CN115138472B - 分选悬浮液密度给定方法及系统 - Google Patents
分选悬浮液密度给定方法及系统 Download PDFInfo
- Publication number
- CN115138472B CN115138472B CN202210673623.XA CN202210673623A CN115138472B CN 115138472 B CN115138472 B CN 115138472B CN 202210673623 A CN202210673623 A CN 202210673623A CN 115138472 B CN115138472 B CN 115138472B
- Authority
- CN
- China
- Prior art keywords
- density
- sorting
- decision
- suspension
- value
- 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
- 239000000725 suspension Substances 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000003245 coal Substances 0.000 claims abstract description 101
- 238000000926 separation method Methods 0.000 claims abstract description 30
- 238000002360 preparation method Methods 0.000 claims abstract description 22
- 239000002956 ash Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 31
- 238000004519 manufacturing process Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 239000010883 coal ash Substances 0.000 claims description 19
- 238000003556 assay Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000002156 mixing Methods 0.000 claims description 14
- 239000007788 liquid Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000007667 floating Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 101100438378 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) fac-1 gene Proteins 0.000 claims description 6
- 101100326803 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) fac-2 gene Proteins 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 230000002354 daily effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000009472 formulation Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 238000009991 scouring Methods 0.000 description 6
- 238000005406 washing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03B—SEPARATING SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS
- B03B13/00—Control arrangements specially adapted for wet-separating apparatus or for dressing plant, using physical effects
- B03B13/005—Methods or arrangements for controlling the physical properties of heavy media, e.g. density, concentration or viscosity
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种分选悬浮液密度给定方法及系统，属于选煤技术领域。所述方法包括：在预设决策机候选库中，根据当前所处工作时段确定输出分选悬浮液密度给定值的决策机作为执行决策机；采集选煤机组的运行数据信息；基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值；根据所述当前所处工作时段对应的分选悬浮液密度给定值执行分选悬浮液密度控制。本发明方案解决了现有分选悬浮液密度制定方案缺少准确性和及时性，并且存在很大的随机性和滞后性的问题。
Description
技术领域
本发明涉及选煤技术领域，具体地涉及一种分选悬浮液密度给定方法及一种分选悬浮液密度给定系统。
背景技术
煤炭使用量常年高居不下，大气环境污染越发严重，为了改善这种情况，煤炭的生产技术和可持续利用技术已经成为人们广泛研究的热点。选煤工艺作为煤炭生产的主要环节之一，对煤炭资源生态环境具有非常重要的影响作用。选煤厂实际分选过程较为复杂，产品是区间控制，难以做到精确控制。重介质选煤技术是现在选煤行业中重要的分选技术，因其分选效果好而在当代煤炭洗选加工领域占据绝对的主导地位，同时重介分选悬浮液密度又是影响洗选效果最为关键的指标，决定了分选效果的好坏。重介质选煤技术对原煤的洗练效果与重介质的密度直接相关，重介质密度过大或过小均会对洗练效果造成影响。对于原煤来源相对固定，原煤情况比较同一的选煤厂来说，重介质密度仅需要保持在一个水平上便可以实现所有原煤洗练。但是对于那些配煤洗选的洗煤厂来说，因为原煤来源存在区别，原煤的情况也比较参差，使得想要获得满意的洗练效果，就不得不随着原煤情况进行对应的重介质密度调整。目前密度控制的密度目标值主要通过操作人员根据个人经验主观判断决定，缺少准确性和及时性，并且存在很大的随机性和滞后性，针对现有方法存在的问题，需要创造一种新的分选悬浮液密度给定方法。
发明内容
本发明实施方式的目的是提供一种分选悬浮液密度给定方法及系统，以至少解决目前密度控制缺少准确性和及时性，并且存在很大的随机性和滞后性的问题。
为了实现上述目的，本发明第一方面提供一种分选悬浮液密度给定方法，应用于重介质选煤过程中的重介分选悬浮液密度控制，所述方法包括：在预设决策机候选库中，根据当前所处工作时段确定输出分选悬浮液密度给定值的决策机作为执行决策机；采集选煤机组的运行数据信息；基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值；根据所述当前所处工作时段对应的分选悬浮液密度给定值执行分选悬浮液密度控制。
可选的，所述预设决策机候选库中至少包括：一个用于在每天生产班组开始工作前的时间区段进行分选悬浮液密度给定值输出的第一决策机；一个用于在每天生产班组开始工作后的初始运行时间区段进行分选悬浮液密度给定值输出的第二决策机；其中，所述初始运行时间区段的起始时刻与选煤机组的启动时刻重合。
可选的，所述方法还包括：
构建所述决策机候选库，包括：为所有候选决策机指定对应的工作时段、优先级和权重；其中，所述第一决策机的工作时段与其他决策机的工作时段均不存在重合部分；除第一决策机以外，其余每两个相邻决策机允许存在部分工作时段的重合。
可选的，所述在预设决策机候选库中，根据当前所处工作时段确定输出分选悬浮液密度给定值的决策机作为执行决策机，包括：若当前所处工作时段内仅存在一个候选决策机，则直接将该候选决策机作为执行决策机；若当前所处工作时段内存在多个候选决策机，则对比各候选决策机的优先级，选定优先级最高的候选决策机作为执行决策机；若当前所处工作时段内存在多个候选决策机，且存在多个优先级最高的候选决策机，则选定优选级最高的候选决策机共同作为执行决策机，并在输出分选悬浮液密度给定值时根据各决策机的权重进行加权处理。
可选的，所述选煤机组的运行数据信息包括：机组历史运行数据、实时运行数据和目标运行数据；其中，所述机组历史运行数据包括：原煤浮沉实验数据、灰分化验历史数据、分选密度历史数据和原煤配煤历史数据；所述实时运行数据包括：实时原煤配煤数据和实时灰分化验数据；所述目标运行数据为灰分目标值。
可选的，所述基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值，包括：若当前所处工作时段的决策机为第一决策机，则当前所处工作时段对应的分选悬浮液密度给定值为机组运行初始值；所述机组运行初始值包括：分选密度初始值和重介密度因子函数。
可选的，所述分选密度初始值的指定规则包括：在预构建的RBF神经网络中，最小二乘法支持向量机作为核函数，根据所述原煤浮沉实验数据进行分选密度初始值预测；所述重介密度因子初始值的指定规则包括：根据所述灰分化验历史数据、所述分选密度历史数据、所述原煤配煤历史数据和所述实时原煤配煤数据进行重介密度因子初始值推算；根据所述原煤浮沉实验数据进行HR可选性曲线推算；对所述HR曲线进行多项拟合处理，获得密度-灰分的HR曲线函数；对所述密度-灰分的HR曲线函数进行求导处理，获得重介密度因子的HR曲线函数；根据所述重介密度因子初始值和所述重介密度因子的HR曲线函数获得重介密度因子函数，其计算公式为：
ρfac＝Y密度因子HR*qfac1+ρfacint*qfac2
其中，ρfac为重介密度因子函数；Y密度因子HR为重介密度因子的HR曲线函数；ρfacint为重介密度因子初始值；qfac1、qfac2为预设权重。
可选的，所述基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值，还包括：若当前所处工作时段的决策机为第二决策机，则当前决策机的输出规则为：对所述分选密度历史数据中处于当前工作时段内前后预定时间内的分选密度历史数据进行算术平均处理，获得分选密度历史数据平均值；基于所述实时灰分化验数据和所述重介密度因子函数获得当前工作时段的重介密度因子；基于所述分选密度历史数据平均值、所述实时灰分化验数据、所述重介密度因子和所述灰分目标值计算当前决策机的输出值；基于当前决策机的权重对当前决策机的输出值进行加权处理，获得分选悬浮液密度给定值；其中，当前决策机的输出值的计算规则为：
JCOn＝ρ1+(ADsp-H1)*ρfacn
其中，JCOn为第n个决策机的输出值，n≠1；ρ1为分选密度历史数据平均值；ADsp为灰分目标值；H1为实时灰分化验数据；ρfacn为第n个决策机的重介密度因子。
可选的，所述基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值，还包括：若当前所处工作时段的决策机不为第一决策机和第二决策机，则当前决策机的输出规则为：将原煤从重介分选设备开始到精煤灰分仪获得精煤产品灰分值截止的时间区间作为一个计算周期；记录每一个计算周期的悬浮液密度计计数和精煤灰分仪的实时数据；统计当前工作时段内计算周期的悬浮液密度平均值和精煤灰分仪数据平均值；基于所述精煤灰分仪数据平均值计算获得当前工作时段的重介密度因子；基于所述悬浮液密度平均值、所述精煤灰分仪数据平均值、所述灰分目标值和所述重介密度因子计算当前决策机的输出值；基于当前决策机的权重对当前决策机的输出值进行加权处理，获得分选悬浮液密度给定值；其中，当前决策机的输出值的计算规则为：
JCOm＝ρavg+(ADsp-ADavg)*ρfacm
其中，JCOm为第m个决策机的输出值，m≠1；ρavg为悬浮液密度平均值；ADsp灰分目标值；ADavg为精煤灰分仪数据平均值；ρfacm为第m个决策机的重介密度因子。
可选的，所述基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值，还包括：从用户端获取手动调整历史记录；其中，所述手动调整历史记录包括：调整时刻的机组运行状态参数、调整指令和调整后的机组运行状态参数；将所述手动调整历史记录作为训练样本，实时基于用户反馈进行有监督的机器学习，获得调整方案预测模型；将所述运行数据作为入参，进行所述调整方案预测模型训练，输出对应的调整方案，基于所述调整方案获得分选悬浮液密度给定值。
可选的，所述方法还包括：进行所述调整方案自动修正，包括：每获得一个分选悬浮液密度给定值，将所述分选悬浮液密度给定值推送到用户端；回收用户端的标定分选悬浮液密度给定值，基于所述标定分选悬浮液密度给定值进行计算分选悬浮液密度给定值误差确定；基于确定的分选悬浮液密度给定值误差进行调整方案修正。
本发明第二方面提供一种分选悬浮液密度给定系统，应用于重介质选煤过程中的重介分选悬浮液密度控制，所述系统包括：决策单元，用于在预设决策机候选库中，根据当前所处工作时段确定输出分选悬浮液密度给定值的决策机作为执行决策机；采集单元，用于采集选煤机组的运行数据信息；处理单元，用于基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值；输出单元，用于根据所述当前所处工作时段对应的分选悬浮液密度给定值执行分选悬浮液密度控制。
另一方面，本发明提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的分选悬浮液密度给定方法。
通过上述技术方案，本发明方案预设多个决策机，基于不同时间段的工作特性，每一个决策机负责不同时间段的分选悬浮液密度给定，通过针对性的决策机预设，可以充分考虑对应时间段的工作特性，提高悬浮液密度给定的精准性。且在对应的时间区段内由对应的决策及进行分选悬浮液密度给定，保证了悬浮液你密度给定的及时性。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的分选悬浮液密度给定方法的步骤流程图；
图2是本发明一种实施方式提供的决策机输出方案的步骤流程图；
图3是本发明一种实施方式提供的分选悬浮液密度给定系统的系统结构图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
煤炭使用量常年高居不下，大气环境污染越发严重，为了改善这种情况，煤炭的生产技术和可持续利用技术已经成为人们广泛研究的热点。选煤工艺作为煤炭生产的主要环节之一，对煤炭资源生态环境具有非常重要的影响作用。选煤厂实际分选过程较为复杂，产品是区间控制，难以做到精确控制。
重介质选煤技术是现在选煤行业中重要的分选技术，因其分选效果好而在当代煤炭洗选加工领域占据绝对的主导地位，同时重介分选悬浮液密度又是影响洗选效果最为关键的指标，决定了分选效果的好坏。
重介质选煤技术是用密度大于水，并介于煤和矸石之间的重液或重悬浮液作介质实现分选的一种重力选煤方法。依所用介质不同，可分为重液选煤和重悬浮液选煤两大类。重液是指某些无机盐类的水溶液和高密度的有机溶液。重悬浮液是由加重质(高密度固体微粒)与水配制成具有一定密度呈悬浮状态的两相流体。当原煤给入充满这种悬浮液的分选机后，小于悬浮液密度的煤上浮，大于悬浮液密度的矸石(或中煤)下沉，实现按密度分选。重液选煤因介质腐蚀性大，回收难，成本高，工业上未能应用。生产中广泛应用的是重悬浮液选煤，通称重介质选煤。
重介质选煤技术对原煤的洗练效果与重介质的密度直接相关，重介质密度过大或过小均会对洗练效果造成影响。对于原煤来源相对固定，原煤情况比较同一的选煤厂来说，重介质密度仅需要保持在一个水平上便可以实现所有原煤洗练。但是对于那些配煤洗选的洗煤厂来说，因为原煤来源存在区别，原煤的情况也比较参差，使得想要获得满意的洗练效果，就不得不随着原煤情况进行对应的重介质密度调整。目前密度控制的密度目标值主要通过操作人员根据个人经验主观判断决定，缺少准确性和及时性，并且存在很大的随机性和滞后性，针对现有方法存在的问题，本发明方案提出了一种新的分选悬浮液密度给定方法，以解决目前密度控制缺少准确性和及时性，并且存在很大的随机性和滞后性的问题。
图3是本发明一种实施方式提供的分选悬浮液密度给定系统的系统结构图。如图3所示，本发明实施方式提供一种分选悬浮液密度给定系统，所述系统包括：决策单元，用于在预设决策机候选库中，根据当前所处工作时段确定输出分选悬浮液密度给定值的决策机作为执行决策机；采集单元，用于采集选煤机组的运行数据信息；处理单元，用于基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值；输出单元，用于根据所述当前所处工作时段对应的分选悬浮液密度给定值执行分选悬浮液密度控制。
图1是本发明一种实施方式提供的分选悬浮液密度给定方法的方法流程图。如图1所示，本发明实施方式提供一种分选悬浮液密度给定方法，所述方法包括：
步骤S10：在预设决策机候选库中，根据当前所处时间段确定输出分选悬浮液密度给定值的决策机，作为执行决策机。
具体的，通过在服务器上预设的决策机发挥出计算机运行的准确性和及时性，不同决策机负责不同时间段的分选悬浮液密度给定值运算，使得在实际生产过程中，能够基于不同的生产时间区段，进行快速的重介质密度调整相应，克服人工设定的随机性和滞后性，从而及时获得准确的重介分选密度调整值。决策机为基于决策树进行状态预测的智能模块，其可以根据输入的实时状态参数，通过预设预测规律进行对应的目标状态预测，从而输出对应的分选密度目标值。
在实际生产过程中，煤流的煤质波动存在一定的时间相关性，即不同的生产时间区段可能存在不同的分选悬浮液密度。且若单一决策机执行所有时间区段的分选悬浮液密度运算，其运算频率和运算数据量都是巨大的，这对于决策机的长期稳定运行会造成一定的影响，且也会增长响应时间。为了极大程度上的发挥准确性和及时性，本发明方案本发明方案预设有多个决策机，每个决策机仅负责一个时间区段的分选悬浮液密度给定值运算。本发明方案预设有多个决策机的还有一个目的在于，不同的时间区段所需要的决策树模型不同，例如在生产开始前，进行初始值设定时，这种时候因为不存在输入的原煤信息，需要根据既往的历史信息进行初始值设定，所以这个时间区段的决策机的入参为既往的历史信息。而后续使用过程中，随着原煤数据的不断采集，对应的模型也对发生对应的变化，所以不同时间区段设置不同的决策机，可以保证分选悬浮液密度运算的准确性。
所以首先需要构建预设决策机候选库，以保证后续根据对应的时间区段选择适应的决策及。优选的，所述预设决策机候选库中，至少包括一个用于在每天生产班组开始时间前进行分选悬浮液密度给定值输出的第一决策机。因为生产开始前和生产开始后的决策结果存在极大的区别，为了进行区分，需要单独设置一个在生产开始前的决策机，作为第一决策机，以进行机组初始参数设定。构建所述决策机候选库，包括：为所有候选决策机指定对应的工作时间段、优先级和权重；其中，所述第一决策机的时间段与其他决策机的时间段均不存在重合部分；除第一决策机以外，其余每两个相邻决策机允许存在部分时间段的重合部分。
例如，预设三个决策机，首先设定每个决策机的作用时间，其中，第一个决策机为每天的生产班组的开始时间前一段时间(例如：19:00-20:30)。第二决策机的作用时间、第三决策机的作用时间为每天的生产班组的正式开始时间段(例如：20:30-8:00+1天)。通过作用时间设定将不同决策机分配在不同时间区间，而得到不同的分选密度的给定值。然后各每一个决策机设定优先级，优先级越高，对应决策机的输出结果被作为最终结果的优先级也就越高，若在同一时间区段内存在多个决策机时，可以通过优先级进行执行决策机判定，选择优先级最高的决策机为执行决策机。最后还需要为各决策机指定权重，该权重是为了相同时间段内，最高权重存在多个决策机时，通过权重进行这些决策机输出结果加权处理，保证获得的结果符合预期。
具体的，若当前所处时间段内仅存在一个候选决策机，则直接将该候选决策机作为执行决策机；若当前所处时间段内存在多个候选决策机，则对比各候选决策机的优先级，选定优先级最高的候选决策机为执行决策机；若当前所处时间段内存在多个候选决策机，且存在多个优先级最高的候选决策机时，则选定这些优选级最高的候选决策机共同作为执行决策及，并在输出分选悬浮液密度给定值时根据各决策机的权重进行加权处理。
在本发明实施例中，为了避免时间采集误差导致的决策机选择错误，运行除第一决策机以外其他相邻决策机之间存在一定的重合时间区段，只要保证连个决策机的负责时间区段不完全重合便可。
步骤S20：采集选煤机组的运行数据信息。
具体的，完成执行决策机确定后，便可以基于该决策机进行后续状态预测，基于预测状态进行对应的分选悬浮液密度给定。该决策机的入参为当前的运行数据或历史运行数据，所以在预测之间，需要采集机组的运行数据。优选的，所述选煤机组的运行数据信息包括：机组历史运行数据、实时运行数据和目标运行数据；其中，所述机组历史运行数据包括：原煤浮沉实验数据、灰分化验历史数据、分选密度历史数据、原煤配煤历史数据；所述实时运行数据包括：实时原煤配煤数据、实时灰分化验数据；所述目标运行数据为灰分目标值。
步骤S30：基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处时段对应的分选悬浮液密度给定值。
具体的，在实际的应用过程中，其实可以将实际的工作区段分为三个大的区段，及生产开始前时间段、生产开始后的第一个时间段、生产开始后一定时间后的时间段。之所以这样分，是因为生产前时间段仅能通过历史运行数据进行初始值指定；生产开始后的第一个时间段同样缺乏实际采集数据，需要根据所述初始值已经实验数据进行分选悬浮液密度指定；而生产开始后一定时间后的时间段存在了一定的当前机组采集参数，可以根据当前机组的参数进行对应的分选悬浮液密度指定。基于此，为便于方案解释，改步骤预设3个时间区段，分别为生产开始前的第一时间区段、生产刚开始的第二时间区段和生产开始后的第三时间区段。对应的决策机为第一决策机、第二决策机和第三决策机。如图2，对应的三个时间区段的分选悬浮液密度给定值运算步骤为：
步骤S301：进行第一决策机输出值运算。
具体的，若当前所处时间段的决策机为第一决策机，则当前所处时段对应的分选悬浮液密度给定值为机组运行初始值；所述机组运行初始值包括：分选密度初始值和重介密度因子函数。所述分选密度初始值的指定规则包括：在预构建的RBF神经网络中，最小二乘法支持向量机作为核函数，根据所述原煤浮沉实验数据进行分选密度初始值预测；所述重介密度因子初始值的指定规则包括：根据所述灰分化验历史数据、所述分选密度历史数据、所述原煤配煤历史数据和所述实时原煤配煤数据进行重介密度因子初始值推算；根据所述原煤浮沉实验数据进行HR(亨利可选性曲线)可选性曲线推算；对所述HR曲线进行多项拟合处理，获得密度-灰分的HR曲线函数；对所述密度-灰分的HR曲线函数进行求导处理，获得重介密度因子的HR曲线函数；根据所述重介密度因子初始值和所述重介密度因子的HR曲线函数获得重介密度因子函数，其计算公式为：
ρfac＝Y密度因子HR*qfac1+ρfacint*qfac2
其中，ρfac为重介密度因子函数；Y密度因子HR为重介密度因子的HR曲线函数；ρfacint为重介密度因子初始值；qfac1、qfac2为预设权重。
在本发明实施例中，HR可选性曲线是根据物料沉浮实验结果而绘制出的一组曲线，反映的是该物料所有密度级或者任一密度级的数、质量情况。因此可以用来判断矿物的可选性，在选矿特别是在选煤工艺中具有十分重要的意义。所以，关于原煤浮沉实验已经对应的HR可选性曲线拟合为本领域的公知常识，在此就不再赘述了。
步骤S302：进行第二决策机输出值运算。
具体的，因为机组刚开始运行，所以第二决策机依旧缺乏机组的实时回收数据。所以第二决策机进行输出时，同样仅能通过历史数据和实验数据进行预测。具体的，对所述分选密度历史数据中处于当前时间段内前后预定时间内的分选密度历史数据进行算术平均处理，获得分选密度历史数据平均值；基于所述实时灰分化验数据和所述重介密度因子函数获得当前时间段的重介密度因子；基于所述分选密度历史数据平均值、所述实时灰分化验数据、所述重介密度因子和所述灰分目标值计算当前决策机的输出值，其计算规则为：
JCOn＝ρ1+(ADsp-H1)*ρfacn
其中，JCOn为第n个决策机的输出值，n≠1；ρ1为分选密度历史数据平均值；ADsp为灰分目标值；H1为实时灰分化验数据；ρfacn为第n个决策机的重介密度因子。
在本发明方案中，通过灰分化验数据、灰分目标值、分选密度历史数据和重介密度因子函数进行对应的分选悬浮液密度给定，不需要使用实时采集数据，实现了机组开始运行时段的分选悬浮液密度精准运算。
步骤S303：进行第三决策机输出值运算。
具体的，第三决策机开始执行是，整个机组已经运行了一定的时间，即精煤灰分仪已经开始反馈原煤的精煤产品灰分值，则从第三决策机开始，便可以根据该反馈值进行动态修正，以保证机组运行过程中的分选悬浮液密度值实时修正。将原煤从重介分选设备开始，到精煤灰分仪获得精煤产品灰分值截至，将时间区间作为一个计算周期；记录每一个计算周期的悬浮液密度计计数和精煤灰分仪的实时数据；统计当前时间段内计算周期的悬浮液密度平均值和精煤灰分仪数据平均值；基于所述精煤灰分仪数据平均值计算获得当前时间段的重介密度因子；基于所述悬浮液密度平均值、所述精煤灰分仪数据平均值、所述灰分目标值和所述重介密度因子计算当前决策机的输出值，其计算规则为：
JCOm＝ρavg+(ADsp-ADavg)*ρfacm
其中，JCOm为第m个决策机的输出值，m≠1；ρavg为悬浮液密度平均值；ADsp灰分目标值；ADavg为精煤灰分仪数据平均值；ρfacm为第m个决策机的重介密度因子。
若当前时间区段仅存在一个决策机，则当前时间区段的分选密度给定值即为基于当前决策机的权重对当前输出值进行加权处理后的值，其规则为：
JOCUTn＝JOCn*Qn
其中，JOCUTn为第n个时间段的分选密度给定值；JOCn为第n各决策机的输出值；Qn为第n各决策机的预设权重。
若当前实践区段内存在多个决策机，则当前决策机的权重对所有决策机输出值进行加权处理后的值，其计算规则为：
JOCUTa＝JOCb*Qb*Qb+…JOCz*Qz*Qz
其中，JOCUTa为第a个时间段的分选密度给定值。
步骤S40：根据所述当前所处时段对应的分选悬浮液密度给定值执行分选悬浮液密度控制。
具体的，获得当前时间区段的分选密度决策值后，便可以将分选密度给定值作为调整目标值，基于该目标值指定对应的调整方案。将该调整方案发送到对应的执行单元，将分选悬浮液的密度调整到该目标值上，完成悬浮液密度动态调整。
优选的，本发明方案还包括可将决策机设置为训练模式，获取用户手动调整历史记录；其中，所述手动调整历史记录包括：调整时刻的机组运行状态参数、调整指令、调整后的机组运行状态参数；将所述手动调整历史记录作为训练样本，实时基于用户反馈进行有监督的机器学习，获得调整方案预测模型；将所述运行数据作为入参，进行所述调整方案预测模型训练，输出对应的调整方案，基于所述调整方案获得分选悬浮液密度给定值。进行所述调整方案自动修正，包括：每获得一个分选悬浮液密度给定值，便将所述分选悬浮液密度给定值推送到用户端；回收用户的标定分选悬浮液密度给定值，基于所述标定分选悬浮液密度给定值进行计算分选悬浮液密度给定值误差确定；基于确定地误差进行调整方案修正。
在一种可能的实施方式中，训练模式的所使用的决策机硬件模块包括：存储模块、学习模块、运算模块、服务端数据通讯模块、客户端数据通讯模块、决策机结果主动推送模块、决策机结果主动推送显示模块、决策机人工修正回馈模块。
其中：存储模块用于存储两部分内容：一部分来自待训练的决策机的运行结果，存储单元命名为决策机训练前的原始运行结果；一部分来自存储人工修正决策机结果输入、人工修正原因，存储单元命名为决策机训练后调整值和调整原因。
学习模块用于学习存储模块里的数据，从而修正待训练决策机的运行结果，密度调整值和密度调整原因。
运算模块用于运行待训练的决策机、决策机管理机，进而获得待训练决策机的结果和决策机管理机的输出(重介密度分选密度给定)，并将结果存入到的。当有回馈结果时，负责将数据存入的。
服务端数据通讯模块用于监视待训练决策机模块、决策机管理模块，当有新结果产生时，负责将其的数据推送到。也负责接收的回馈数据。
客户端数据通讯模块用于接收的数据，并送给结果主动推送模块。并负责接收的人工修正回馈模块，将数据回传给。
决策机结果主动推送模块用于将获得的数据，去主动更新需要显示的数据。
决策机结果主动推送显示模块用于将最新获得的数据以主动推送的方式显示在决策机客户机上，供决策机训练员查看、决策。可以通过输入对决策机的修正值，通过输入修正原因，最后通过点击确认本次决策机训练或取消本次训练。为保证决策机的时效性，还包括了，可定时将本次决策机结果推送显示进行关闭。
决策机人工修正回馈模块用于接收，并将其传输给。
具体的训练流程为：
1)决策机管理机将某决策机设置为训练模式。
2)待训练的决策机在决策机服务器上计算运行，结果存储在服务器上。
3)决策机服务器将计算的结果通过服务端数据通讯模块、客户端数据通讯模块、决策机结果主动推送模块推送到决策机客户机上供决策机训练员查看和分析。
4)查看的结果为决策机结果主动推送显示模块提供，包括：决策机运行结果详细描述文本、人工修正决策机结构输入框、人工调整原因输入框、窗口关闭的倒计时控件、确定按钮、取消按钮。
5)决策机训练员在客户机上输入调整值和调整原因，并确认。结果由决策机人工修正回馈模块、模块返回给。决策机训练员必须在窗口关闭倒计时结束前输入，否则会被判为本次放弃训练，效果同点击取消按钮。
6)服务器接收反馈结果决策机管理机执行调整后的结果，并存储训练员输入的调整值和调整原因。
7)待训练的决策机调用学习模块分析学习决策机训练前的原始运行结果、决策机训练后调整值和调整原因，调整运行的结果，并跳转到2)。
具体的说，决策机训练的采用基于BP神经网络的学习算法，其训练模型为：
Y＝Hβ
其中，
Y是分选密度设定-训练集目标；H是待训练的决策机模型-隐藏层输出矩阵；M是输出的数量，M＝1。训练阶段中，决策训练员输入的训练数据和决策机的输入输出学习样本，二者的差值作为预测偏差，待训练的决策机通过学习数据样本调整H矩阵，当预测偏差调整到较小时认为学习完成，决策机完成训练。
在本发明实施例中，本发明方案具备人机协同的能力。可以通过决策机管理机将决策机设置为待训练决策机，训练员可修正带训练机的输出，发挥人机协同的优势。具备有监督的机器学习能力。训练员的调整值和调整原因可输入并存储在服务器上，决策机会自主学习训练员的输入，调整原来的运行结果，从而在下次运行时能自动调整。
本发明实施方式还提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的分选悬浮液密度给定方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。
Claims (13)
1.一种分选悬浮液密度给定方法，应用于重介质选煤过程中的重介分选悬浮液密度控制，其特征在于，所述方法包括：
在预设决策机候选库中，根据当前所处工作时段确定输出分选悬浮液密度给定值的决策机作为执行决策机；
采集选煤机组的运行数据信息；
基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值；
根据所述当前所处工作时段对应的分选悬浮液密度给定值执行分选悬浮液密度控制。
2.根据权利要求1所述的方法，其特征在于，所述预设决策机候选库中至少包括：
一个用于在每天生产班组开始工作前的时间区段进行分选悬浮液密度给定值输出的第一决策机；
一个用于在每天生产班组开始工作后的初始运行时间区段进行分选悬浮液密度给定值输出的第二决策机；其中，
所述初始运行时间区段的起始时刻与选煤机组的启动时刻重合。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
构建所述决策机候选库，包括：
为所有候选决策机指定对应的工作时段、优先级和权重；其中，
所述第一决策机的工作时段与其他决策机的工作时段均不存在重合部分；
除第一决策机以外，其余每两个相邻决策机允许存在部分工作时段的重合。
4.根据权利要求3所述的方法，其特征在于，所述在预设决策机候选库中，根据当前所处工作时段确定输出分选悬浮液密度给定值的决策机作为执行决策机，包括：
若当前所处工作时段内仅存在一个候选决策机，则直接将该候选决策机作为执行决策机；
若当前所处工作时段内存在多个候选决策机，则对比各候选决策机的优先级，选定优先级最高的候选决策机作为执行决策机；
若当前所处工作时段内存在多个候选决策机，且存在多个优先级最高的候选决策机，则选定优选级最高的候选决策机共同作为执行决策机，并在输出分选悬浮液密度给定值时根据各决策机的权重进行加权处理。
5.根据权利要求1所述的方法，其特征在于，所述选煤机组的运行数据信息包括：
机组历史运行数据、实时运行数据和目标运行数据；其中，
所述机组历史运行数据包括：
原煤浮沉实验数据、灰分化验历史数据、分选密度历史数据和原煤配煤历史数据；
所述实时运行数据包括：
实时原煤配煤数据和实时灰分化验数据；
所述目标运行数据为灰分目标值。
6.根据权利要求5所述的方法，其特征在于，所述基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值，包括：
若当前所处工作时段的决策机为第一决策机，则当前所处工作时段对应的分选悬浮液密度给定值为机组运行初始值；
所述机组运行初始值包括：
分选密度初始值和重介密度因子函数。
7.根据权利要求6所述的方法，其特征在于，所述分选密度初始值的指定规则包括：
在预构建的RBF神经网络中，最小二乘法支持向量机作为核函数，根据所述原煤浮沉实验数据进行分选密度初始值预测；
所述重介密度因子初始值的指定规则包括：
根据所述灰分化验历史数据、所述分选密度历史数据、所述原煤配煤历史数据和所述实时原煤配煤数据进行重介密度因子初始值推算；
根据所述原煤浮沉实验数据进行HR可选性曲线推算；
对所述HR曲线进行多项拟合处理，获得密度-灰分的HR曲线函数；
对所述密度-灰分的HR曲线函数进行求导处理，获得重介密度因子的HR曲线函数；
根据所述重介密度因子初始值和所述重介密度因子的HR曲线函数获得重介密度因子函数，其计算公式为：
ρfac＝Y密度因子HR*qfac1+ρfacint*qfac2
其中，ρfac为重介密度因子函数；
Y密度因子HR为重介密度因子的HR曲线函数；
ρfacint为重介密度因子初始值；
qfac1、qfac2为预设权重。
8.根据权利要求7所述的方法，其特征在于，所述基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值，还包括：
若当前所处工作时段的决策机为第二决策机，则当前决策机的输出规则为：
对所述分选密度历史数据中处于当前工作时段内前后预定时间内的分选密度历史数据进行算术平均处理，获得分选密度历史数据平均值；
基于所述实时灰分化验数据和所述重介密度因子函数获得当前工作时段的重介密度因子；
基于所述分选密度历史数据平均值、所述实时灰分化验数据、所述重介密度因子和所述灰分目标值计算当前决策机的输出值；
基于当前决策机的权重对当前决策机的输出值进行加权处理，获得分选悬浮液密度给定值；其中，当前决策机的输出值的计算规则为：
JCOn＝ρ1+(ADsp-H1)*ρfacn
其中，JCOn为第n个决策机的输出值，n≠1；
ρ1为分选密度历史数据平均值；
ADsp为灰分目标值；
H1为实时灰分化验数据；
ρfacn为第n个决策机的重介密度因子。
9.根据权利要求7所述的方法，其特征在于，所述基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值，还包括：
若当前所处工作时段的决策机不为第一决策机和第二决策机，则当前决策机的输出规则为：
将原煤从重介分选设备开始到精煤灰分仪获得精煤产品灰分值截止的时间区间作为一个计算周期；
记录每一个计算周期的悬浮液密度计计数和精煤灰分仪的实时数据；
统计当前工作时段内计算周期的悬浮液密度平均值和精煤灰分仪数据平均值；
基于所述精煤灰分仪数据平均值计算获得当前工作时段的重介密度因子；
基于所述悬浮液密度平均值、所述精煤灰分仪数据平均值、所述灰分目标值和所述重介密度因子计算当前决策机的输出值；
基于当前决策机的权重对当前决策机的输出值进行加权处理，获得分选悬浮液密度给定值；其中，当前决策机的输出值的计算规则为：
JCOm＝ρavg+(ADsp-ADavg)*ρfacm
其中，JCOm为第m个决策机的输出值，m≠1；
ρavg为悬浮液密度平均值；
ADsp灰分目标值；
ADavg为精煤灰分仪数据平均值；
ρfacm为第m个决策机的重介密度因子。
10.根据权利要求1所述的方法，其特征在于，所述基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值，还包括：
从用户端获取手动调整历史记录；其中，
所述手动调整历史记录包括：
调整时刻的机组运行状态参数、调整指令和调整后的机组运行状态参数；
将所述手动调整历史记录作为训练样本，实时基于用户反馈进行有监督的机器学习，获得调整方案预测模型；
将所述运行数据作为入参，进行所述调整方案预测模型训练，输出对应的调整方案，基于所述调整方案获得分选悬浮液密度给定值。
11.根据权利要求10所述的方法，其特征在于，所述方法还包括：
进行所述调整方案自动修正，包括：
每获得一个分选悬浮液密度给定值，将所述分选悬浮液密度给定值推送到用户端；
回收用户端的标定分选悬浮液密度给定值，基于所述标定分选悬浮液密度给定值进行计算分选悬浮液密度给定值误差确定；
基于确定的分选悬浮液密度给定值误差进行调整方案修正。
12.一种分选悬浮液密度给定系统，应用于重介质选煤过程中的重介分选悬浮液密度控制，其特征在于，所述系统包括：
决策单元，用于在预设决策机候选库中，根据当前所处工作时段确定输出分选悬浮液密度给定值的决策机作为执行决策机；
采集单元，用于采集选煤机组的运行数据信息；
处理单元，用于基于所述执行决策机和所述运行数据进行分选悬浮液密度给定值运算，获得当前所处工作时段对应的分选悬浮液密度给定值；
输出单元，用于根据所述当前所处工作时段对应的分选悬浮液密度给定值执行分选悬浮液密度控制。
13.一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行权利要求1-11中任一项权利要求所述的分选悬浮液密度给定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210673623.XA CN115138472B (zh) | 2022-06-14 | 2022-06-14 | 分选悬浮液密度给定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210673623.XA CN115138472B (zh) | 2022-06-14 | 2022-06-14 | 分选悬浮液密度给定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115138472A CN115138472A (zh) | 2022-10-04 |
| CN115138472B true CN115138472B (zh) | 2023-06-20 |
Family
ID=83408103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210673623.XA Active CN115138472B (zh) | 2022-06-14 | 2022-06-14 | 分选悬浮液密度给定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115138472B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE920003C (de) * | 1953-11-26 | 1954-11-11 | Schuechtermann & Kremer Baum A | Verfahren zum Regeln der Viskositaet von Schwerstoffsuspensionen bei der Aufbereitung von Mineralien in Sinkscheidern |
| SU1102628A1 (ru) * | 1982-12-23 | 1984-07-15 | Приморское производственное объединение "Бор" им.50-летия СССР | Способ управлени процессом обогащени в т желых средах |
| US5236089A (en) * | 1991-01-30 | 1993-08-17 | The Broken Hill Proprietary Company Limited | Method of beneficiating coal |
| CN203076072U (zh) * | 2013-01-28 | 2013-07-24 | 中国煤炭进出口公司 | 一种重介选煤系统及其介质密度自动控制系统 |
| CN208066531U (zh) * | 2018-03-15 | 2018-11-09 | 淮北矿业（集团）有限责任公司 | 一种重介灰分闭环控制系统 |
| CN110728073A (zh) * | 2019-10-23 | 2020-01-24 | 北京黑色智慧科技有限公司 | 一种洗选配煤的多目标优化方法 |
-
2022
- 2022-06-14 CN CN202210673623.XA patent/CN115138472B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE920003C (de) * | 1953-11-26 | 1954-11-11 | Schuechtermann & Kremer Baum A | Verfahren zum Regeln der Viskositaet von Schwerstoffsuspensionen bei der Aufbereitung von Mineralien in Sinkscheidern |
| SU1102628A1 (ru) * | 1982-12-23 | 1984-07-15 | Приморское производственное объединение "Бор" им.50-летия СССР | Способ управлени процессом обогащени в т желых средах |
| US5236089A (en) * | 1991-01-30 | 1993-08-17 | The Broken Hill Proprietary Company Limited | Method of beneficiating coal |
| CN203076072U (zh) * | 2013-01-28 | 2013-07-24 | 中国煤炭进出口公司 | 一种重介选煤系统及其介质密度自动控制系统 |
| CN208066531U (zh) * | 2018-03-15 | 2018-11-09 | 淮北矿业（集团）有限责任公司 | 一种重介灰分闭环控制系统 |
| CN110728073A (zh) * | 2019-10-23 | 2020-01-24 | 北京黑色智慧科技有限公司 | 一种洗选配煤的多目标优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 斜沟煤矿选煤厂重介质悬浮液密度控制系统的优化;黄健华;;选煤技术(第03期);第91-94页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115138472A (zh) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
| CN112884241B (zh) | 基于智能Agent的云边协作制造任务调度方法 | |
| CN107451747B (zh) | 基于自适应非支配遗传算法的车间调度系统及其工作方法 | |
| CN107248003A (zh) | 基于带滑动窗口贝叶斯网络的自适应软测量预测方法 | |
| CN101339562A (zh) | 引入兴趣模型反馈更新机制的门户个性化推荐服务系统 | |
| CN107016453A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
| CN111950784B (zh) | 一种融合注意力机制的产能预测方法 | |
| CN106407258A (zh) | 一种缺失数据预测方法及装置 | |
| CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
| CN104951803A (zh) | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 | |
| CN104008426A (zh) | 基于集成学习的分布式计算环境性能预测方法 | |
| CN104656620A (zh) | 重型机床再制造综合评价系统 | |
| CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
| CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
| CN106874568B (zh) | 一种球磨过程的物料粒径分布预测方法 | |
| CN111626497A (zh) | 人流量预测方法、装置、设备和存储介质 | |
| CN115764870A (zh) | 基于自动化机器学习的多变量光伏发电功率预测方法与装置 | |
| CN115138472B (zh) | 分选悬浮液密度给定方法及系统 | |
| CN107844658A (zh) | 相关向量机与自回归滑动平均融合的舵机状态预测方法 | |
| CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
| CN111222627A (zh) | 一种镀层控制的气刀距离数据驱动预测方法 | |
| KR20210075358A (ko) | 스마트공장의 운영 분석 시스템 및 방법 | |
| CN110837959A (zh) | 一种基于焊接物量和作业方式衡定焊接派工工时的方法 | |
| CN115793463A (zh) | 一种模型预测控制器的人机交互式维护系统及设备 | |
| JP7263020B2 (ja) | 処理水質推定装置、処理水質推定方法及びプログラム |
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 |