CN115034370B - 基于bp网络模型预测高炉炉缸活性的方法 - Google Patents
基于bp网络模型预测高炉炉缸活性的方法 Download PDFInfo
- Publication number
- CN115034370B CN115034370B CN202210721918.XA CN202210721918A CN115034370B CN 115034370 B CN115034370 B CN 115034370B CN 202210721918 A CN202210721918 A CN 202210721918A CN 115034370 B CN115034370 B CN 115034370B
- Authority
- CN
- China
- Prior art keywords
- hearth
- blast furnace
- activity
- data
- model
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 229910052742 iron Inorganic materials 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010079 rubber tapping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009851 ferrous metallurgy 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
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B2300/00—Process aspects
- C21B2300/04—Modeling of the process, e.g. for control purposes; CII
-
- 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
Abstract
本发明公开了一种基于BP网络模型预测高炉炉缸活性的方法，包括：步骤一，量化炉缸活性作为输出参数，确定输入参数，采集高炉稳定运行数据库的历史数据构建数据集；步骤二，对输入参数进行预处理；步骤三，采用皮尔逊相关性分析各参数在不同时间段与高炉风量之间的相关性，选取与高炉标态鼓风量相关性最大时对应的滞后时间作为当前参数参与运算的滞后时间；步骤四，使用min‑max法对高炉炉缸活性数据进行归一化处理；步骤五，建立BP网络初始模型，训练得到炉缸活性预测模型；步骤六，采集高炉运行数据，将采集到的输入参数输入炉缸活性预测模型，获取炉缸活性预测模型的输出作为炉缸活性的预测值。通过该方法能够取得较好的炉缸活性预测效果。
Description
技术领域
本发明涉及钢铁冶金技术领域，尤其涉及一种基于BP网络模型预测高炉炉缸活性的方法。
背景技术
高炉安全长寿、稳定顺行、降低能源消耗已经成为现代高炉发展的主要方向，而其关键在于提高高炉炉缸活性。由于在实际生产过程中实时获取相关参数困难且炉缸状态无法精确判断，各高炉的实际生产状况各有不同。目前判断炉缸活性主要依赖实际生产经验，借助相关参数间接反映炉缸活跃状况，对炉缸活跃的判断不及时不准确。随着高炉大型化进程加快，高炉容积越大，高炉各项参数滞后性和限制性也越大。只有对高炉炉缸活性提前作出预测，才能对高炉作业参数作出及时的调整，使得高炉炉缸活性维持在理想水平。
目前，关于高炉炉缸活性状况的判断方法都是对炉缸活性进行量化表征出来，这些方法可以将炉缸活性较好的表征出来，但是一些量化的参数不可测量，只能通过计算得出，还有的参数具有时间滞后性，这些特性将会导致计算结果对历史数据更加准确及时，但是在实际生产中，可能会产生较大误差影响操作人员对炉缸活性的判断。
发明内容
为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种基于BP网络模型预测高炉炉缸活性的方法。
提供了一种基于BP网络模型预测高炉炉缸活性的方法，包括：
步骤一，量化炉缸活性作为输出参数，确定高炉标态鼓风量、出铁量、出铁速度、炉腹煤气量、CO利用率、富氧量作为输入参数，采集高炉稳定运行数据库的历史数据构建数据集，并将数据集划分为训练集、验证集和测试集；
步骤二，对输入参数进行预处理；
步骤三，采用皮尔逊相关性分析各参数在不同时间段与高炉风量之间的相关性，选取与高炉标态鼓风量相关性最大时对应的滞后时间作为当前参数参与运算的滞后时间；
步骤四，使用min-max法对高炉炉缸活性数据进行归一化处理；
步骤五，建立BP网络初始模型，将输入参数作为初始模型的输入，将输出参数作为初始模型的输出，用训练集数据训练初始模型，并用验证集数据进行验证，用测试集数据进行测试，得到炉缸活性预测模型；
步骤六，采集高炉运行数据，将采集到的输入参数输入炉缸活性预测模型，获取炉缸活性预测模型的输出作为炉缸活性的预测值。
在一些可选的实现方式中，步骤一中，通过下述公式量化炉缸活性：
其中，F为炉缸活性指数、T中心为炉缸中心温度、T侧壁为炉缸侧壁温度、T铁水为铁水物理热、Tz为高炉透气性指数。
在一些可选的实现方式中，炉缸中心温度、炉缸侧壁温度输入节点滞后1-8小时，具体滞后时间以二者与高炉鼓风量的皮尔逊相关性方法分析绝对值最大为判断标准。
在一些可选的实现方式中，步骤二中，采用拉依达准则剔除数据异常值，对于异常值用热卡填充法填充代替。
在一些可选的实现方式中，步骤三中，通过下述公式计算皮尔逊相关系数r：
其中Xi为输入参数的值，为输入参数的平均值，Yi为输出参数的值，/>为输出参数的平均值，n为数据组数。
在一些可选的实现方式中，步骤四中，通过下述公式对高炉炉缸活性数据进行min-max归一化：
其中，y为经过归一化处理的值，x为样本数据的值，max为样本数据的最大值，min为样本数据的最小值，归一化后的取值范围为[0,1]。
在一些可选的实现方式中，步骤五中BP网络初始模型为三层网络结构，在网络的学习和训练过程中，通过不断调节来确定最适合预测炉缸活性的学习率，并根据训练的收敛情况设定合适的训练步数和最大误差，训练完成后得到炉缸活性预测模型。
在一些可选的实现方式中，训练初始模型的过程中，对预测结果采用决定系数R2、均方误差MSE衡量模型预测的准确率。
在一些可选的实现方式中，步骤六中，通过下述公式获取决定系数R2：
通过下述公式获取均方误差MsE：
其中，yi表示高炉炉缸活性的真实值，表示高炉炉缸活性的预测值，n为数据组数。
在一些可选的实现方式中，还包括：
步骤七，根据高炉运行数据库采集最新数据的频率，采用最新数据覆盖相应时长的前期历史建模的数据，动态更新高炉炉缸活性预测模型的参数。
本发明技术方案的主要优点如下：
本发明的基于BP网络模型预测高炉炉缸活性的方法，将BP神经网络、时间滞后性分析和炉缸活性的量化互相结合起来，突破了对高炉炉缸活性的检测与操作更多依赖于操作人员的经验基础，建立了一种面向在线建模和预测、训练速度快、稳定性较好、适合处理复杂非线性、时间滞后性问题的预测模型，能够取得较好的炉缸活性预测效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例提供的基于BP网络模型预测高炉炉缸活性的方法的流程图；
图2为本发明一实施例提供的基于BP网络模型预测高炉炉缸活性的方法中BP网络模型的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合附图，详细说明本发明实施例提供的技术方案。
第一方面，本发明实施例提供了一种基于BP网络模型预测高炉炉缸活性的方法，如附图1所示，包括以下步骤：
(1)，根据下述公式对炉缸活性进行量化作为模型的输出参数：
其中，F为炉缸活性指数、T中心为炉缸中心温度、T侧壁为炉缸侧壁温度、T铁水为铁水物理热、Tz为高炉透气性指数。量化所选的参数多为不能实时得到或通过检测、计算得出的参数，将复杂的参数加入量化公式中，一方面为了将影响炉缸活性因素大的参数加入量化，另一方面可以将能够在高炉操作中实时得到的相关参数当作输入参数，使模型可以起到实时监控、预测炉缸活性的作用。
确定输入参数为：高炉风量、出铁量、出铁速度、炉腹煤气量、CO利用率、富氧量。
采集高炉稳定运行数据库的历史数据，将其分类为训练集、验证集、测试集，其中训练集占80％、验证集占10％、测试集占10％。训练集用于模型拟合的数据样本；验证集是模型训练过程中单独留出的样本集，可以用于调整模型的超参数和对模型的能力进行初步评估。通常用来在模型迭代训练时，用以验证当前模型泛化能力、准确率、召回率等，决定是否停止继续训练。测试集用来评估模型最终的泛化能力，但不能作为调参、选择特征等算法相关的选择的依据。
(2)对高炉数据进行预处理，采用拉依达准则筛选数据异常值。确定误差区间为三倍标准差，超过这个区间的误差应予以剔除，减小异常数据对模型预测精度的影响。
对于异常值用热卡填充法填充代替，热卡填充法是在完整数据中找到一个与它最相似的对象，用最相似的值填充当前值，补充用拉依达准则剔除的数据。
(3)采用皮尔逊相关性分析炉缸中心温度、炉缸侧壁温度与高炉鼓风量之间的滞后时间，选取高炉稳定生产的参数作为研究对象，设定二者与高炉标态鼓风量不同的滞后时间，根据计算不同滞后时间二者与高炉鼓风量的皮尔逊相关系数，进而选取相关性系数绝对值最大对应的滞后时间为合理的滞后时间。
皮卡逊相关系数通过下述公式确定：
其中，r为皮卡逊相关系数，Xi为输入参数的值，为输入参数的平均值，Yi为输出参数的值，/>为输出参数的平均值。
(4)使用min-max法对数据进行归一化处理，归一化后的取值范围为[0,1]，从而降低计算量并减小误差。归一化让不同维度之间的特征在数值上有比较性，可以大大提高模型的准确性。数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解，提升了收敛的速度。还解决数值计算问题，若两个变量的量纲不同，可能一个的数值远大于另一个那么他们同时作为变量的拟合时候可能会造成数值计算等问题。min-max归一化具体公式为：
其中y为经过归一化处理的值，x为样本数据的值，max为样本数据的最大值，min为样本数据的最小值。
(5)基于BP网络模型建立高炉炉缸活性预测模型，具体方法为：
a，确定网络结构，设定训练函数、传递函数、学习率、训练步数和最大误差参数，并通过对比分析获得最优参数，以获得的最优参数，基于网络结构，建立初始模型。初始模型为三层，包括输入层、隐藏层和输出层，其结构示意图可以参见附图2。
b，使用训练样本对初始模型进行训练，得到炉缸活性预测模型，然后采用测试样本对炉缸活性训练模型进行测试验证模型性能。
c，将输出所对应的输入变量，输入到训练好网络预测模型中，获得炉缸活性的预测值。
对于预测的炉缸活性指数，当F≥85时，炉缸较为活跃；85＞F≥60时，炉缸一般活跃；F<60时，炉缸不活跃。
(6)对预测结果采用决定系数(R2)、均方误差(MSE)衡量模型预测的准确率。决定系数的大小决定了相关的密切程度，当R2越接近1时，表示相关的预测值与真实值误差越小，相反越接近0时，表示误差值越大，价值越低。均方误差是指参数预测值与参数真值之差平方的期望值，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
决定系数公式为：
其中，yi表示高炉炉缸活性的真实值，表示高炉炉缸活性的预测值，n为数据组数。
均方误差公式为：
(7)根据高炉运行数据库采集数据的频率，采用最新的数据对炉缸活性预测模型的参数进行更新，动态更新高炉炉缸活性预测模型的最新数据，增加模型的预测命中率。
本发明将BP神经网络、时间滞后性分析和炉缸活性的量化互相结合起来，突破了对高炉炉缸活性的检测与操作更多依赖于操作人员的经验基础，建立了一种面向在线建模和预测、训练速度快、稳定性较好、适合处理复杂非线性、时间滞后性问题的预测模型，能够取得较好的炉缸活性预测效果。
本发明的有益效果如下：
(1)对模型的输入变量进行了科学选取，将容易得到，可实时产生的数据输入模型，将难测量和需要计算的参数进行量化，可实现在线预测炉缸活性；
(2)模型能够实现提前若干小时对高炉炉缸活性指数的在线预测，训练速度极快，为高炉操作人员提供炉缸活性的实时状况；
(3)BP网络模型采用误差反向传播的方式，通过对误差的逐级调整，最终达到了最小化误差值的目的。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于BP网络模型预测高炉炉缸活性的方法，其特征在于，包括：
步骤一，量化炉缸活性作为输出参数，确定高炉标态鼓风量、出铁量、出铁速度、炉腹煤气量、CO利用率、富氧量作为输入参数，采集高炉稳定运行数据库的历史数据构建数据集，并将数据集划分为训练集、验证集和测试集；
步骤二，对输入参数进行预处理；
步骤三，采用皮尔逊相关性分析各参数在不同时间段与高炉风量之间的相关性，选取与高炉标态鼓风量相关性最大时对应的滞后时间作为当前参数参与运算的滞后时间；
步骤四，使用min-max法对高炉炉缸活性数据进行归一化处理；
步骤五，建立BP网络初始模型，将输入参数作为初始模型的输入，将输出参数作为初始模型的输出，用训练集数据训练初始模型，并用验证集数据进行验证，用测试集数据进行测试，得到炉缸活性预测模型；
步骤六，采集高炉运行数据，将采集到的输入参数输入炉缸活性预测模型，获取炉缸活性预测模型的输出作为炉缸活性的预测值；
步骤一中，通过下述公式量化炉缸活性：
其中，F为炉缸活性指数、T中心为炉缸中心温度、T侧壁为炉缸侧壁温度、T铁水为铁水物理热、Tz为高炉透气性指数；
步骤三中，通过下述公式计算皮尔逊相关系数r：
其中，Xi为输入参数的值，为输入参数的平均值，Yi为输出参数的值，/>为输出参数的平均值，n为数据组数；
步骤四中，通过下述公式对高炉炉缸活性数据进行min-max归一化：
其中，y为经过归一化处理的值，x为样本数据的值，max为样本数据的最大值，min为样本数据的最小值，归一化后的取值范围为[0,1]；
训练初始模型的过程中，对预测结果采用决定系数R2、均方误差MSE衡量模型预测的准确率；
步骤六中，通过下述公式获取决定系数R2：
通过下述公式获取均方误差MSE：
其中，yi表示高炉炉缸活性的真实值，表示高炉炉缸活性的预测值，n为数据组数。
2.根据权利要求1所述的基于BP网络模型预测高炉炉缸活性的方法，其特征在于，炉缸中心温度、炉缸侧壁温度输入节点滞后1-8小时，具体滞后时间以二者与高炉鼓风量的皮尔逊相关性方法分析绝对值最大为判断标准。
3.根据权利要求1所述的基于BP网络模型预测高炉炉缸活性的方法，其特征在于，步骤二中，采用拉依达准则剔除数据异常值，对于异常值用热卡填充法填充代替。
4.根据权利要求1所述的基于BP网络模型预测高炉炉缸活性的方法，其特征在于，步骤五中BP网络初始模型为三层网络结构，在网络的学习和训练过程中，通过不断调节来确定最适合预测炉缸活性的学习率，并根据训练的收敛情况设定合适的训练步数和最大误差，训练完成后得到炉缸活性预测模型。
5.根据权利要求1所述的基于BP网络模型预测高炉炉缸活性的方法，其特征在于，还包括：
步骤七，根据高炉运行数据库采集最新数据的频率，采用最新数据覆盖相应时长的前期历史建模的数据，动态更新高炉炉缸活性预测模型的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210721918.XA CN115034370B (zh) | 2022-06-24 | 2022-06-24 | 基于bp网络模型预测高炉炉缸活性的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210721918.XA CN115034370B (zh) | 2022-06-24 | 2022-06-24 | 基于bp网络模型预测高炉炉缸活性的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115034370A CN115034370A (zh) | 2022-09-09 |
| CN115034370B true CN115034370B (zh) | 2024-02-27 |
Family
ID=83126236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210721918.XA Active CN115034370B (zh) | 2022-06-24 | 2022-06-24 | 基于bp网络模型预测高炉炉缸活性的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034370B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
| WO2021068454A1 (zh) * | 2019-10-12 | 2021-04-15 | 联合微电子中心有限责任公司 | 一种基于bp神经网络的微能源器件能量识别方法 |
-
2022
- 2022-06-24 CN CN202210721918.XA patent/CN115034370B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
| WO2021068454A1 (zh) * | 2019-10-12 | 2021-04-15 | 联合微电子中心有限责任公司 | 一种基于bp神经网络的微能源器件能量识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曾燕飞 ; 李小伟 ; .基于BP神经网络的高炉铁水硅含量预测模型研究.微计算机信息.2006,(19),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115034370A (zh) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114611844B (zh) | 一种转炉出钢过程合金加入量的确定方法和系统 | |
| CN108335487B (zh) | 一种基于交通状态时序性的道路交通状态预测系统 | |
| CN114021290B (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
| CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
| CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
| CN116307289A (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
| CN114819178A (zh) | 一种铁路施工进度指标预测和在线更新方法 | |
| CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
| CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 | |
| CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
| CN113705897A (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
| CN111126550B (zh) | 基于蒙特卡洛方法的神经网络钢水温度预报方法 | |
| CN110196797B (zh) | 适于信用评分卡系统的自动优化方法和系统 | |
| CN109840309B (zh) | 一种铁水脱硫剂用量的计算方法 | |
| CN114875196B (zh) | 一种转炉出钢量的确定方法和系统 | |
| CN116484745A (zh) | 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法 | |
| CN110807511A (zh) | 粗糙集理论-循环神经网络模型结构 | |
| CN114841277A (zh) | 一种转炉出钢合金收得率预测方法和系统 | |
| CN114970813A (zh) | 一种溶解氧浓度数据修复及预报方法 | |
| CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
| CN111861041A (zh) | 一种预测Nb微合金钢动态再结晶型流变应力的方法 | |
| CN112906765A (zh) | 一种基于rbf神经网络的客户洗钱风险等级划分方法及系统 | |
| CN114154667A (zh) | 一种基于大数据的混合式时间序列电梯运行参数预测方法 | |
| CN117732886B (zh) | 一种基于级联智能诊断的热轧质量预控制方法 | |
| CN117265214B (zh) | 一种特种钢生产的优化控制方法及系统 |
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 |