CN116258087A - 冰铜品位软测量方法、装置、电子设备及存储介质 - Google Patents

冰铜品位软测量方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116258087A
CN116258087A CN202310538899.1A CN202310538899A CN116258087A CN 116258087 A CN116258087 A CN 116258087A CN 202310538899 A CN202310538899 A CN 202310538899A CN 116258087 A CN116258087 A CN 116258087A
Authority
CN
China
Prior art keywords
grade
historical
input vector
corrected
sample
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.)
Granted
Application number
CN202310538899.1A
Other languages
English (en)
Other versions
CN116258087B (zh
Inventor
余刚
王庆凯
袁朝新
何茂琪
余群波
李田玉
饶剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BGRIMM Technology Group Co Ltd
Original Assignee
BGRIMM Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BGRIMM Technology Group Co Ltd filed Critical BGRIMM Technology Group Co Ltd
Priority to CN202310538899.1A priority Critical patent/CN116258087B/zh
Publication of CN116258087A publication Critical patent/CN116258087A/zh
Application granted granted Critical
Publication of CN116258087B publication Critical patent/CN116258087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G06F16/212—Schema design and management with details for data modelling support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种冰铜品位软测量方法、装置、电子设备及存储介质，涉及数据处理技术领域。基于历史数据库获取基础历史数据，其中，基础历史数据包括多个原始特征变量和历史测量品位；对多个原始特征变量进行异常值处理，得到多个修正样本输入向量；将修正样本输入向量与历史测量品位进行时序匹配与样本加权，得到修正历史数据；根据修正历史数据构造建模数据集；获取当前工况点，根据当前工况点确定相似样本集；基于相似样本集，通过高斯过程回归建立局部软测量模型；获取局部软测量模型对当前工况点的预测品位。本申请实施例能够实现对冰铜品位的实时软测量且测量精度较高，可以广泛应用于熔池熔炼工艺流程中。

Description

冰铜品位软测量方法、装置、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种冰铜品位软测量方法、装置、电子设备及存储介质。
背景技术
在熔池熔炼工艺流程中，铜精矿经熔池熔炼得到中间产物冰铜，然后再经吹炼生产粗铜，其中冰铜既是熔池熔炼的产物，也是吹炼生产粗铜的原料。冰铜的品位决定了其是否达到下一步吹炼粗铜的要求，冰铜品位的测量对于整个工艺流程的控制和参数调整具有重要意义。
但是由于测量技术以及经济因素制约，现有的冰铜品位软测量手段主要为离线化验，即现场取样后再化验分析。但是由于熔池熔炼是在高温环境下（通常1250℃~1330℃）进行，冰铜取样后需要经过冷却再进行化验分析，工作人员不定时取样和送样，这个过程包括取样，送样，化验结果三个时间段，也就造成了离线化验与取样的时间间隔通常大于一小时，导致实际化验结果滞后，不能及时获得准确的冰铜品位。而现有的在线检测方法如：采用激光诱导击穿光谱技术的在线分析仪，又存在相对误差较大，易受环境影响的缺陷。
因此，亟需一种时效性好且误差较小的测量的冰铜品位的方法。
发明内容
第一方面，本申请实施例提供了一种冰铜品位软测量方法，所述方法包括：
基于历史数据库获取基础历史数据，其中，所述基础历史数据包括多个原始特征变量和历史测量品位；
对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量；
将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据；
根据所述修正历史数据构造建模数据集；
获取当前工况点，根据所述当前工况点确定所述建模数据集中的相似样本集，其中，所述当前工况点包括当前取样时间和当前输入向量；
基于所述相似样本集，通过高斯过程回归建立局部软测量模型；
获取所述局部软测量模型对所述当前工况点的预测品位。
在一实施方式中，所述原始特征变量的个数为
Figure SMS_1
，每个所述原始特征变量包括
Figure SMS_2
个原始采样值，所述对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量，包括：
将
Figure SMS_3
维所述原始特征变量的
Figure SMS_4
个采样值转化为原始特征变量矩阵
Figure SMS_5
，所述原始特征变量矩阵
Figure SMS_6
的列数为NV、行数为
Figure SMS_7
；
基于3σ准则替换所述原始特征变量矩阵
Figure SMS_8
中每一列的异常值，得到修正特征变量矩阵；
将所述修正特征变量矩阵的一行确定为一个所述修正样本输入向量。
在一实施方式中，所述将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据，包括：
获取各所述修正样本输入向量的原始采样时间；
获取各所述历史测量品位的化验结果时间；
获取平均滞后时间，根据所述平均滞后时间对各所述历史测量品位的化验结果时间进行校正，得到各所述历史测量品位的近似取样时间；
根据所述原始采样时间和所述近似取样时间对所述修正样本输入向量和所述历史测量品位进行时序匹配与样本加权，得到修正历史数据。
在一实施方式中，所述根据所述原始采样时间和所述近似取样时间对所述修正样本输入向量和所述历史测量品位进行时序匹配与样本加权，得到修正历史数据，包括：
判断所述修正样本输入向量的原始采样时间的匹配范围内是否存在近似取样时间；
若所述匹配范围内存在近似取样时间，则将所述修正样本输入向量与所述近似取样时间对应的历史测量品位进行匹配；
若所述匹配范围内不存在近似取样时间，则将所述修正样本输入向量与预设值进行匹配；
将第i-k个到第i个原始采样时间的修正样本输入向量进行加权求和，得到第i个原始采样时间对应的加权输入向量；
将所述第i个原始采样时间对应的加权输入向量与所述第i个原始采样时间的修正样本输入向量匹配的历史测量品位确定为第i个修正历史样本；
将全部所述修正历史样本确定为所述修正历史数据。
在一实施方式中，所述根据所述修正历史数据构造建模数据集，包括：
对所述修正历史数据进行相关性分析，并根据相关性分析的结果从所述修正历史数据中筛选建模辅助变量；
将所述建模辅助变量进行归一化，得到所述建模数据集。
在一实施方式中，所述根据所述当前工况点确定所述建模数据集中的相似样本集，包括：
获取距离所述当前取样时间的预设时间段内的多个建模辅助变量；
计算多个所述建模辅助变量与所述当前输入向量的相似度，将所述相似度小于相似度阈值的建模辅助变量确定为相似样本；
将所述相似样本的集合确定为相似样本集。
在一实施方式中，所述获取所述局部软测量模型对所述当前工况点的预测品位，包括：
将所述当前输入向量输入所述局部软测量模型，得到预测输出值；
对所述预测输出值进行反归一化，得到所述预测品位。
第二方面，本申请实施例提供了一种冰铜品位软测量装置，所述装置包括：
获取模块，用于基于历史数据库获取基础历史数据，其中，所述基础历史数据包括多个原始特征变量和多个历史测量品位；
异常处理模块，用于对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量；
加权模块，用于将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据；
构造模块，用于根据所述修正历史数据构造建模数据集；
确定模块，用于获取当前工况点，根据所述当前工况点确定所述建模数据集中的相似样本集，其中，所述当前工况点包括当前取样时间和当前输入向量；
建立模块，用于基于所述相似样本集，通过高斯过程回归建立局部软测量模型；
预测模块，用于获取所述局部软测量模型对所述当前工况点的预测品位。
第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的冰铜品位软测量方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的冰铜品位软测量方法。
本申请实施例具有以下有益效果：
针对历史数据中冰铜的实际取样时间未知、化验得到的历史测量品位较大滞后于实际取样，难以构造软测量的样本集的问题，提出了进行时序匹配和样本加权的样本构造方法，很好地解决了熔池熔炼冰铜品位软测量建模时难以构造样本集的问题。且针对熔池熔炼物料、炉况等环境因素变化引起的工况变化，提出了一种基于相似样本的局部建模方法，很好地解决了时变特性和避免了静态模型的动态校正问题。因此，本申请实施例利用大量历史工程数据和记录的化验数据，构建局部软测量模型，实现冰铜品位的实时预测。本申请实施例能够及时对当前采样到的当前输入向量输出预测品位，具有时效性好、测量精度高、实现成本低、可以广泛应用的优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的冰铜品位软测量方法的一流程示意图；
图2为本申请实施例中部分数据异常值处理前后的对比示意图；
图3为本申请实施例中时序匹配的部分结果的示意图；
图4为本申请实施例采用的权重函数的函数曲线示意图；
图5为本申请实施例中化验结果间隔概率分布直方图；
图6为本申请实施例中相关性分析结果的一示意图；
图7为本申请实施例中不同占比的训练样本集的预测性能；
图8为本申请实施例中预测结果与真实数据的对比示意图；
图9为本申请实施例中预测结果与真实数据的相对误差概率分布直方图；
图10为本申请实施例提供的冰铜品位软测量装置的一结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“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，或者是该发明产品使用时惯常摆放的方位或位置关系，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，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
实施例1
请参考图1，本实施例提供了一种冰铜品位软测量方法。
在熔池熔炼工艺流程中，铜精矿经熔池熔炼得到产物冰铜，然后再经吹炼生产粗铜，其中冰铜既是熔池熔炼的产物，也是吹炼生产粗铜的原料，其品位对于整个工艺流程的控制和参数调整具有重要意义。但是由于测量技术以及经济因素，现有的冰铜品位检测手段主要为离线化验。
具体的，由于熔池熔炼是在高温环境下（通常1250℃~1330℃）进行，冰铜取样后需要经过冷却再进行化验分析，工作人员不定时取样和送样，这个过程包括取样，送样，化验结果三个时间段，离线化验取样间隔通常大于一小时，导致实际化验结果滞后，不能及时获得准确的冰铜品位。
而现有的在线检测手段，如采用激光诱导击穿光谱技术的在线分析仪相对误差较大，易受环境影响，目前还难以满足在线控制的要求（控制精度：品位目标值±1%）。
综上，冰铜品位的及时准确测量对熔池熔炼过程控制至关重要，现有技术缺乏有效的手段对熔池熔炼冰铜品位进行在线测量和趋势预判。
软测量可以通过机器学习建模的形式，为无法或难以用传感器直接检测的变量的检测与控制提供了有效的解决手段。但是由于冰铜品位在软测量建模时难以构造有标签数据集进行有监督软测量建模，此外，由于工况变化、外界干扰等因素，离线模型缺乏在线更新能力，模型软测量性能也会随着时间不断劣化。
基于此，为了解决时变特性以及物料变化等外部环境变化所带来的工况变化，本申请实施例结合一种即时学习的局部学习策略建立动态软测量模型，同时解决了模型更新问题和时变特性。其中，针对品位取样时间未知和化验结果大滞后，无法与软测量模型的输入向量进行时序匹配的问题，提出了一种正态分布概率加权的样本构造方法，很好的解决了熔池熔炼冰铜品位软测量建模时难以构造样本集的问题。针对熔池熔炼物料、炉况等环境因素变化引起的工况变化，提出了一种基于即时学习算法软测量建模方法，很好地解决了时变特性和避免了静态模型的动态校正问题。实现了利用现场大量历史过程数据和人工化验的冰铜品位数据构建基于数据驱动的冰铜品位软测量模型，实现冰铜品位的在线估计。
具体的，请参见图1。
步骤S110，基于历史数据库获取基础历史数据，其中，所述基础历史数据包括多个原始特征变量和多个历史测量品位；
历史数据库包括大量在熔池熔炼过程中记录的基础历史数据。具体地，基础历史数据包括每次取样送检时的各传感器采样到的原始特征变量，即原始采样值的集合，一个维度的原始特征变量对应同一传感器在不同时刻的原始采样值。不同维度的各原始特征变量包括原料系统总矿量、精矿实际氧料比、实际配煤率、石英石实际比率、石灰石实际比率、一次富氧风的实际总氧等原始采样值，也可以参见表1，表1示出了一部分原始特征变量及其物理意义；还包括每次人工化验的冰铜品位化验结果，即历史测量品位。
此外，历史数据库还需记录每次取样的时间和每次冰铜化验出结果的时间，以便于后续的时序匹配和寻找相似样本。
表1：
Figure SMS_9
步骤S120，对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量；
在一实施方式中，所述原始特征变量的个数为
Figure SMS_10
，每个所述原始特征变量包括
Figure SMS_11
个原始采样值，所述对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量，包括：
将
Figure SMS_12
维所述原始特征变量的
Figure SMS_13
个采样值转化为原始特征变量矩阵
Figure SMS_14
，所述原始特征变量矩阵
Figure SMS_15
的列数为NV、行数为
Figure SMS_16
；
基于3σ准则替换所述原始特征变量矩阵
Figure SMS_17
中每一列的异常值，得到修正特征变量矩阵；
将所述修正特征变量矩阵的一行确定为一个所述修正样本输入向量。
原始特征变量矩阵
Figure SMS_18
请参见矩阵1：
Figure SMS_19
；
其中，
Figure SMS_20
为第
Figure SMS_21
个采样得到的输入向量，NV为原始特征变量的维数，
Figure SMS_22
为每个传感器的采样次数，也是基础历史数据包括的输入向量的个数。
构建原始特征变量矩阵
Figure SMS_23
后，对原始特征变量矩阵
Figure SMS_24
进行正态分布假设检验，检验结果显示每列数据都服从正态分布，因此可以采用3σ准则替换异常值。
具体地，计算
Figure SMS_25
矩阵每列数据的平均值和标准差，记为
Figure SMS_26
和
Figure SMS_27
，如第
Figure SMS_28
列的均值和标准差计算如公式1：
Figure SMS_29
对于每个采样值
Figure SMS_30
，3
Figure SMS_31
准则处理如公式2：
Figure SMS_32
此外，若所述原始特征变量矩阵
Figure SMS_33
中存在缺失值，用该原始采样值的采样点前一时刻的采样值来填充。请参见图2，图2为本申请实施例中部分数据预处理前后的对比示意图，即进行了异常值处理前后的对比示意图。
步骤S130，将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据；
在一实施方式中，所述将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据，包括：
获取各所述修正特征变量的原始采样时间；获取各所述历史测量品位的化验结果时间；获取平均滞后时间，根据所述平均滞后时间对各所述历史测量品位的化验结果时间进行校正，得到各所述历史测量品位的近似取样时间；根据所述原始采样时间和所述近似取样时间对所述修正样本输入向量和所述历史测量品位进行时序匹配与样本加权，得到修正历史数据。
在熔炼过程中，传感器以固定频率采集数据，也就是每个修正特征变量中的各采样值是等间隔采样得到的，即，每个修正样本输入向量之间的时间间隔相等，然而得到历史测量品位需要经过包括取样、送检、化验等多个过程，因此历史测量品位是非等间隔采样数据。那么，若要将修正样本输入向量-历史测量品位作为一组输入-输出的训练样本对，就需要对修正样本输入向量和历史测量品位进行时序匹配。
由于熔池熔炼过程，历史测量品位（即冰铜化验值）对应的时间是化验结果时间，往往滞后实际取样时间1小时以上，为此取一个平均滞后时间T_delay，并将化验结果的时间整体提前T_delay，得到冰铜的近似取样时间。再根据这一近似取样时间与修正样本输入向量进行时序匹配。即将历史测量品位对应到相同时间点时的修正样本输入向量上，对于没有冰铜化验值的时刻则用预设的0或空值代替输出值。这样，同一时间点的修正样本输入向量就可以作为训练样本对的输入向量，历史测量品位就可以作为训练样本对的输出向量。请参见图3，图3为本申请实施例中时序匹配的简单流程和部分结果的示意图。
时序匹配方法可以参见：在一实施方式中，所述根据所述原始采样时间和所述近似取样时间对所述修正样本输入向量和所述历史测量品位进行时序匹配与样本加权，得到修正历史数据，包括：
判断所述修正样本输入向量的原始采样时间的匹配范围内是否存在近似取样时间；若所述匹配范围内存在近似取样时间，则将所述修正样本输入向量与所述近似取样时间对应的历史测量品位进行匹配；若所述匹配范围内不存在近似取样时间，则将所述修正样本输入向量与预设值进行匹配；
将第i-k个到第i个原始采样时间点的修正样本输入向量进行加权求和，得到第i个原始采样时间对应的加权输入向量；将所述第i个原始采样时间对应的加权输入向量与所述第i个原始采样时间的修正样本输入向量匹配的历史测量品位确定为第i个修正历史样本；将全部所述修正历史样本确定为所述修正历史数据。
加权求和的意义在于，由于熔池熔炼是一个缓慢的化学物理反应过程以及熔池置换过程，当前时刻的输入物料及操作，也就是修正样本输入向量实际上与其对应时刻的历史测量品位并无强的相关性，历史测量品位往往是多个时刻的输入向量共同作用的结果，因此，本实施例提出了一种多时刻样本加权法来构造修正历史数据。对于历史测量品位
Figure SMS_34
，取其前
Figure SMS_35
个时刻及其当前时刻，即第i-k个到第i个时刻的修正样本输入向量的加权值作为历史测量品位
Figure SMS_36
的在建模数据集中的加权输入向量
Figure SMS_37
，
Figure SMS_38
的表达式如公式3：
Figure SMS_39
；
此处的t=0对应当前时刻，其中
Figure SMS_42
为权重。需要注意的是，在加权计算的过程中，是将不同的修正样本输入向量同一位置的元素乘以对应权重后相加，遵循向量相加的规则。也就是说，若有
Figure SMS_45
，t=0，则将
Figure SMS_48
的第m个元素乘以
Figure SMS_41
，与
Figure SMS_43
的第m个元素乘以
Figure SMS_44
，以此类推，直至计算到
Figure SMS_47
乘以
Figure SMS_40
，最后就可以得到加权输入向量
Figure SMS_46
第m个元素的具体值。
Figure SMS_49
可以通过权重表达式计算，公式4：
Figure SMS_50
；
权重表达式中
Figure SMS_51
，
Figure SMS_52
用来调整权重的形状和大小，如
Figure SMS_53
时，
Figure SMS_54
。
Figure SMS_55
的具体数值由实验交叉验证确定，exp表示以自然常数e为底的指数函数。请参见图4，图4为本申请实施例采用的权重函数的函数曲线示意图，其中410、420、430、440分别代表不同的
Figure SMS_56
，
Figure SMS_57
对应的不同权重函数的函数曲线。图5是历史冰铜品位，即冰铜品位化验结果的间隔时间概率分布直方图，由该分布近似确定平均滞后时间T_delay，并为k选取提供参考。
具体地，将历史测量品位对应到相同时间点时的修正样本输入向量上时，判断历史测量品位的近似取样时间是否在修正样本输入向量的原始采样时间附近即可，即它们之间的时间差小于预设的匹配范围。
由此，可以得到修正历史数据：
Figure SMS_58
；
其中
Figure SMS_59
为修正样本输入向量，
Figure SMS_60
为历史测量品位，
Figure SMS_61
为建模数据集的样本数，也即实际的冰铜化验值个数。
步骤S140，根据所述修正历史数据构造建模数据集；
考虑到修正历史数据中NV维的修正后的特征变量之间可能存在相关性，造成建模时数据冗余影响模型性能，同时为了降低维度，建模时只需要与冰铜品位相关性高的特征变量，因此需要进一步精简特征变量采样的个数。
具体地，在一实施方式中，所述根据所述修正历史数据构造建模数据集，包括：
对所述修正历史数据进行相关性分析，并根据相关性分析的结果从所述修正历史数据中筛选建模辅助变量；将所述建模辅助变量进行归一化，得到所述建模数据集。
首先对历史采样值进行主元及相关性分析，由于已经验证历史采样值服从正态分布，故可以利用皮尔逊（Pearson）相关系数来计算各个特征变量之间以及各个特征变量与冰铜品位的采样值之间的相关性，并依据相关性选择建模辅助变量。Pearson相关性系数计算公式如公式5：
Figure SMS_62
；
其中
Figure SMS_63
，
Figure SMS_64
为向量的均值，j1，j2
Figure SMS_65
{1，2，...，NV}，n为样本数，也就是原始采样值的总个数。可以先预设一个相关性阈值，若是某个原始采样值的r大于相关性阈值，则可以保留该原始采样值，反之则删去。最后经过相关性分析的建模辅助变量中的特征变量均为与冰铜品位相关性高的特征变量。请参见图6，图6为本申请实施例中皮尔逊相关性分析结果的一示意图，可以根据图6确定与冰铜品位值有较强相关性的特征变量。
还需进行数据归一化处理。考虑到不同特征变量之间数量级不统一，将各个特征变量和冰铜品位归一化到[0,1]区间，具体公式如公式6：
Figure SMS_66
；
其中
Figure SMS_67
，
Figure SMS_68
分别为建模辅助变量归一化处理后的数值和其对应的输出向量，
Figure SMS_69
，
Figure SMS_70
为历史采样值的最小值和最大值，
Figure SMS_71
，
Figure SMS_72
为冰铜的历史测量品位
Figure SMS_73
的最大值和最小值。
步骤S150，获取当前工况点，根据所述当前工况点确定所述建模数据集中的相似样本集，其中，所述当前工况点包括当前取样时间和当前输入向量；
选择合适的相似样本集以建立局部模型在即时学习中至关重要。此处选择当前工况点
Figure SMS_74
与历史数据集中的样本
Figure SMS_75
的欧式距离
Figure SMS_76
，如公式7：
Figure SMS_77
；
每次更新历史数据库后，计算数据库样本两两之间的相似度，并取其中位值作为阈值
Figure SMS_78
来选择相似样本集
Figure SMS_79
：
Figure SMS_80
；
其中
Figure SMS_83
为
Figure SMS_86
矩阵，
Figure SMS_89
为
Figure SMS_84
列向量，
Figure SMS_85
为样本数，
Figure SMS_88
为特征向量个数，
Figure SMS_91
为参数，用来调节阈值大小，并控制相似样本集的大小。本申请实施例在选择相似样本集时充分考虑了空间相似性和时间相似性，即不再是先计算出测试样本与所有历史样本的距离后按距离大小升序排列，选择前
Figure SMS_81
个相似度最高的历史样本作为相似样本集，而是按时间顺序依次从距测试样本时间间隔最短的历史样本中选出满足距离要求的
Figure SMS_87
个历史样本集
Figure SMS_90
。如此既考虑了时序因素，同时也减少了计算负荷，减小了随着历史样本增加导致的计算量过大的问题。其中训练样本集样本数
Figure SMS_92
由经验和实验验证获得，由于历史数据库在动态更新，因此
Figure SMS_82
也在动态更新。
图7是选择不同Nq下模型性能曲线，其中横坐标Nq为相似样本子集占历史数据集的比例。图7中的710为以决定系数(
Figure SMS_93
)作为评价指标的评估结果，720为以均方根误差（RMSE）作为评价指标的评估结果，模型的具体评价指标可以参见下文公式16-公式18。
也就是说，在一实施方式中，所述根据所述当前工况点确定所述建模数据集中的相似样本集，包括：
获取距离所述当前取样时间的预设时间段内的多个建模辅助变量；计算多个所述建模辅助变量与所述当前输入向量的相似度，将所述相似度小于相似度阈值的建模辅助变量确定为相似样本；将所述相似样本的集合确定为相似样本集。
即，获取当前需要预测的输入特征向量；计算当前工况点对应的输入向量与经过精简的历史数据集中保存的建模辅助变量之间的相似度，将所述相似度小于相似度阈值的建模辅助变量确定为相似样本。
步骤S160，基于所述相似样本集，通过高斯过程回归建立局部软测量模型；
本申请实施例提出一种基于高斯过程回归（Gaussian Process Regression）的局部软测量建模，首先选取核函数（也称协方差函数）形式，依据样本，利用最大似然法估计出核函数的参数（模型的超参数），然后根据核函数计算样本的协方差矩阵，最后可以直接计算出预测样本的均值和方差。采用高斯过程回归建立局部软测量模型，具体过程如下：
首先，确定核函数形式。本发明采用平方指数函数作为协方差函数，具体形式如下公式9：
Figure SMS_94
；
其中
Figure SMS_97
，
Figure SMS_99
为方差尺度，
Figure SMS_101
为信号方差。
Figure SMS_96
反映了样本
Figure SMS_100
和
Figure SMS_102
之间的相关性。定义协方差矩阵
Figure SMS_103
，
Figure SMS_95
和
Figure SMS_98
如公式10：
Figure SMS_104
；
Figure SMS_106
为
Figure SMS_109
阶对称正定矩阵，其中
Figure SMS_112
，用来度量相似样本集中
Figure SMS_107
和
Figure SMS_110
之间的相关性。
Figure SMS_113
为预测样本和相似数据集的输入
Figure SMS_114
之间的
Figure SMS_105
协方差矩阵，其中
Figure SMS_108
。
Figure SMS_111
为预测样本自身协方差。基于协方差矩阵表达的预测分布如公式11：
Figure SMS_115
；
其中
Figure SMS_116
为测量噪声方差，
Figure SMS_117
为
Figure SMS_118
维单位矩阵。
用均值作为预测输出，公式12：
Figure SMS_119
；
然后，获取最优超参数。用最大似然法来求出最优超参数。
Figure SMS_120
为超参数，训练样本的似然函数为公式13：
Figure SMS_121
；
最佳参数为似然函数最大时的超参数取值，可以对似然函数取负对数并将其作为最小化目标函数，以超参数为优化参数，采用优化方法来搜索最优超参数，本文采用粒子群算法来获取最优超参数。负对数最大似然函数如公式14：
Figure SMS_122
；
步骤S170，获取所述局部软测量模型对所述当前工况点的预测品位。
获取超参数后，即可求出预测输出
Figure SMS_123
，对
Figure SMS_124
进行反归一化输出真正预测结果
Figure SMS_125
。反归一化公式为公式15：
Figure SMS_126
；
此外，还可以采用如下三个模型评价指标：
均方根误差（RMSE），如公式16：
Figure SMS_127
决定系数(
Figure SMS_128
) ，如公式17：
Figure SMS_129
平均相对误差（MRE），如公式18：
Figure SMS_130
其中
Figure SMS_131
为预测值，
Figure SMS_132
为真实值，
Figure SMS_133
为测试冰铜品位的均值，
Figure SMS_134
为测试样本数。RMSE和MRE越小，模型预测越准确，
Figure SMS_135
越接近1，模型回归性能越好。
请参见图8和图9，图8为本申请实施例中预测结果（prediction）与真实数据（truedata）的对比示意图；图9为本申请实施例中预测结果（prediction）与真实数据（truedata）的相对误差概率分布直方图。可见，预测结果的平均相对误差为1%，可以达到控制要求。
需要注意的是，本申请实施例还需要实时更新历史数据库。判断当前是否有新的品位化验值，若有，则对该样本数据执行步骤S110-步骤S140，并将获得的新的历史样本加入历史数据库，否则不更新。
也就是说，在一实施方式中，所述获取所述局部软测量模型对所述当前工况点的预测品位，包括：
将所述当前工况点输入所述局部软测量模型，得到预测输出值；对所述预测输出值进行反归一化，得到所述预测品位。
本实施例提供的冰铜品位软测量方法，针对历史数据中冰铜的实际取样时间未知、化验得到的历史测量品位较大滞后于实际取样，难以构造软测量的样本集的问题，提出了进行时序匹配和样本加权的样本构造方法，很好地解决了熔池熔炼冰铜品位软测量建模时难以构造样本集的问题。且针对熔池熔炼物料、炉况等环境因素变化引起的工况变化，提出了一种基于相似样本的局部建模方法，很好地解决了时变特性和避免了静态模型的动态校正问题。因此，本申请实施例利用大量历史工程数据和记录的化验数据，构建局部软测量模型，实现冰铜品位的实时预测。本申请实施例能够及时对当前采样到的当前输入向量输出预测品位，具有时效性好、测量精度高、实现成本低、可以广泛应用的优点。
实施例2
此外，本申请实施例提供了一种冰铜品位软测量装置。
具体的，如图10所示，冰铜品位软测量装置1000包括：
获取模块1010，用于基于历史数据库获取基础历史数据，其中，所述基础历史数据包括多个原始特征变量和多个历史测量品位；
异常处理模块1020，用于对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量；
加权模块1030，用于将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据；
构造模块1040，用于根据所述修正历史数据构造建模数据集；
确定模块1050，用于获取当前工况点，根据所述当前工况点确定所述建模数据集中的相似样本集，其中，所述当前工况点包括当前取样时间和当前输入向量；
建立模块1060，用于基于所述相似样本集，通过高斯过程回归建立局部软测量模型；
预测模块1070，用于获取所述局部软测量模型对所述当前工况点的预测品位。
本实施例提供的冰铜品位软测量装置1000可以实现实施例1所提供的冰铜品位软测量方法，可以实现相同的技术效果，为避免重复，在此不再赘述。
实施例3
此外，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行实施例1所提供的冰铜品位软测量方法。
本实施例提供的电子设备可以实现实施例1所提供的冰铜品位软测量方法，可以实现相同的技术效果，为避免重复，在此不再赘述。
实施例4
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例1所提供的冰铜品位软测量方法。
在本实施例中，计算机可读存储介质可以为只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本实施例提供的计算机可读存储介质可以实现实施例1所提供的冰铜品位软测量方法，可以实现相同的技术效果，为避免重复，在此不再赘述。
需要说明的是，在本文中，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、物品或者终端不仅包括那些要素，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、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和保护范围的情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种冰铜品位软测量方法，其特征在于，所述方法包括：
基于历史数据库获取基础历史数据，其中，所述基础历史数据包括多个原始特征变量和历史测量品位；
对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量；
将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据；
根据所述修正历史数据构造建模数据集；
获取当前工况点，根据所述当前工况点确定所述建模数据集中的相似样本集，其中，所述当前工况点包括当前取样时间和当前输入向量；
基于所述相似样本集，通过高斯过程回归建立局部软测量模型；
获取所述局部软测量模型对所述当前工况点的预测品位。
2.根据权利要求1所述的冰铜品位软测量方法，其特征在于，所述原始特征变量的个数为
Figure QLYQS_1
，每个所述原始特征变量包括
Figure QLYQS_2
个原始采样值，所述对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量，包括：
将
Figure QLYQS_3
维所述原始特征变量的
Figure QLYQS_4
个采样值转化为原始特征变量矩阵
Figure QLYQS_5
，所述原始特征变量矩阵
Figure QLYQS_6
的列数为NV、行数为
Figure QLYQS_7
；
基于3σ准则替换所述原始特征变量矩阵
Figure QLYQS_8
中每一列的异常值，得到修正特征变量矩阵；
将所述修正特征变量矩阵的一行确定为一个所述修正样本输入向量。
3.根据权利要求2所述的冰铜品位软测量方法，其特征在于，所述将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据，包括：
获取各所述修正样本输入向量的原始采样时间；
获取各所述历史测量品位的化验结果时间；
获取平均滞后时间，根据所述平均滞后时间对各所述历史测量品位的化验结果时间进行校正，得到各所述历史测量品位的近似取样时间；
根据所述原始采样时间和所述近似取样时间对所述修正样本输入向量和所述历史测量品位进行时序匹配与样本加权，得到修正历史数据。
4.根据权利要求3所述的冰铜品位软测量方法，其特征在于，所述根据所述原始采样时间和所述近似取样时间对所述修正样本输入向量和所述历史测量品位进行时序匹配与样本加权，得到修正历史数据，包括：
判断所述修正样本输入向量的原始采样时间的匹配范围内是否存在近似取样时间；
若所述匹配范围内存在近似取样时间，则将所述修正样本输入向量与所述近似取样时间对应的历史测量品位进行匹配；
若所述匹配范围内不存在近似取样时间，则将所述修正样本输入向量与预设值进行匹配；
将第i-k个到第i个原始采样时间的修正样本输入向量进行加权求和，得到第i个原始采样时间对应的加权输入向量；
将所述第i个原始采样时间对应的加权输入向量与所述第i个原始采样时间的修正样本输入向量匹配的历史测量品位确定为第i个修正历史样本；
将全部所述修正历史样本确定为所述修正历史数据。
5.根据权利要求1所述的冰铜品位软测量方法，其特征在于，所述根据所述修正历史数据构造建模数据集，包括：
对所述修正历史数据进行相关性分析，并根据相关性分析的结果从所述修正历史数据中筛选建模辅助变量；
将所述建模辅助变量进行归一化，得到所述建模数据集。
6.根据权利要求5所述的冰铜品位软测量方法，其特征在于，所述根据所述当前工况点确定所述建模数据集中的相似样本集，包括：
获取距离所述当前取样时间的预设时间段内的多个建模辅助变量；
计算多个所述建模辅助变量与所述当前输入向量的相似度，将所述相似度小于相似度阈值的建模辅助变量确定为相似样本；
将所述相似样本的集合确定为相似样本集。
7.根据权利要求1所述的冰铜品位软测量方法，其特征在于，所述获取所述局部软测量模型对所述当前工况点的预测品位，包括：
将所述当前输入向量输入所述局部软测量模型，得到预测输出值；
对所述预测输出值进行反归一化，得到所述预测品位。
8.一种冰铜品位软测量装置，其特征在于，所述装置包括：
获取模块，用于基于历史数据库获取基础历史数据，其中，所述基础历史数据包括多个原始特征变量和多个历史测量品位；
异常处理模块，用于对多个所述原始特征变量进行异常值处理，得到多个修正样本输入向量；
加权模块，用于将所述修正样本输入向量与所述历史测量品位进行时序匹配与样本加权，得到修正历史数据；
构造模块，用于根据所述修正历史数据构造建模数据集；
确定模块，用于获取当前工况点，根据所述当前工况点确定所述建模数据集中的相似样本集，其中，所述当前工况点包括当前取样时间和当前输入向量；
建立模块，用于基于所述相似样本集，通过高斯过程回归建立局部软测量模型；
预测模块，用于获取所述局部软测量模型对所述当前工况点的预测品位。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行权利要求1至7中任一项所述的冰铜品位软测量方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的冰铜品位软测量方法。
CN202310538899.1A 2023-05-15 2023-05-15 冰铜品位软测量方法、装置、电子设备及存储介质 Active CN116258087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310538899.1A CN116258087B (zh) 2023-05-15 2023-05-15 冰铜品位软测量方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310538899.1A CN116258087B (zh) 2023-05-15 2023-05-15 冰铜品位软测量方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116258087A true CN116258087A (zh) 2023-06-13
CN116258087B CN116258087B (zh) 2023-08-01

Family

ID=86684666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310538899.1A Active CN116258087B (zh) 2023-05-15 2023-05-15 冰铜品位软测量方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116258087B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390379A (zh) * 2023-12-11 2024-01-12 博睿康医疗科技(上海)有限公司 在线信号测量装置、信号特征的置信度测量装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006040901A1 (ja) * 2004-10-14 2006-04-20 Matsushita Electric Industrial Co., Ltd. 移動先予測装置および移動先予測方法
CN101353729A (zh) * 2008-07-18 2009-01-28 中南大学 一种基于工况判断的智能集成建模方法
CN101353730A (zh) * 2008-07-18 2009-01-28 中南大学 基于模式匹配与平衡计算的智能集成优化方法
CN108827905A (zh) * 2018-04-08 2018-11-16 江南大学 一种基于局部加权Lasso的近红外模型在线更新方法
CN108984851A (zh) * 2018-06-22 2018-12-11 江南大学 一种带时延估计的加权高斯模型软测量建模方法
CN110066895A (zh) * 2019-04-10 2019-07-30 东北大学 一种基于Stacking的高炉铁水质量区间预测方法
WO2021203912A1 (zh) * 2020-04-10 2021-10-14 中国恩菲工程技术有限公司 氧气底吹炉铜吹炼过程参数在线预测方法
CN115860211A (zh) * 2022-11-29 2023-03-28 北京科技大学 一种基于局部在线建模的铸坯质量预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006040901A1 (ja) * 2004-10-14 2006-04-20 Matsushita Electric Industrial Co., Ltd. 移動先予測装置および移動先予測方法
CN101353729A (zh) * 2008-07-18 2009-01-28 中南大学 一种基于工况判断的智能集成建模方法
CN101353730A (zh) * 2008-07-18 2009-01-28 中南大学 基于模式匹配与平衡计算的智能集成优化方法
CN108827905A (zh) * 2018-04-08 2018-11-16 江南大学 一种基于局部加权Lasso的近红外模型在线更新方法
CN108984851A (zh) * 2018-06-22 2018-12-11 江南大学 一种带时延估计的加权高斯模型软测量建模方法
CN110066895A (zh) * 2019-04-10 2019-07-30 东北大学 一种基于Stacking的高炉铁水质量区间预测方法
WO2021203912A1 (zh) * 2020-04-10 2021-10-14 中国恩菲工程技术有限公司 氧气底吹炉铜吹炼过程参数在线预测方法
CN115860211A (zh) * 2022-11-29 2023-03-28 北京科技大学 一种基于局部在线建模的铸坯质量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PENG DENG: "Prediction of Matte grade in Copper Flash Smelting Process based on LSTM and Mechanism Model", 《PROCEEDINGS OF THE 41ST CHINESE CONTROL CONFERENCE 》, no. 2022, pages 25 - 27 *
王凌云;桂卫华;彭晓波;: "基于智能融合策略的冰铜品位预测模型", 化工自动化及仪表, no. 04, pages 26 - 29 *
胡军, 梅炽, 李欣峰, 姚俊峰, 胡志坤: "吹炼炉入炉铜锍品位的灰色预测", 中国有色金属学报, no. 05, pages 120 - 123 *
董云成;林晨晗;: "铜闪速熔炼过程能效优化模型研究", 福建电脑, no. 03, pages 93 - 95 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117390379A (zh) * 2023-12-11 2024-01-12 博睿康医疗科技(上海)有限公司 在线信号测量装置、信号特征的置信度测量装置
CN117390379B (zh) * 2023-12-11 2024-03-19 博睿康医疗科技(上海)有限公司 在线信号测量装置、信号特征的置信度测量装置

Also Published As

Publication number Publication date
CN116258087B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN107765347B (zh) 一种高斯过程回归和粒子滤波的短期风速预测方法
CN108241901B (zh) 一种基于预测数据的变压器预警评估方法及装置
CN111444953B (zh) 一种基于改进粒子群优化算法的传感器故障监测方法
CN107526927B (zh) 一种高炉铁水质量在线鲁棒软测量方法
CN116258087B (zh) 冰铜品位软测量方法、装置、电子设备及存储介质
CN113012766B (zh) 一种基于在线选择性集成的自适应软测量建模方法
CN115841004B (zh) 基于多维数据的带钢热轧过程力学性能软测量方法及装置
CN112560338B (zh) 基于自适应深度学习的复杂工业系统智能预报方法、装置、设备及存储介质
CN113326590A (zh) 基于深度学习模型的滚动轴承寿命预测方法和装置
CN113935535A (zh) 一种面向中长期预测模型的主成分分析方法
CN113139605A (zh) 基于主成分分析和lstm神经网络的电力负荷预测方法
CN114897103A (zh) 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法
EP4318337A1 (en) Design aid device, design aid method, and design aid program
CN114528764B (zh) 基于整体优化的即时学习的软测量建模方法及装置
CN116307246A (zh) 一种基于lstm-cnn和icbam长短期特征提取的铝电解槽温预测方法
CN115436342A (zh) 降低多批次样本间libs检测不确定性的方法及装置
CN116821695B (zh) 一种半监督神经网络软测量建模方法
CN116612814B (zh) 基于回归模型的基因样本污染批量检测方法、装置、设备及介质
CN116776252A (zh) 一种改进Mallow's Cp变量选择的工业过程软测量方法和系统
CN110648023A (zh) 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法
CN105787507A (zh) 基于预算支持向量集的LS-SVMs在线学习方法
CN112884151B (zh) 一种基于因果推理对玻璃熔炉环境控制的方法及系统
Wang et al. A hybrid-structure soft sensor based on model risk assessment and weight fusion for batch processes
CN113177308B (zh) 一种基于滚动即时特征分析的化工过程鲁棒建模与异常监测方法
CN113378383B (zh) 一种食品供应链危害物预测方法及装置

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