CN116090340B - 一种基于数据分析的热工控制时间延迟估计方法 - Google Patents
一种基于数据分析的热工控制时间延迟估计方法 Download PDFInfo
- Publication number
- CN116090340B CN116090340B CN202211735270.8A CN202211735270A CN116090340B CN 116090340 B CN116090340 B CN 116090340B CN 202211735270 A CN202211735270 A CN 202211735270A CN 116090340 B CN116090340 B CN 116090340B
- Authority
- CN
- China
- Prior art keywords
- time
- delay
- data
- signal
- window
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于数据分析的热工控制时间延迟估计方法,包括:获取热力生产过程的相关数据,确定原始信号和延迟信号,并对信号数据进行归一化处理;设置延迟时间计算过程的主要参数,并计算窗口时间段的延迟时间,基于所述窗口时间段的延迟时间,获得延迟时间分布,并对所述延迟时间进行正态拟合;基于正态拟合结果,得到热力生产过程的最大概然延迟时间。本发明特别地提出一种基于数据分析的热工控制时间延迟估计方法,利用生产过程中产生的相关数据对热力过程中的延迟时间进行计算,有效地缩短了计算时长,提高了生产效率。
Description
技术领域
本发明涉及热工自动控制技术领域,尤其涉及一种基于数据分析的热工控制时间延迟估计方法。
背景技术
由于在热质传递过程中存在物理容积以时间弛豫现象,热工控制对象普遍具有延迟特征。特别是对于某些特定应用场景,如远距离蒸汽管道输运、循环流化床燃烧和非稳态传热等,物理特征量在传播过程中都存在较大的时间延迟。时间延迟计算对于明确控制对象特性以及热工优化控制至关重要。为了获得热工过程的延迟特性,在实际生产过程中采用热力试验的方法测定延迟时间。但是热力试验必须委托专业资质机构,耗时较长而且费用较高,而且会对日常生产过程产生影响。对于难以控制变量的热力生产过程的时间延迟测量,热力试验方法则存在较大困难。
随着大数据、人工智能以及工业互联网等技术日趋成熟,机器学习与智能算法在设备状态监测、故障预警诊断以及自动控制优化等方面得到广泛应用。热工生产过程在日常运行中会产生海量数据,如何利用运行数据产生有价值的信息进而指导实际运行是目前的研究热点。本发明特别地提出一种基于数据分析的热工控制时间延迟估计方法,利用生产过程中产生的相关数据对热力过程中的延迟时间进行计算。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:在日常生产过程中,对于难以控制变量的热力生产过程的时间延迟测量,热力试验方法则存在较大困难。
为解决上述技术问题,本发明提供如下技术方案:获取热力生产过程的相关数据,确定原始信号和延迟信号,并对信号数据进行归一化处理;
设置延迟时间计算过程的主要参数,并计算窗口时间段的延迟时间,基于所述窗口时间段的延迟时间,获得延迟时间分布,并对所述延迟时间进行正态拟合;
基于正态拟合结果,得到热力生产过程的最大概然延迟时间。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:所述热力生产过程的相关数据的获取包括,
根据蒸汽输送场景的特点,选取厂源蒸汽温度T源、用户端蒸汽温度T端以及厂源蒸汽流量D源信号,时间跨度可以达到1~3个月,采样周期1~5秒。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:所述原始信号和延迟信号的确定包括,
在变量信号中选择需要计算延迟的信号作为延迟信号,延迟信号作为机器学习的输出样本,选择延迟信号主要跟随的变量信号作为原始信号,将影响延迟信号的物理量都放入变量组中,作为机器学习模型的输入样本。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:对信号数据进行归一化处理包括,
为加快机器学习的技术速度和提升模型精度,对信号数据进行归一化处理,所述归一化处理的计算包括,
其中,y表示归一化处理之后的数据,x表示归一化处理之前的原始数据,max(x)和min(x)分别表示对应信号数据中的最大值和最小值,经过归一化处理后的信号的数值范围在[0,1]之间。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:延迟时间计算过程的主要参数的设置包括,
从较长的实际运行数据中截取特定时长的数据段,数据段的时间长度即为窗口时间Tw,窗口时间Tw在整个计算过程中固定不动,所述窗口时间Tw长度至少应该包括一个完整周期的所有数据,在计算过程中时间窗口在时间轴上不断往后滑动,设定其起始时间点T0、结束时间点Tend以及最小移动步长ΔTW;
初步估算延迟时间Td,然后根据估算的所述延迟时间Td对平移时间Ts的起始值、结束值和最小移动步长ΔTs进行设置。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:所述窗口时间段的延迟时间的计算包括,
对于某一窗口时间Tw内的数据,根据平移时间Ts的设定值,从小到大依次地改变平移时间Ts,同时将平移后的窗口时间段内的影响延迟信号的物理量作为机器学习模型的输入样本组,将平移后同一时间轴下的延迟信号数据作为机器学习模型的输出样本组。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:还包括,
引入机器学习中的线性回归模型对数据集进行训练,可以根据实际情况设置1~3阶次线性回归,利用决定性系数R2评估训练模型的精确度,所述决定性系数R2的计算包括,
其中,yi表示数据集中的实际值,表示机器学习模型的预测值,/>表示观测值的平均值。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:所述延迟时间分布的获取包括,
根据窗口时间TW的起始时间点T0、结束时间点Tend以及最小移动步长ΔTW,不断地在时间轴上平移时间窗口,同时对每一个时间窗口数据段重复计算窗口时间段的延迟时间,获得全部所对应的延迟时间Ts,进而获得延迟时间分布。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:对所述延迟时间进行正态拟合包括,
由于热力生产过程具有延迟时间分布呈现正态分布特征,对所有时间窗口数据段计算所得到延迟时间分布进行统计,并且利用正态分布N(μ,σ2)对延迟时间进行拟合。
作为本发明所述的基于数据分析的热工控制时间延迟估计方法的一种优选方案,其中:所述最大概然延迟时间的获取包括,
根据统计规律可以认为延迟时间分布满足正态分布N(μ,σ2),其μ值即为这个热力过程物理量之间的最大概然时间延迟Td。
本发明的有益效果:本发明特别地提出一种基于数据分析的热工控制时间延迟估计方法,利用生产过程中产生的相关数据对热力过程中的延迟时间进行计算,有效地缩短了计算时长,提高了生产效率。
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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于数据分析的热工控制时间延迟估计方法的基本流程示意图;
图2为本发明一个实施例提供的一种基于数据分析的热工控制时间延迟估计方法的延迟时间计算原理图;
图3为本发明一个实施例提供的一种基于数据分析的热工控制时间延迟估计方法的决定性系数R2随着平移时间变化情况图;
图4为本发明一个实施例提供的一种基于数据分析的热工控制时间延迟估计方法的选取与蒸汽输送过程相关的数据图;
图5为本发明一个实施例提供的一种基于数据分析的热工控制时间延迟估计方法的原始信号与延迟信号关系图;
图6为本发明一个实施例提供的一种基于数据分析的热工控制时间延迟估计方法的对窗口时间数据段的延迟时间分布进行正态拟合图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~3,为本发明的一个实施例,提供了一种基于数据分析的热工控制时间延迟估计方法,包括:
S1:获取热力生产过程的相关数据,确定原始信号和延迟信号,并对信号数据进行归一化处理。需要说明的是:
热力生产过程的相关数据的获取包括,
根据蒸汽输送场景的特点,选取厂源蒸汽温度T源、用户端蒸汽温度T端以及厂源蒸汽流量D源信号,时间跨度可以达到1~3个月,采样周期1~5秒。
原始信号和延迟信号的确定包括,
在变量信号中选择需要计算延迟的信号作为延迟信号,延迟信号作为机器学习的输出样本,选择延迟信号主要跟随的变量信号作为原始信号,将影响延迟信号的物理量都放入变量组中,作为机器学习模型的输入样本。
对信号数据进行归一化处理包括,
为加快机器学习的技术速度和提升模型精度,对信号数据进行归一化处理,归一化处理的计算包括,
其中,y表示归一化处理之后的数据,x表示归一化处理之前的原始数据,max(x)和min(x)分别表示对应信号数据中的最大值和最小值,经过归一化处理后的信号的数值范围在[0,1]之间。
S2:设置延迟时间计算过程的主要参数,并计算窗口时间段的延迟时间,基于所述窗口时间段的延迟时间,获得延迟时间分布,并对所述延迟时间进行正态拟合。需要说明的是:
延迟时间计算过程的主要参数的设置包括,
从较长的实际运行数据中截取特定时长的数据段,数据段的时间长度即为窗口时间Tw,窗口时间Tw在整个计算过程中固定不动,窗口时间Tw长度至少应该包括一个完整周期的所有数据,在计算过程中时间窗口在时间轴上不断往后滑动,设定其起始时间点T0、结束时间点Tend以及最小移动步长ΔTW;
初步估算延迟时间Td,然后根据估算的延迟时间Td对平移时间Ts的起始值、结束值和最小移动步长ΔTs进行设置。例如,初步估算一个热力过程的时间延迟为5分钟左右,则可以设定平移时间Ts的起始值为240s、结束值为360s和最小移动步长ΔTs为2s,延迟时间计算原理如图2所示。
窗口时间段的延迟时间的计算包括,
对于某一窗口时间Tw内的数据,根据平移时间Ts的设定值,从小到大依次地改变平移时间Ts,同时将平移后的窗口时间段内的影响延迟信号的物理量作为机器学习模型的输入样本组,将平移后同一时间轴下的延迟信号数据作为机器学习模型的输出样本组。
还包括,
引入机器学习中的线性回归模型对数据集进行训练,可以根据实际情况设置1~3阶次线性回归,利用决定性系数R2评估训练模型的精确度,R2反应回归模型拟合数据的优良程度,其数值越接近1,说明拟合效果越好决定性系数R2的计算包括,
其中,yi表示数据集中的实际值,表示机器学习模型的预测值,/>表示观测值的平均值。
如图3所示,R2随着平移时间的增加呈现单峰性曲线特性,其峰值所对应平移时间Ts即可作为该时间窗口数据段下的延迟时间Td。
延迟时间分布的获取包括,
根据窗口时间Tw的起始时间点T0、结束时间点Tend以及最小移动步长ΔTw,不断地在时间轴上平移时间窗口,同时对每一个时间窗口数据段重复计算窗口时间段的延迟时间,获得全部所对应的延迟时间Ts,进而获得延迟时间分布。
S3:基于正态拟合结果,得到热力生产过程的最大概然延迟时间。需要说明的是:
对延迟时间进行正态拟合包括,
由于热力生产过程具有延迟时间分布呈现正态分布特征,对所有时间窗口数据段计算所得到延迟时间分布进行统计,并且利用正态分布N(μ,σ2)对延迟时间进行拟合。
最大概然延迟时间的获取包括,
根据统计规律可以认为延迟时间分布满足正态分布N(μ,σ2),其μ值即为这个热力过程物理量之间的最大概然时间延迟Td。
本发明特别地提出一种基于数据分析的热工控制时间延迟估计方法,利用生产过程中产生的相关数据对热力过程中的延迟时间进行计算,有效地缩短了计算时长,提高了生产效率。
实施例2
参照图4~6,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种基于数据分析的热工控制时间延迟估计方法的验证测试,为对本方法中采用的技术效果加以验证说明,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
下面结合实际应用案例说明在本发明提出的基于热工控制时间延迟估计方法在区域蒸汽供热管网中的应用。在厂源蒸汽通过支状蒸汽管网向下游用户输送蒸汽的场景中,需要对用户端接受的蒸汽温度信号的时间延迟进行评估。根据蒸汽输送场景的特点,选择36天的实际运行数据作为研究对象,选取厂源蒸汽温度T源、用户端蒸汽温度T端以及厂源蒸汽流量D源信号,采样周期为5s,总计超过84万个数据点,具体如图4所示。
从图5中可以看出,用户端蒸汽温度T端信号主要跟随厂源蒸汽流量D源信号,因此将厂源蒸汽流量D源信号作为原始信号,同时将影响延迟信号的物理量厂源蒸汽温度T源以及厂源蒸汽流量D源信号都放入变量组中,作为机器学习模型的输入样本,对所有信号数据进行归一化处理,经过归一化处理后的信号的数值范围都在[0,1]之间。
窗口时间Tw在整个计算过程中固定不动,其长度选取需要适宜,因为一个完整周期为24小时,所以在此选择窗口时间Tw为13000个数据点,每个数据点的时间间隔为5秒。在计算过程中时间窗口在时间轴上不断往后滑动,分别设定其起始时间点T0=0个数据点,结束时间点Tend=800000个数据点以及最小移动步长ΔTW=3个数据点。
初步估算延迟时间Td的大致范围为2~4个小时,然后根据延迟时间Td的范围分别设定平移时间Ts的起始值=1000个数据点、结束值=3500个数据点和最小移动步长ΔTs=3个数据点,初步估算此热力过程的时间延迟为2~4个小时,则可以设定平移时间Ts的起始值为83分钟、结束值为292分钟和最小移动步长ΔTs为15s。
如图6所示,根据统计规律可以认为延迟时间分布满足正态分布N(168.38,30.392),其168.38分钟值即为这个热力过程物理量之间的最大概然时间延迟Td,这样就通过实际的运行数据获得了所需的区域供热蒸汽管网输送过程中的延迟时间。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于数据分析的热工控制时间延迟估计方法,其特征在于,包括:
获取热力生产过程的相关数据,确定原始信号和延迟信号,并对信号数据进行归一化处理;
设置延迟时间计算过程的主要参数,并计算窗口时间段的延迟时间,基于所述窗口时间段的延迟时间,获得延迟时间分布,并对所述延迟时间进行正态拟合;
基于正态拟合结果,得到热力生产过程的最大概然延迟时间;
所述原始信号和延迟信号的确定包括,
在变量信号中选择需要计算延迟的信号作为延迟信号,延迟信号作为机器学习的输出样本,选择延迟信号主要跟随的变量信号作为原始信号,将影响延迟信号的物理量都放入变量组中,作为机器学习模型的输入样本;
延迟时间计算过程的主要参数的设置包括,
从较长的实际运行数据中截取特定时长的数据段,数据段的时间长度即为窗口时间Tw,窗口时间Tw在整个计算过程中固定不动,所述窗口时间Tw长度至少应该包括一个完整周期的所有数据,在计算过程中时间窗口在时间轴上不断往后滑动,设定其起始时间点T0、结束时间点Tend以及最小移动步长ΔTw;
初步估算延迟时间Td,然后根据估算的所述延迟时间Td对平移时间Ts的起始值、结束值和最小移动步长ΔTs进行设置;
所述窗口时间段的延迟时间的计算包括,
对于某一窗口时间Tw内的数据,根据平移时间Ts的设定值,从小到大依次地改变平移时间Ts,同时将平移后的窗口时间段内的影响延迟信号的物理量作为机器学习模型的输入样本组,将平移后同一时间轴下的延迟信号数据作为机器学习模型的输出样本组。
2.如权利要求1所述的基于数据分析的热工控制时间延迟估计方法,其特征在于:所述热力生产过程的相关数据的获取包括,
根据蒸汽输送场景的特点,选取厂源蒸汽温度T源、用户端蒸汽温度T端以及厂源蒸汽流量D源信号,时间跨度可以达到1~3个月,采样周期1~5秒。
3.如权利要求1或2所述的基于数据分析的热工控制时间延迟估计方法,其特征在于:对信号数据进行归一化处理包括,
为加快机器学习的技术速度和提升模型精度,对信号数据进行归一化处理,所述归一化处理的计算包括,
其中,y表示归一化处理之后的数据,x表示归一化处理之前的原始数据,max(x)和min(x)分别表示对应信号数据中的最大值和最小值,经过归一化处理后的信号的数值范围在[0,1]之间。
4.如权利要求3所述的基于数据分析的热工控制时间延迟估计方法,其特征在于:还包括,
引入机器学习中的线性回归模型对数据集进行训练,可以根据实际情况设置1~3阶次线性回归,利用决定性系数R2评估训练模型的精确度,所述决定性系数R2的计算包括,
其中,yi表示数据集中的实际值,表示机器学习模型的预测值,/>表示观测值的平均值。
5.如权利要求4所述的基于数据分析的热工控制时间延迟估计方法,其特征在于:所述延迟时间分布的获取包括,
根据窗口时间Tw的起始时间点T0、结束时间点Tend以及最小移动步长ΔTw,不断地在时间轴上平移时间窗口,同时对每一个时间窗口数据段重复计算窗口时间段的延迟时间,获得全部所对应的延迟时间Ts,进而获得延迟时间分布。
6.如权利要求5所述的基于数据分析的热工控制时间延迟估计方法,其特征在于:对所述延迟时间进行正态拟合包括,
由于热力生产过程具有延迟时间分布呈现正态分布特征,对所有时间窗口数据段计算所得到延迟时间分布进行统计,并且利用正态分布N(μ,σ2)对延迟时间进行拟合。
7.如权利要求6所述的基于数据分析的热工控制时间延迟估计方法,其特征在于:所述最大概然延迟时间的获取包括,
根据统计规律可以认为延迟时间分布满足正态分布N(μ,σ2),其μ值即为这个热力过程物理量之间的最大概然时间延迟Td。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211735270.8A CN116090340B (zh) | 2022-12-30 | 2022-12-30 | 一种基于数据分析的热工控制时间延迟估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211735270.8A CN116090340B (zh) | 2022-12-30 | 2022-12-30 | 一种基于数据分析的热工控制时间延迟估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090340A CN116090340A (zh) | 2023-05-09 |
CN116090340B true CN116090340B (zh) | 2023-09-12 |
Family
ID=86186316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211735270.8A Active CN116090340B (zh) | 2022-12-30 | 2022-12-30 | 一种基于数据分析的热工控制时间延迟估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090340B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2415693A1 (en) * | 2000-07-13 | 2002-01-24 | Simmonds Precision Products, Inc. | Liquid gauging apparatus using a time delay neural network |
CN101124464A (zh) * | 2005-04-01 | 2008-02-13 | 卡迪纳尔健康303公司 | 温度预测系统和方法 |
CN107766972A (zh) * | 2017-09-30 | 2018-03-06 | 新智能源系统控制有限责任公司 | 一种流量延迟时间的获取方法和装置 |
CN109765950A (zh) * | 2019-03-13 | 2019-05-17 | 东南大学成贤学院 | 一种一阶纯时延炉温系统控制方法 |
CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN113587172A (zh) * | 2021-08-03 | 2021-11-02 | 广东电网有限责任公司 | 供水温度延迟时间预测方法、装置及电子设备 |
CN115077640A (zh) * | 2022-05-31 | 2022-09-20 | 北京工业大学 | 一种城市固废焚烧过程主蒸汽流量实时预测方法 |
CN115527078A (zh) * | 2021-06-25 | 2022-12-27 | 河北思路科技有限公司 | 数据预测方法、装置、设备以及模型训练方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6564412B2 (ja) * | 2017-03-21 | 2019-08-21 | ファナック株式会社 | 機械学習装置及び熱変位補正装置 |
US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
-
2022
- 2022-12-30 CN CN202211735270.8A patent/CN116090340B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2415693A1 (en) * | 2000-07-13 | 2002-01-24 | Simmonds Precision Products, Inc. | Liquid gauging apparatus using a time delay neural network |
CN101124464A (zh) * | 2005-04-01 | 2008-02-13 | 卡迪纳尔健康303公司 | 温度预测系统和方法 |
CN107766972A (zh) * | 2017-09-30 | 2018-03-06 | 新智能源系统控制有限责任公司 | 一种流量延迟时间的获取方法和装置 |
CN109765950A (zh) * | 2019-03-13 | 2019-05-17 | 东南大学成贤学院 | 一种一阶纯时延炉温系统控制方法 |
CN111275579A (zh) * | 2020-02-21 | 2020-06-12 | 浙江大学 | 基于皮尔森相关系数和移动平均法的供热系统热延迟时间辨识方法 |
CN115527078A (zh) * | 2021-06-25 | 2022-12-27 | 河北思路科技有限公司 | 数据预测方法、装置、设备以及模型训练方法 |
CN113587172A (zh) * | 2021-08-03 | 2021-11-02 | 广东电网有限责任公司 | 供水温度延迟时间预测方法、装置及电子设备 |
CN115077640A (zh) * | 2022-05-31 | 2022-09-20 | 北京工业大学 | 一种城市固废焚烧过程主蒸汽流量实时预测方法 |
Non-Patent Citations (1)
Title |
---|
供暖热网预测神经网络模型的研究;熊钧 等;全国暖通空调制冷2002年学术文集;305-309 * |
Also Published As
Publication number | Publication date |
---|---|
CN116090340A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414977B (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
CN109240204B (zh) | 一种基于两步法的数控机床热误差建模方法 | |
CN110309608A (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
CN113919601A (zh) | 基于产品性能和过程数据模型的树脂工艺预测方法及装置 | |
Bolton | Reliable analysis and extrapolation of creep rupture data | |
CN116090340B (zh) | 一种基于数据分析的热工控制时间延迟估计方法 | |
CN101673096B (zh) | 一种丹参注射液生产浓缩过程密度的软测量方法 | |
CN111143934A (zh) | 一种基于时间卷积网络的结构变形预测方法 | |
CN117109709A (zh) | 一种超声水表校准方法 | |
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 | |
CN117195747A (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN110489790B (zh) | 基于改进abc-svr的igbt结温预测方法 | |
CN109345041B (zh) | 一种利用威布尔分布与arma结合的设备故障率预测方法 | |
CN115828688A (zh) | 一种基于高斯过程回归的数字孪生电缆温度预测方法 | |
CN116090216A (zh) | 一种基于典型相关分析的发电功率预测方法和系统 | |
CN115841446A (zh) | 一种太阳能集热场故障风险快速检测系统及方法 | |
CN112670997B (zh) | 考虑光伏不确定性的电热能源系统时序概率潮流计算方法 | |
CN111210877B (zh) | 一种推断物性参数的方法及装置 | |
CN114925569A (zh) | 一种有限元与神经网络结合的钢板淬火温度预测方法 | |
CN112163729A (zh) | 基于供货产品截断正态分布质量数据的过程能力分析方法 | |
CN109635404B (zh) | 蒸汽管道压降预估方法、装置及系统 | |
CN108760797B (zh) | 一种金属材料膨胀量曲线的处理方法 | |
CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 | |
JP2771195B2 (ja) | 樹脂流動硬化特性測定方法とそれを用いた熱硬化性樹脂粘度の予測方法及び熱硬化性樹脂流動予測方法 | |
CN110738006A (zh) | 基于ga-bp神经网络算法的高精确度电阻测量算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |