer模型的水质预警方法 | |
| CN108710964A (zh) | 一种模糊时间序列水产养殖水质环境数据的预测方法 | |
| CN114280935A (zh) | 一种基于信息熵的半监督fcm和sae的多阶段发酵过程故障监测方法 | |
| CN113052271A (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| Zhu et al. | Parallel interaction spatiotemporal constrained variational autoencoder for soft sensor modeling | |
| CN110245398B (zh) | 空气预热器转子热变形量的软测量深度学习方法 | |
| CN116483036B (zh) | 一种基于Transformer的自编码器软测量建模方法 | |
| CN117171713A (zh) | 一种基于轴承寿命的交叉自适应深度迁移学习方法及系统 | |
| Wang et al. | Mutual information-weighted principle components identified from the depth features of stacked autoencoders and original variables for oil dry point soft sensor | |
| CN111863153A (zh) | 一种基于数据挖掘的废水中悬浮固体总量的预测方法 | |
| CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
| Zhao | The water potability prediction based on active support vector machine and artificial neural network | |
| CN116629126A (zh) | 一种基于动态多头注意力机制的软测量建模方法 | |
| CN114330089B (zh) | 一种稀土元素含量变化预测方法及系统 | |
| CN116204781A (zh) | 旋转机械故障迁移诊断方法及系统 | |
| Liu et al. | STA-APSNFIS: STA-optimized adaptive pre-sparse neuro-fuzzy inference system for online soft sensor modeling | |
| Hu et al. | Fault Diagnosis Using Deep Learning for Wastewater Treatment Processes | |
| Vazquez-Lopez et al. | On the Use of the FuzzyARTMAP Neural Network for Pattern Recognition in Statistical Process Control using a Factorial Design |
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 |