CN116805369A - 一种判断转炉炼铜造铜期终点的方法 - Google Patents
一种判断转炉炼铜造铜期终点的方法 Download PDFInfo
- Publication number
- CN116805369A CN116805369A CN202310537839.8A CN202310537839A CN116805369A CN 116805369 A CN116805369 A CN 116805369A CN 202310537839 A CN202310537839 A CN 202310537839A CN 116805369 A CN116805369 A CN 116805369A
- Authority
- CN
- China
- Prior art keywords
- copper
- flame
- converter
- layer
- image
- 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 36
- 239000010949 copper Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003723 Smelting Methods 0.000 title claims abstract description 17
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 16
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 16
- 229910052760 oxygen Inorganic materials 0.000 claims description 16
- 239000001301 oxygen Substances 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 8
- 239000003546 flue gas Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000005272 metallurgy Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000007664 blowing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B15/00—Obtaining copper
- C22B15/0026—Pyrometallurgy
- C22B15/0028—Smelting or converting
- C22B15/003—Bath smelting or converting
- C22B15/0041—Bath smelting or converting in converters
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
-
- 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
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明公开了一种判断转炉炼铜造铜期终点的方法,属于冶金领域,本发明利用火焰图像、二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量,使用高速摄像机采集火焰图像信息,BP神经网络结构数据集合的训练,准确表述转炉炼铜造铜期火焰特征值变化的特点。利用多任务模型,将上述特征值作为特征向量模型输入智能控制系统,采集现场数据,多任务模型算法监测及控制参数优化,在造铜期终点时完成预报报警。
Description
技术领域
本发明属于冶金领域,更具体的说涉及一种判断转炉炼铜造铜期终点的方法。
背景技术
在火法铜熔炼中,虽然转炉具有热容量大、作业周期内温度变化小、生产率高、炉衬寿命长、节约维护时间和运转吹炼平稳等优点,但是转炉吹炼过程中的间歇作业和自动化程度低,造铜期终点判断仍停留在人工经验判断,在吹炼过程中粗铜产量难以提高。
为提高转炉生产效率和粗铜产量,实现造铜期终点精确判断对实际生产具有重大意义。当前对转炉终点判断的研究主要集中在基于数据挖掘角度的神经网络预测模型,基于先进控制算法的预测控制模型,基于图像处理的火焰识别算法、基于反应动力学的热力学模型,以及从光学角度出发的PbO和PbS强度采集和分析技术。这些研究为转炉预报模型的建立和终点控制提供了新的视角和重要参考。但是神经网络预测模型和控制预测模型受铜锍品位、筛炉时间、炉工操作、温度、供风压力等众多因素影响,降低了终点判断的命中率。特别是目前这些研究几乎都集中在静态终点控制预测,但实际生产中转炉吹炼过程是一个动态过程,其指导转炉冶炼现场生产的实际意义有待商榷。在铜吹炼过程中反应复杂,温度很难监测和精准控制。另外铜锍吹炼过程中熔渣的存在将产生气渣接触反应,这将增加铜锍-炉渣反应,也会产生额外的热量。反应的复杂性和温度监测难度为动力学和热力学模型提出了挑战。由于转炉工作条件恶劣,炉口的光谱采集和图像分析来预测终点降低了设备寿命,并且目前光谱分析仪成本高。因此,从光学角度进行终点控制目前我国绝大多数冶炼企业不具备条件。综上所述,找到一种高效、精准和经济的终点预报模型和控制系统是非常必要的。
发明内容
本发明是一种利用数字图像处理技术和神经网络智能控制系统来判断转炉炼铜造铜期终点方法评价。该方法利用火焰图像得到吹炼数据,使用RGB三基色颜色分量像素占比描述火焰图像信息,并构建适当的特征描述因子以及特征矩阵,准确表述转炉炼铜造铜期火焰特征值变化的特点。
为了实现上述目的,本发明是采用以下技术方案实现的:所述的方法包括:
步骤1、图像数据采集;
步骤2、图像处理;
步骤3、对图像进行差异性判断;
步骤4、对图像特征进行数值量化;
步骤5、建立造铜期终点多任务模型,并进行训练;
步骤6.根据步骤5的预测在终点时完成预报报警。
进一步地,所述的步骤1、利用高速摄像机采集火焰图像,485模块信号采集器采集转炉内二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量。
进一步地,所述的步骤2、根据高速摄像机拍摄角度和拍摄范围,将获得到的造铜期火焰实时图像进行RGB三基色颜色通道分离,分别设定为红色通道、绿色通道和蓝色通道信号。
进一步地,所述的步骤3、运用颜色相似度度量方法中颜色相关系数ξ(μ,v),分别对造铜期火焰图像分阶段初步判断差异性,当相关系数接近1表示火焰图像属于同一阶段,充分小于1即趋近于0则表示火焰图像状态弱相关或者无相关性。
进一步地,所述的步骤5、为造铜期终点多任务模型,构建的多任务学习系统;给定输入32×32像素图像块,第一层是卷积层,32个大小为5×5×1的内核,然后是2×2的最大池化,第二个卷积层将第一层的输出作为输入,用32个大小为3×3×32的内核对其进行过滤;第三个卷积层有24个大小为3×3×32的内核,然后是2×2最大池化;第四层是一个全连接层,有512个神经元;之后网络分为三个分支:
第一个分支学习火焰/非火焰决策,它包含2个额外的全连接层,大小分别为128和2:
(t1,t2)=(1,0)表示火焰图像,(t1,t2)=(0,1)表示非火焰图像,(y1,y2)表示输出;
第二个分支学习二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量,其中还包含大小为128和5的其他完全连接的层:
zi表示均值,wi表示在每个输出上的权重;
当执行多任务学习时,我们将误差进行线性组合最小化:
其中αi是线性权重,当前设置为均等于1。
本发明有益效果:
本发明过程简单,易操作,容易推广,将火焰特征颜色矩i、二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量作为神经网络输入层参数研究转炉炼铜造铜期终点的方法可作为实际工程应用的重要替代手段,不仅具备较好的精度,也能减少在研究实验方向的成本支出,具有非常广阔的应用前景。
附图说明
图1为本发明方法流程图;
图2为本发明方法控制流程图;
图3为BP神经网络预测粗铜品位结果对比和拟合优度;
图4为BP神经网络四次迭代表现结果;
图5为BP神经网络第四次迭代验证学习结果表现;
图6为BP神经网络第四次迭代验证学习结果表现。
具体实施方式
以下将以附图公开本公开的实施方式,为明确说明起见,许多实务上的细节将在以下叙述中一并说明。然而,应了解到,这些实务上的细节不应用以限制本公开。也就是说,在本公开内容部分实施方式中,这些实务上的细节是非必要的。此外,为简化附图起见,一些现有惯用的结构与元件在附图中将以简单示意的方式示出的。
如图1和图2所示。所述的方法采用以下步骤实现:步骤1利用高速摄像机和信号采集器采集转炉炼铜造铜期足够充分且连续的火焰实时图像信息、二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量;
步骤2:根据高速摄像机拍摄角度和拍摄范围,将获得到的造铜期火焰实时图像进行RGB三基色颜色通道分离,分别设定为红色通道、绿色通道和蓝色通道信号;
步骤3.运用颜色相似度度量方法中颜色相关系数ξ(μ,v),分别对造铜期火焰图像分阶段初步判断差异性,当相关系数接近1表示火焰图像属于同一阶段,充分小于1即趋近于0则表示火焰图像状态弱相关或者无相关性;
所述的步骤3中的颜色相关系数ξ(μ,v),用于检验火焰图像相关性,判断火焰阶段性变化,将所属同一造铜阶段相关系数接近的火焰图像分为一类,根据结果将造铜过程分为造铜初期、造铜中期和造铜终点。
步骤4.利用图像颜色矩ξi方法,采用图像颜色的一阶矩、二阶矩和三阶矩表达火焰图像颜色特征,将特征进行数值量化;
步骤5.将图像信息颜色矩ξi、二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量作为多任务模型输入参数,并建立造铜期终点多任务模型,选择样本作为训练集、测试集和验证集,并记录准确度;
所述的步骤5详细方法为将颜色矩ξi作为多任务模型的输入层特征值,选择样本数量为n的造铜期火焰图像设定为训练集,并设定对应响应造铜期阶段分别为造铜初期(1)、造铜中期(2)和造铜终点(3),设定样本数量为m的造铜期火焰图像为测试集,检验造铜过程火焰图像所处阶段,利用神经网络的预测结果,判断当前火焰实时图像所处阶段,也可以对已判断造铜阶段进行辅助检验。
我们通常将输入层神经元的个数为n,隐含层神经元个数设定为r,输出层神经元的个数设定为m,输入层和隐含层之间的参数权值设定为Wjk,隐含层和输出层之间的参数权值设定为Wki,学习率通常设定为η。并且,BP神经网络的隐含层节点和输出层节点函数为Sigmoid函数,及:
并且该函数是连续且可导的,则
f'(x)=f(x)[1-f(x)]
在进行正向传播过程的隐含层神经元输入为:
输出层神经元的输出则为:
同样,输出层输出预测结果如果不满足标定量,即存在误差信号,反向传递过程的误差计算公式为:
此时,表示的期望得到的数值。并且,为了将总误差调整到与实际输出的数值与期望在符合标准的范畴,对隐含层与输出层权值进行调整的具体公式为:
上式的且bj为输出节点j的阈值。同样,输如层与隐含层之间的权值调整也类似表示为:
同理,bi是输入节点i的阈值。
所述的步骤5详细方法为造铜期终点多任务模型,构建的多任务学习系统。给定输入32×32像素图像块,第一层是卷积层,32个大小为5×5×1的内核,然后是2×2的最大池化,第二个卷积层将第一层的输出作为输入,用32个大小为3×3×32的内核对其进行过滤。第三个卷积层有24个大小为3×3×32的内核,然后是2×2最大池化。第四层是一个全连接层,有512个神经元。之后网络分为三个分支:第一个分支学习火焰/非火焰决策,它包含2个额外的全连接层,大小分别为128和2:
(t1,t2)=(1,0)表示火焰图像,(t1,t2)=(0,1)表示非火焰图像,(y1,y2)表示输出。
第二个分支学习二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量,其中还包含大小为128和5的其他完全连接的层:
zi表示均值,wi表示在每个输出上的权重。
当执行多任务学习时,我们将误差进行线性组合最小化:
其中αi是线性权重,当前设置为均等于1。
步骤6.根据步骤5的预测在终点时完成预报报警。转炉炼铜造铜期终点判断智能控制系统监测,在终点时完成预报报警。
实施例一
如图3-图6所示,本发明使用Matlab 2020b版本进行BP神经网络结构数据集合的训练,基于上文的神经网络基本结构带入算法处理过的特征向量做输入层输入,样本总体数据集合数量选择为24000,这些数据包含了上述28个影响因素中的主要6个影响因素样本数据,形成该模型的输入向量。设定24000个样本总体数据中的随机20000个数据作为输入层样本训练集合,随机选择1000个样本数据作为样本验证集,并将随机样本中的3000样本作为测试集,用来验证训练后的神经网络的准确性。下表是随机选取3000组数据样本中的25个样本测试集编号:
表1随机选取的样本测试集编号
将神经网络的训练所能达到的最大收敛迭代次数的初值设定为500,训练目标收敛误差值标量为1e-07,学习速率设定为0.01,其他神经网络属性设置为默认参数,观测能够最终达到收敛。
经过4次Epoche迭代,最终达到收敛效果,表示误差已经接近了所能接受的误差范畴。本模型使用了均方误差来度量模型的精度,此时迭代完成后精度0.000646,该模型的误差曲面梯度大小为0.0107。在本次训练中,设定的均方误差度量是0.570,即小于该设定值后会立即停止,同时梯度设定为1.55,Validation check表示泛化能力检查,如果在本次测试中连续6次训练误差不降反升则会强行结束训练,因此本次训练并没有存在这种情况,表示一直呈现下降的状态。
根据上文所述,权值和阈值的设定也是该神经网络的重要参数,该神经网络所设定的输入神经元为6个为筛选出来的6个主要核心影响出铜质量的指标,设定隐含层神经元数量为10,可得出输入到隐含层各神经元权值如表2所示,隐含层各神经元阈值和隐含层到输出层阈值如下表3和表4所示:
表2输入到隐含层各神经元权值
表3隐含层各神经元阈值
表4隐含层到输出层阈值
本领域普通技术人员可以理解上述实施例的各种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,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(read-only memory,ROM)、随机存取器(randomaccessmemory,RAM)、磁盘或光盘等。
应当理解,以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对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)
1.一种判断转炉炼铜造铜期终点的方法,其特征在于:所述的方法包括:
步骤1、图像数据采集;
步骤2、图像处理;
步骤3、对图像进行差异性判断;
步骤4、对图像特征进行数值量化;
步骤5、建立造铜期终点多任务模型,并进行训练;
步骤6.根据步骤5的预测在终点时完成预报报警。
2.根据权利要求1所述的一种判断转炉炼铜造铜期终点的方法,其特征在于:所述的步骤1、利用高速摄像机采集火焰图像,485模块信号采集器采集转炉内二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量。
3.根据权利要求1所述的一种判断转炉炼铜造铜期终点的方法,其特征在于:所述的步骤2、根据高速摄像机拍摄角度和拍摄范围,将获得到的造铜期火焰实时图像进行RGB三基色颜色通道分离,分别设定为红色通道、绿色通道和蓝色通道信号。
4.根据权利要求1所述的一种判断转炉炼铜造铜期终点的方法,其特征在于:所述的步骤3、运用颜色相似度度量方法中颜色相关系数ξ(μ,v),分别对造铜期火焰图像分阶段初步判断差异性,当相关系数接近1表示火焰图像属于同一阶段,充分小于1即趋近于0则表示火焰图像状态弱相关或者无相关性。
5.根据权利要求1所述的一种判断转炉炼铜造铜期终点的方法,其特征在于:所述的步骤5、为造铜期终点多任务模型,构建的多任务学习系统;给定输入32×32像素图像块,第一层是卷积层,32个大小为5×5×1的内核,然后是2×2的最大池化,第二个卷积层将第一层的输出作为输入,用32个大小为3×3×32的内核对其进行过滤;第三个卷积层有24个大小为3×3×32的内核,然后是2×2最大池化;第四层是一个全连接层,有512个神经元;之后网络分为三个分支:
第一个分支学习火焰/非火焰决策,它包含2个额外的全连接层,大小分别为128和2:
(t1,t2)=(1,0)表示火焰图像,(t1,t2)=(1,0)表示非火焰图像,(y1,y2)表示输出;
第二个分支学习二氧化硫浓度、氧气浓度、烟气出口温度、送风压力、送风流量、氧气流量,其中还包含大小为128和5的其他完全连接的层:
zi表示均值,wi表示在每个输出上的权重;
当执行多任务学习时,我们将误差进行线性组合最小化:
其中αi是线性权重,当前设置为均等于1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310537839.8A CN116805369A (zh) | 2023-05-12 | 2023-05-12 | 一种判断转炉炼铜造铜期终点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310537839.8A CN116805369A (zh) | 2023-05-12 | 2023-05-12 | 一种判断转炉炼铜造铜期终点的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116805369A true CN116805369A (zh) | 2023-09-26 |
Family
ID=88079186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310537839.8A Pending CN116805369A (zh) | 2023-05-12 | 2023-05-12 | 一种判断转炉炼铜造铜期终点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805369A (zh) |
-
2023
- 2023-05-12 CN CN202310537839.8A patent/CN116805369A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN110598598A (zh) | 基于有限样本集的双流卷积神经网络人体行为识别方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN112257911B (zh) | 基于并行时空注意力机制的tcn多元时间序列预测方法 | |
CN109002855A (zh) | 一种基于卷积神经网络的红茶发酵程度的鉴定方法 | |
CN112686093A (zh) | 一种基于ds证据理论的融合局部放电类型识别方法 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN111275165A (zh) | 一种基于改进卷积神经网络的网络入侵检测方法 | |
CN112101445B (zh) | 一种基于监督神经网络的连铸坯皮下夹渣缺陷实时预报方法 | |
CN111915101A (zh) | 基于lpp-hmm方法的复杂装备故障预测方法及系统 | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN110837915A (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN114282443A (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN112562698A (zh) | 一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法 | |
CN114169374A (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
CN116778272A (zh) | 基于多通道信息融合的水电机组小样本工况辨识方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
CN112981135B (zh) | 一种判断转炉炼铜造渣期终点的方法 | |
CN114444811A (zh) | 一种基于注意力机制的铝电解混频数据过热度预测方法 | |
CN117874615A (zh) | 一种基于深度数字孪生的光伏故障诊断方法以及系统 | |
CN116805369A (zh) | 一种判断转炉炼铜造铜期终点的方法 | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析系统 |
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 |