CN115979441A - 中频炉炉内温度连续监测方法、装置、计算机设备及存储介质 - Google Patents
中频炉炉内温度连续监测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115979441A CN115979441A CN202211535952.4A CN202211535952A CN115979441A CN 115979441 A CN115979441 A CN 115979441A CN 202211535952 A CN202211535952 A CN 202211535952A CN 115979441 A CN115979441 A CN 115979441A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- monitoring
- furnace
- molten iron
- 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
Images
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明实施例公开了中频炉炉内温度连续监测方法、装置、计算机设备及存储介质。所述方法包括:获取中频炉炉内相关数据,以得到初始数据;对所述初始数据进行预处理,以得到处理结果;将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果;发送所述监测结果至终端。通过实施本发明实施例的方法可实现连续监测炉内铁水温度,提高铁水温度监测准确率。
Description
技术领域
本发明涉及中频炉温度监测方法,更具体地说是指中频炉炉内温度连续监测方法、装置、计算机设备及存储介质。
背景技术
铁水测温作为冶金行业的重要环节,测温方式主要为接触式测温和非接触式测温两种。接触式测温目前大多由人工观察,配合热电偶、测温枪来完成的,工作环境恶劣,并且由于需要多次测量铁水温度,劳动强度高,测温次数少,每次出铁仅测1次~3次,不能实现连续测温,并且热电偶是易耗品,成本高,运作方式相对落后。工人的操作规范性波动使得铁水温度的监测不够精确,不能反映整个出铁过程的温度情况和变化趋势。
目前市面上使用较多的非接触式测温装置为红外测温设备,但红外测温设备所测温度并非一直都是铁水温度,当金属冶炼过程中铁水表面被浮渣、氧化物等覆盖,则红外测温设备所测温度实际为铁水表面浮渣、氧化物的温度。
因此,有必要设计一种新的方法,实现连续监测炉内铁水温度,提高铁水温度监测准确率。
发明内容
本发明的目的在于克服现有技术的缺陷,提供中频炉炉内温度连续监测方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:中频炉炉内温度连续监测方法,包括:
获取中频炉炉内相关数据,以得到初始数据;
对所述初始数据进行预处理,以得到处理结果;
将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果;
发送所述监测结果至终端。
其进一步技术方案为:所述中频炉炉内相关数据包括红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据以及人工热电偶测温数据。
其进一步技术方案为:所述铁水温度监测模型是通过将预处理后的红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据作为自变量,采集的炉内铁水温度作为应变量,对支持向量回归模型进行训练所得的。
其进一步技术方案为:所述铁水温度监测模型的评价指标包括平均绝对误差、平均绝对百分比误差、均方根误差以及命中率。
其进一步技术方案为:所述对所述初始数据进行预处理,以得到处理结果,包括:
对所述初始数据进行时间对齐、异常值处理以及标准化处理,以得到处理结果。
本发明还提供了中频炉炉内温度连续监测装置,包括:
获取单元,用于获取中频炉炉内相关数据,以得到初始数据;
预处理单元,用于对所述初始数据进行预处理,以得到处理结果;
监测单元,用于将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果;
发送单元,用于发送所述监测结果至终端。
其进一步技术方案为:所述预处理单元,用于对所述初始数据进行时间对齐、异常值处理以及标准化处理,以得到处理结果。
其进一步技术方案为:还包括:
模型构建单元,用于通过将预处理后的红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据作为自变量,采集的炉内铁水温度作为应变量,对支持向量回归模型进行训练,以得到铁水温度监测模型。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过采集红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据,对采集的数据进行预处理后,输入至铁水温度监测模型内进行铁水温度监测,实现连续监测炉内铁水温度,提高铁水温度监测准确率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中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为本发明实施例提供的中频炉炉内温度连续监测方法的应用场景示意图;
图2为本发明实施例提供的中频炉炉内温度连续监测方法的流程示意图;
图3为本发明实施例提供的中频炉炉内温度连续监测装置的示意性框图;
图4为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的中频炉炉内温度连续监测方法的应用场景示意图。图2为本发明实施例提供的中频炉炉内温度连续监测方法的示意性流程图。该中频炉炉内温度连续监测方法应用于服务器中。该服务器与中频炉内的传感器以及终端进行数据交互,实现结合红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据(炉内实际温度),将炉内铁水温度做为应变量,其余变量做为自变量,构建回归模型,基于历史数据建立炉内铁水温度与红外测温数据、电流数据、炉内参数数据、炉料属性等的关系,后期通过当前时刻的各项自变量数据预测当前时刻的炉内铁水温度,便可实现炉内铁水温度的连续监测,针对炉内铁水温度变化趋势与幅度,可提前采取应对调控措施,减少炉况波动,从而促进中频炉稳定运行与炼制工序节能降耗。
图2是本发明实施例提供的中频炉炉内温度连续监测方法的流程示意图。如图2所示,该方法包括以下步骤S110至S140。
S110、获取中频炉炉内相关数据,以得到初始数据。
在本实施例中,初始数据即中频炉炉内相关数据包括红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据以及人工热电偶测温数据。
S120、对所述初始数据进行预处理,以得到处理结果。
在本实施例中,处理结果是指对初始数据进行预处理后形成的结果。
具体地,对所述初始数据进行时间对齐、异常值处理以及标准化处理,以得到处理结果。
对于时间对齐,具体是将不同时间频率的数据对齐为以5分钟为单位的数据;异常值处理是指将太高或者太低的数据进行删除;标准化处理是指对数据的归一化处理。
S130、将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果。
在本实施例中,铁水温度监测模型是通过将预处理后的红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据作为自变量,采集的炉内铁水温度作为应变量,对支持向量回归模型进行训练所得的。
训练过程中样本集分为训练集、验证集和测试集,其中训练集、验证集、测试集占比分别为60%、20%和20%;训练完成后需要进行回归模型的测试,将测试数据带入训练好的回归模型中,回归模型将预测出此时炉内铁水的实时温度。
其中,铁水温度监测模型的评价指标包括平均绝对误差、平均绝对百分比误差、均方根误差以及命中率。
监测结果是指铁水温度监测模型所输出的结果。
数据预处理后,形成的数据集将用于模型的训练与测试。其中红外测温数据、电流数据、炉内参数数据、炉料属性数据为输入数变量,人工热电偶测温数据(炉内铁水温度)为输出变量。数据集中随机抽取80%的数据用于SVR(,支持向量回归,support vectorregression)模型的训练,使模型不断学习和构建输入变量与输出变量之间的映射,使模型能够实现对当前时刻铁水温度预测的目标。而后利用剩余20%的数据构成测试集,对模型的预测准确度进行验证,并利用测试集反馈结果不断优化模型超参数,最终形成铁水温度预测模型。
S140、发送所述监测结果至终端。
本实施例的方法结合红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据(炉内实际温度),将炉内铁水温度当做应变量,其余变量当作自变量,构建回归模型,基于历史数据建立炉内铁水温度与红外测温数据、电流数据、炉内参数数据、炉料属性等的关系,后期通过当前时刻的各项自变量数据预测当前时刻的炉内铁水温度,便可实现炉内铁水温度的连续监测,针对炉内铁水温度变化趋势与幅度,可提前采取应对调控措施,减少炉况波动,从而促进中频炉稳定运行与炼制工序节能降耗。
上述的中频炉炉内温度连续监测方法,通过采集红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据,对采集的数据进行预处理后,输入至铁水温度监测模型内进行铁水温度监测,实现连续监测炉内铁水温度,提高铁水温度监测准确率。
图3是本发明实施例提供的一种中频炉炉内温度连续监测装置300的示意性框图。如图3所示,对应于以上中频炉炉内温度连续监测方法,本发明还提供一种中频炉炉内温度连续监测装置300。该中频炉炉内温度连续监测装置300包括用于执行上述中频炉炉内温度连续监测方法的单元,该装置可以被配置于服务器中。具体地,请参阅图3,该中频炉炉内温度连续监测装置300包括获取单元301、预处理单元302、监测单元303以及发送单元304。
获取单元301,用于获取中频炉炉内相关数据,以得到初始数据;预处理单元302,用于对所述初始数据进行预处理,以得到处理结果;监测单元303,用于将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果;发送单元304,用于发送所述监测结果至终端。
在一实施例中,所述预处理单元302,用于对所述初始数据进行时间对齐、异常值处理以及标准化处理,以得到处理结果。
在一实施例中,所述中频炉炉内温度连续监测装置300还包括:
模型构建单元,用于通过将预处理后的红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据作为自变量,采集的炉内铁水温度作为应变量,对支持向量回归模型进行训练,以得到铁水温度监测模型。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述中频炉炉内温度连续监测装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述中频炉炉内温度连续监测装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4,图4是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图4,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种中频炉炉内温度连续监测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种中频炉炉内温度连续监测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取中频炉炉内相关数据,以得到初始数据;对所述初始数据进行预处理,以得到处理结果;将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果;发送所述监测结果至终端。
其中,所述中频炉炉内相关数据包括红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据以及人工热电偶测温数据。
所述铁水温度监测模型是通过将预处理后的红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据作为自变量,采集的炉内铁水温度作为应变量,对支持向量回归模型进行训练所得的。
所述铁水温度监测模型的评价指标包括平均绝对误差、平均绝对百分比误差、均方根误差以及命中率。
在一实施例中,处理器502在实现所述对所述初始数据进行预处理,以得到处理结果步骤时,具体实现如下步骤:
对所述初始数据进行时间对齐、异常值处理以及标准化处理,以得到处理结果。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取中频炉炉内相关数据,以得到初始数据;对所述初始数据进行预处理,以得到处理结果;将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果;发送所述监测结果至终端。
其中,所述中频炉炉内相关数据包括红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据以及人工热电偶测温数据。
所述铁水温度监测模型是通过将预处理后的红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据作为自变量,采集的炉内铁水温度作为应变量,对支持向量回归模型进行训练所得的。
所述铁水温度监测模型的评价指标包括平均绝对误差、平均绝对百分比误差、均方根误差以及命中率。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述初始数据进行预处理,以得到处理结果步骤时,具体实现如下步骤:
对所述初始数据进行时间对齐、异常值处理以及标准化处理,以得到处理结果。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.中频炉炉内温度连续监测方法,其特征在于,包括:
获取中频炉炉内相关数据,以得到初始数据;
对所述初始数据进行预处理,以得到处理结果;
将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果;
发送所述监测结果至终端。
2.根据权利要求1所述的中频炉炉内温度连续监测方法,其特征在于,所述中频炉炉内相关数据包括红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据以及人工热电偶测温数据。
3.根据权利要求1所述的中频炉炉内温度连续监测方法,其特征在于,所述铁水温度监测模型是通过将预处理后的红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据作为自变量,采集的炉内铁水温度作为应变量,对支持向量回归模型进行训练所得的。
4.根据权利要求3所述的中频炉炉内温度连续监测方法,其特征在于,所述铁水温度监测模型的评价指标包括平均绝对误差、平均绝对百分比误差、均方根误差以及命中率。
5.根据权利要求1所述的中频炉炉内温度连续监测方法,其特征在于,所述对所述初始数据进行预处理,以得到处理结果,包括:
对所述初始数据进行时间对齐、异常值处理以及标准化处理,以得到处理结果。
6.中频炉炉内温度连续监测装置,其特征在于,包括:
获取单元,用于获取中频炉炉内相关数据,以得到初始数据;
预处理单元,用于对所述初始数据进行预处理,以得到处理结果;
监测单元,用于将所述处理结果输入至铁水温度监测模型内进行铁水温度监测,以得到监测结果;
发送单元,用于发送所述监测结果至终端。
7.根据权利要求6所述的中频炉炉内温度连续监测装置,其特征在于,所述预处理单元,用于对所述初始数据进行时间对齐、异常值处理以及标准化处理,以得到处理结果。
8.根据权利要求6所述的中频炉炉内温度连续监测装置,其特征在于,还包括:
模型构建单元,用于通过将预处理后的红外测温数据、感应线圈电流数据、炉内参数数据、炉料属性数据、人工热电偶测温数据作为自变量,采集的炉内铁水温度作为应变量,对支持向量回归模型进行训练,以得到铁水温度监测模型。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535952.4A CN115979441A (zh) | 2022-12-02 | 2022-12-02 | 中频炉炉内温度连续监测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535952.4A CN115979441A (zh) | 2022-12-02 | 2022-12-02 | 中频炉炉内温度连续监测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115979441A true CN115979441A (zh) | 2023-04-18 |
Family
ID=85974851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211535952.4A Pending CN115979441A (zh) | 2022-12-02 | 2022-12-02 | 中频炉炉内温度连续监测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115979441A (zh) |
-
2022
- 2022-12-02 CN CN202211535952.4A patent/CN115979441A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133391A (zh) | 销量预测方法以及服务器 | |
CN109086876B (zh) | 设备的运行状态检测方法、装置、计算机设备和存储介质 | |
TWI835691B (zh) | 電池狀態判定方法及電池狀態判定裝置 | |
CN116111727A (zh) | 基于动态温度阈值的综合配电箱异常监测方法 | |
CN110363355B (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
CN104268416B (zh) | 一种冷链物流车厢温度监控方法及系统 | |
JP7156975B2 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
CN112348101B (zh) | 一种基于异常数据分析的轧钢燃耗预警方法及系统 | |
CN114331114A (zh) | 一种管道安全风险智能化监管方法及系统 | |
CN115983114A (zh) | 一种窑炉温度预测方法、系统、设备及介质 | |
CN118124106A (zh) | 基于神经网络的注塑成型优化控制系统及方法 | |
CN117852972B (zh) | 一种基于铸造过程监控数据的铸造质量控制系统及方法 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN104713730A (zh) | 一种根据振动信号确定飞机发动机退化率的方法 | |
JP4400253B2 (ja) | 品質影響要因解析方法、品質予測方法、品質制御方法、品質影響要因解析装置、品質予測装置、品質制御装置、品質影響要因解析システム、品質予測システム、品質制御システム、及びコンピュータプログラム | |
CN115979441A (zh) | 中频炉炉内温度连续监测方法、装置、计算机设备及存储介质 | |
CN106679602A (zh) | 一种确定高炉铜冷却壁渣皮厚度变化的方法及装置 | |
US20220004154A1 (en) | Information processing apparatus | |
CN116136674A (zh) | 一种基于物联网远程控制的真空感应炉控制系统 | |
US20230221687A1 (en) | A system and method for evaluation of sand compactibility | |
CN114580712A (zh) | 一种冶金副产煤气产耗量的在线预测方法及系统 | |
CN105607477B (zh) | 一种基于改进局部均值分解的工业控制回路振荡检测方法 | |
CN111607417B (zh) | 炼焦诊断系统及方法 | |
JP2004360044A (ja) | 溶鋼温度推定計算装置及び溶鋼温度推定計算方法 | |
CN112445679A (zh) | 一种信息检测方法、装置、服务器及存储介质 |
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 |