CN116837422A - 一种高纯无氧铜材的生产工艺及系统 - Google Patents
一种高纯无氧铜材的生产工艺及系统 Download PDFInfo
- Publication number
- CN116837422A CN116837422A CN202310913948.5A CN202310913948A CN116837422A CN 116837422 A CN116837422 A CN 116837422A CN 202310913948 A CN202310913948 A CN 202310913948A CN 116837422 A CN116837422 A CN 116837422A
- Authority
- CN
- China
- Prior art keywords
- electrolysis
- refining
- analysis
- weight
- detection result
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 239000000463 material Substances 0.000 title claims abstract description 44
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 39
- 239000010949 copper Substances 0.000 title claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 167
- 238000000034 method Methods 0.000 claims abstract description 166
- 230000008569 process Effects 0.000 claims abstract description 154
- 238000007670 refining Methods 0.000 claims abstract description 116
- 238000005868 electrolysis reaction Methods 0.000 claims abstract description 112
- 238000001514 detection method Methods 0.000 claims abstract description 109
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 65
- 239000001301 oxygen Substances 0.000 claims abstract description 65
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 65
- 239000012535 impurity Substances 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 238000005265 energy consumption Methods 0.000 claims description 52
- 230000002068 genetic effect Effects 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 40
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 238000000746 purification Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 239000013014 purified material Substances 0.000 claims description 6
- 239000000047 product Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005303 weighing Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- JPVYNHNXODAKFH-UHFFFAOYSA-N Cu2+ Chemical compound [Cu+2] JPVYNHNXODAKFH-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910001431 copper ion Inorganic materials 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C3/00—Electrolytic production, recovery or refining of metals by electrolysis of melts
- C25C3/34—Electrolytic production, recovery or refining of metals by electrolysis of melts of metals not provided for in groups C25C3/02 - C25C3/32
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C1/00—Electrolytic production, recovery or refining of metals by electrolysis of solutions
- C25C1/12—Electrolytic production, recovery or refining of metals by electrolysis of solutions of copper
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C7/00—Constructional parts, or assemblies thereof, of cells; Servicing or operating of cells
- C25C7/06—Operating or servicing
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Electrolytic Production Of Metals (AREA)
Abstract
本发明涉及铜材生产技术领域,具体涉及一种高纯无氧铜材的生产工艺及系统,包括:设定初始参数,获得对应的检测结果;将杂质含量和氧气含量作为两个第一目标函数,形成第一权重值组合,基于多目标优化算法搜索形成精炼权重集合;以及对应形成电解权重集合;基于决策算法在精炼权重集合和电解权重集合中选择最佳的权重组合方案;将精炼过程分析结果和电解过程分析结果输入生产工艺评价空间,基于评价结果对初始参数进行调节。本发明通过多目标优化、数据驱动分析和决策算法的应用,实现了高纯无氧铜材的生产工艺优化和实时调节,实现工艺的整体优化和最大化性能的能力,可有效提高生产效率、产品质量和资源利用率,从而满足高纯无氧铜材的需求。
Description
技术领域
本发明涉及铜材生产技术领域,具体涉及一种高纯无氧铜材的生产工艺及系统。
背景技术
在现有的高纯无氧铜材生产过程中,精炼和电解是两个重要的过程,通过精炼的过程以去除粗铜中的杂质和氧气,通过使杂质产生反应和分离,从而提高铜的纯度;在精炼步骤后,采用电解法进一步提纯铜,这涉及将精炼后的铜放入电解槽中,用作阳极,并将纯铜作为阴极,然后通过电解的方式将铜离子转化为纯铜金属。
目前,针对精炼过程,存在杂质含量和氧气含量控制的困难,传统的工艺方法无法有效地控制杂质含量和氧气含量,导致高纯度和低氧含量的铜材料难以获得,这可能导致产品质量不稳定和生产效率的降低。在电解过程中,纯度和能耗是重要的指标,然而,目前的工艺同样缺乏对纯度和能耗进行有效控制的方法,优化电解过程参数以提高纯度和降低能耗也是一项具有挑战性的任务。
另外,针对精炼过程和电解过程通常被视为独立的过程,其结果无法共同被决策,这导致了一个局限性,即无法在综合考虑精炼过程和电解过程的结果时进行最优化决策,这限制了工艺的整体优化和最大化性能的能力。
发明内容
本发明中提供了一种高纯无氧铜材的生产工艺及系统,从而有效解决背景技术中所指出的问题。
为了达到上述目的,本发明所采用的技术方案是:
一种高纯无氧铜材的生产工艺,包括:
设定初始精炼参数,根据所述初始精炼参数进行粗铜的精炼过程,且在所述精炼过程完成后,对精炼材料进行杂质含量检测和氧气含量检测,分别获得杂质含量检测结果和氧气含量检测结果;
设定初始电解参数,根据所述初始电解参数进行所述精炼材料的提纯过程,且在所述提纯过程完成后,对提纯材料进行纯度检测和提纯过程能耗检测,分别获得纯度检测结果和能耗检测结果;
将杂质含量和氧气含量作为两个第一目标函数,两个所述第一目标函数所对应的权重形成第一权重值组合,基于多目标优化算法搜索排序前N位的所述第一权重值组合,形成精炼权重集合,N≥2;
将纯度和能耗作为两个第二目标函数,两个所述第二目标函数所对应的权重形成第二权重值组合,基于多目标优化算法搜索排序前N位的所述第二权重值组合,形成电解权重集合;
基于决策算法在所述精炼权重集合和电解权重集合中选择最佳的权重组合方案,且将对应权重分别赋予所述第一目标函数以获得精炼过程分析结果,以及赋予所述第二目标函数获得电解过程分析结果;
将所述精炼过程分析结果和电解过程分析结果输入生产工艺评价空间,基于所获得的生产工艺评价结果对所述初始精炼参数和初始电解参数进行调节。
进一步地,将杂质含量和氧气含量作为两个第一目标函数,两个所述第一目标函数所对应的权重形成第一权重值组合,基于多目标优化算法搜索排序前N位的所述第一权重值组合,形成精炼权重集合,包括:
收集精炼过程中的杂质含量检测结果和氧气含量检测结果;
建立精炼过程分析模块并确定第一分析模型,将所述杂质含量检测结果和氧气含量检测结果作为所述第一分析模型的输入,且在输出层设置控制杂质含量和控制氧气含量两个第一目标函数;
对所述第一分析模型进行训练及应用;
确定多目标遗传算法及算法的参数,并设置第一评价函数,所述第一评价函数将所述精炼过程分析结果作为评价目标;
运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成所述精炼权重集合。
进一步地,将纯度和能耗作为两个第二目标函数,两个所述第二目标函数所对应的权重形成第二权重值组合,基于多目标优化算法搜索排序前N位的所述第二权重值组合,形成电解权重集合,包括:
收集电解过程中的纯度检测结果和能耗检测结果;
建立电解过程分析模块并确定第二分析模型,将所述纯度检测结果和能耗检测结果作为所述第二分析模型的输入,且在输出层设置控制纯度和控制能耗两个第二目标函数;
对所述第二分析模型进行训练及应用;
确定多目标遗传算法及算法的参数,并设置第二评价函数,所述第二评价函数将所述电解过程分析结果作为评价目标;
运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第二权重值组合,形成所述电解权重集合。
进一步地,基于决策算法在所述精炼权重集合和电解权重集合中选择最佳的权重组合方案,包括:
收集所述精炼过程分析结果和所述电解过程分析结果;
建立决策算法模型,确定所述决策算法所需的输入特征为所述精炼过程分析结果和电解过程分析结果,输出目标为最佳的权重组合方案;
对所述决策算法模型进行训练及应用,预测最佳的权重组合方案。
进一步地,运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成所述精炼权重集合,包括:
将每个所述第一权重值组合作为个体,随机生成一组个体作为初始种群;
将每个所述个体应用于第一分析模型计算精炼过程分析结果,根据所述精炼过程分析结果和设定的第一目标函数,计算所述个体的适应度值;
使用选择算子,根据所述个体的适应度值进行选择,选择一部分个体作为下一代的父代;
使用交叉算子,对选定的所述父代进行交叉操作,生成新的子代个体;
使用变异算子,对生成的所以子代个体进行变异操作,引入新的基因变化;
将所述父代和子代个体合并,形成新一代的种群;
重复上述步骤,直到达到指定的迭代次数或满足终止条件;
根据最终的适应度值,对所述个体进行排序,选择适应度值最优的前N位个体,形成所述精炼权重集合。
进一步地,将纯度和能耗作为两个第二目标函数,两个所述第二目标函数所对应的权重形成第二权重值组合,基于多目标优化算法搜索排序前N位的所述第二权重值组合,形成电解权重集合,包括:
将每个所述第二权重值组合作为个体,随机生成一组个体作为初始种群;
将每个所述个体应用于第二分析模型计算电解过程分析结果,根据所述电解过程分析结果和设定的第二目标函数,计算所述个体的适应度值;
使用选择算子,根据所述个体的适应度值进行选择,选择一部分个体作为下一代的父代;
使用交叉算子,对选定的所述父代进行交叉操作,生成新的子代个体;
使用变异算子,对生成的所以子代个体进行变异操作,引入新的基因变化;
将所述父代和子代个体合并,形成新一代的种群;
重复上述步骤,直到达到指定的迭代次数或满足终止条件;
根据最终的适应度值,对所述个体进行排序,选择适应度值最优的前N位个体,形成所述电解权重集合。
进一步地,建立精炼过程分析模块并确定第一分析模型,包括:
收集精炼过程中的所述杂质含量检测结果和氧气含量检测结果,且对收集到的数据进行预处理,并划分为训练集和测试集;
根据实际情况进行特征工程,针对所述训练集提取有用的特征作为所述第一分析模型的输入;
确定所述第一分析模型的结构和算法;
对所述第一分析模型进行训练,并对训练好的模型进行验证,根据验证结果调整模型的参数、结构或算法,直至模型训练和验证达到满意的结果时,所述第一分析模型建立完成。
进一步地,建立电解过程分析模块并确定第二分析模型,包括:
收集电解过程中的所述纯度检测结果和能耗检测结果,且对收集到的数据进行预处理,并划分为训练集和测试集;
根据实际情况进行特征工程,针对所述训练集提取有用的特征作为所述第二分析模型的输入;
确定所述第二分析模型的结构和算法;
对所述第二分析模型进行训练,并对训练好的模型进行验证,根据验证结果调整模型的参数、结构或算法,直至模型训练和验证达到满意的结果时,所述第二分析模型建立完成。
一种高纯无氧铜材的生产系统,包括:
初始化模块,实现初始精炼参数设定和初始电解参数设定;
精炼模块,根据所述初始精炼参数进行粗铜的精炼过程,并对精炼材料进行杂质含量检测和氧气含量检测,分别获得杂质含量检测结果和氧气含量检测结果;
电解模块,根据所述初始电解参数进行精炼材料的提纯过程,并对提纯材料进行纯度检测和提纯过程能耗检测,分别获得纯度检测结果和能耗检测结果;
多目标优化模块,将杂质含量和氧气含量作为两个第一目标函数,纯度和能耗作为两个第二目标函数,实现权重优化搜索功能,两个所述第一目标函数所对应的权重形成第一权重值组合,通过所述搜索功能获得排序前N位的所述第一权重值组合,形成精炼权重集合,两个所述第二目标函数所对应的权重形成第二权重值组合,通过所述搜索功能获得排序前N位的所述第二权重值组合,形成电解权重集合;
决策模块,基于决策算法在所述精炼权重集合和电解权重集合中选择最佳的权重组合方案;
生产工艺评价模块,将对应权重分别赋予所述第一目标函数以获得精炼过程分析结果,以及赋予所述第二目标函数获得电解过程分析结果,将精炼过程分析结果和电解过程分析结果输入生产工艺评价空间,并根据评价结果对初始精炼参数和初始电解参数进行调节。
进一步地,所述多目标优化模块包括:
收集模块,收集精炼过程中的杂质含量检测结果和氧气含量检测结果,以及电解过程中的纯度检测结果和能耗检测结果;
分析模块,建立精炼过程分析模块并确定第一分析模型,将所述杂质含量检测结果和氧气含量检测结果作为第一分析模型的输入,且在输出层设置控制杂质含量和控制氧气含量两个第一目标函数,以及建立电解过程分析模块并确定第二分析模型,将所述纯度检测结果和能耗检测结果作为第二分析模型的输入,且在输出层设置控制纯度和控制能耗两个第二目标函数;
训练模块,对所述第一分析模型和第二分析模型进行训练及应用;
优化模块,确定多目标遗传算法及算法的参数,并设置第一评价函数,将精炼过程分析结果作为评价目标,以及设置第二评价函数,将电解过程分析结果作为评价目标;
遗传算法模块,运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成精炼权重集合,以及搜索评价后排序前N位的第二权重值组合,形成电解权重集合。
通过本发明的技术方案,可实现以下技术效果:
本发明通过多目标优化算法,综合考虑了多个关键指标,如杂质含量、氧气含量、纯度和能耗等,通过搜索权重组合,可以找到权衡方案组合;基于决策算法的选择,可以从精炼权重集合和电解权重集合中找到最佳的权重组合方案,这样的决策过程可以更准确地选择适合的权衡方案,从而改善生产效率和产品质量。
通过根据生产工艺评价结果对初始精炼参数和初始电解参数进行调节,可以实现实时的工艺优化,这种实时调节能够适应生产环境和需求的变化,提高生产过程的灵活性和效率;本发明通过多目标优化、数据驱动分析和决策算法的应用,实现了高纯无氧铜材的生产工艺优化和实时调节,实现工艺的整体优化和最大化性能的能力,可有效提高生产效率、产品质量和资源利用率,从而满足高纯无氧铜材的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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中记载的一些实施例,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为高纯无氧铜材的生产工艺的流程图;
图2为形成精炼权重集合的流程图;
图3为形成电解权重集合的流程图;
图4为选择最佳的权重组合方案的流程图;
图5为运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合的流程图;
图6为运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第二权重值组合的流程图;
图7为建立精炼过程分析模块并确定第一分析模型的流程图;
图8为建立电解过程分析模块并确定第二分析模型的流程图;
图9为高纯无氧铜材的生产系统的框架图;
图10为多目标优化模块的框架图;
附图标记:100、初始化模块;200、精炼模块;300、电解模块;400、多目标优化模块;410、收集模块;420、分析模块;430、训练模块;440、优化模块;450、遗传算法模块;500、决策模块;600、生产工艺评价模块。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示,一种高纯无氧铜材的生产工艺,包括:
S1:设定初始精炼参数,根据初始精炼参数进行粗铜的精炼过程,且在精炼过程完成后,对精炼材料进行杂质含量检测和氧气含量检测,分别获得杂质含量检测结果和氧气含量检测结果;通过上述步骤,确定精炼过程的初始状态,并获取精炼材料的质量指标,这样可以为后续的分析和优化提供基准数据;
S2:设定初始电解参数,根据初始电解参数进行精炼材料的提纯过程,且在提纯过程完成后,对提纯材料进行纯度检测和提纯过程能耗检测,分别获得纯度检测结果和能耗检测结果;同样的,本步骤中确定电解过程的初始状态;
S3:将杂质含量和氧气含量作为两个第一目标函数,两个第一目标函数所对应的权重形成第一权重值组合,基于多目标优化算法搜索排序前N位的第一权重值组合,形成精炼权重集合,N≥2;本步骤中,杂质含量和氧气含量是两个不同的第一目标函数,为二者分别赋予恰当的权重,决定了每个第一目标函数对最终调节结果的影响程度;具体而言,权重通常是赋予每个第一目标函数的重要性或优先级,这些权重控制了在多目标优化算法中如何平衡杂质含量目标和氧气含量目标,通过调整权重可以调节不同目标之间的平衡点,以找到适合的最优解。
S4:将纯度和能耗作为两个第二目标函数,两个第二目标函数所对应的权重形成第二权重值组合,基于多目标优化算法搜索排序前N位的第二权重值组合,形成电解权重集合;本步骤中,纯度和能耗是两个不同的第二目标函数,为二者分别赋予恰当的权重,决定了每个第二目标函数对最终调节结果的影响程度;具体而言,权重通常是赋予每个第二目标函数的重要性或优先级,这些权重控制了在多目标优化算法中如何平衡纯度目标和能耗目标;通过调整权重可以调节不同目标之间的平衡点,以找到适合的最优解。
S5:基于决策算法在精炼权重集合和电解权重集合中选择最佳的权重组合方案,且将对应权重分别赋予第一目标函数以获得精炼过程分析结果,以及赋予第二目标函数获得电解过程分析结果;
S6:将精炼过程分析结果和电解过程分析结果输入生产工艺评价空间,基于所获得的生产工艺评价结果对初始精炼参数和初始电解参数进行调节。
步骤S5和S6中综合考虑多个目标的要求,精炼过程和电解过程通常涉及多个关键指标,如杂质含量、氧气含量、纯度和能耗等,通过决策算法选择最佳的权重组合方案,可以在考虑多个目标的情况下做出综合和合理的决策;通过基于获得的生产工艺评价结果进行参数调节,可以实现最优化的生产工艺,通过合理选择权重组合和调节初始参数,可以在权衡不同目标的情况下,寻找最佳的生产工艺方案,这将有助于提高生产效率、降低成本,并使得最终产品达到所需的质量和规格要求。
综上,本发明的技术优势如下:
本发明通过多目标优化算法,综合考虑了多个关键指标,如杂质含量、氧气含量、纯度和能耗等,通过搜索权重组合可以找到权衡方案组合;基于决策算法的选择,可以从精炼权重集合和电解权重集合中找到最佳的权重组合方案,这样的决策过程可以更准确地选择适合的权衡方案,从而改善生产效率和产品质量。
通过根据生产工艺评价结果对初始精炼参数和初始电解参数进行调节,可以实现实时的工艺优化,这种实时调节能够适应生产环境和需求的变化,提高生产过程的灵活性和效率;本发明通过多目标优化、数据驱动分析和决策算法的应用,实现了高纯无氧铜材的生产工艺优化和实时调节,能够提高生产效率、产品质量和资源利用率,从而满足高纯无氧铜材的需求。
作为上述实施例的优选,将杂质含量和氧气含量作为两个第一目标函数,两个第一目标函数所对应的权重形成第一权重值组合,基于多目标优化算法搜索排序前N位的第一权重值组合,形成精炼权重集合,如图2所示,包括:
S31:收集精炼过程中的杂质含量检测结果和氧气含量检测结果;
S32:建立精炼过程分析模块并确定第一分析模型,将杂质含量检测结果和氧气含量检测结果作为第一分析模型的输入,且在输出层设置控制杂质含量和控制氧气含量两个第一目标函数;
S33:对第一分析模型进行训练及应用;
S34:确定多目标遗传算法及算法的参数,并设置第一评价函数,第一评价函数将精炼过程分析结果作为评价目标;
S35:运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成精炼权重集合。
在上述优选方案中,通过引入多目标优化算法,可以综合考虑精炼过程中的两个指标,即杂质含量和氧气含量,这样可以在不同的权衡下寻找精炼权重集合,以供后续选择;在实施过程中,通过多目标遗传算法的搜索过程,系统可以自动搜索并生成一组排序前N位的第一权重值组合,从而可以减少人工干预的需求,提高效率和准确性。多目标遗传算法是一种有效的优化算法,能够在多个目标函数之间寻找平衡点,它利用遗传操作和适应度评估来搜索最优解,具有较强的全局搜索能力,适用于多目标问题的优化。
同样地,将纯度和能耗作为两个第二目标函数,两个第二目标函数所对应的权重形成第二权重值组合,基于多目标优化算法搜索排序前N位的第二权重值组合,形成电解权重集合,如图3所示,包括:
S41:收集电解过程中的纯度检测结果和能耗检测结果;
S42:建立电解过程分析模块并确定第二分析模型,将纯度检测结果和能耗检测结果作为第二分析模型的输入,且在输出层设置控制纯度和控制能耗两个第二目标函数;
S43:对第二分析模型进行训练及应用;
S44:确定多目标遗传算法及算法的参数,并设置第二评价函数,第二评价函数将电解过程分析结果作为评价目标;
S45:运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第二权重值组合,形成电解权重集合。
本优选方案中,实现了与步骤S31~S35同样的技术效果,此处不再赘述。
针对步骤S5,基于决策算法在精炼权重集合和电解权重集合中选择最佳的权重组合方案,如图4所示,包括:
S51:收集精炼过程分析结果和电解过程分析结果;确保获得精炼过程和电解过程的关键指标和性能数据;
S52:建立决策算法模型,确定决策算法所需的输入特征为精炼过程分析结果和电解过程分析结果,输出目标为最佳的权重组合方案;这些特征关联于杂质含量、氧气含量、纯度、能耗等工艺相关指标,确定输出目标为选择最佳的权重组合方案能够在精炼和电解过程中达到预期的工艺性能和优化目标;
S53:对决策算法模型进行训练及应用,预测最佳的权重组合方案。具体地,使用已知的数据集对模型进行训练,并使用独立的测试数据集进行验证,通过模型训练和验证,确保模型能够准确预测最佳的权重组合方案,并能够根据精炼过程分析结果和电解过程分析结果提供合理的决策建议。
综上,基于决策算法的步骤可以为精炼过程分析结果和电解过程分析结果选择最佳的权重组合方案,从而优化工艺性能、提高产品质量和效率,决策算法能够根据输入的分析结果,结合预先训练的模型,进行智能决策,帮助制定最佳的精炼和电解参数设置,进一步改进高纯无氧铜材的生产工艺,这种方法可以提高生产过程的稳定性、可控性和一致性,实现更高的工艺效果和经济效益。
针对步骤S35中,运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成精炼权重集合,如图5所示,包括:
S351:将每个第一权重值组合作为个体,随机生成一组个体作为初始种群;
S352:将每个个体应用于第一分析模型计算精炼过程分析结果,根据精炼过程分析结果和设定的第一目标函数,计算个体的适应度值;
S353:使用选择算子,根据个体的适应度值进行选择,选择一部分个体作为下一代的父代;
S354:使用交叉算子,对选定的父代进行交叉操作,生成新的子代个体;
S355:使用变异算子,对生成的所以子代个体进行变异操作,引入新的基因变化;
S356:将父代和子代个体合并,形成新一代的种群;
重复上述步骤,直到达到指定的迭代次数或满足终止条件;
S357:根据最终的适应度值,对个体进行排序,选择适应度值最优的前N位个体,形成精炼权重集合。
在上述优化方案中,通过运用多目标优化算法,能够有效地优化精炼过程中的杂质含量和氧气含量两个第一目标函数,提供多种可行的优化方案,帮助改进高纯无氧铜材的生产工艺,提高产品质量和效率,实现更高的工艺效果和经济效益。
针对步骤S45中,运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第二权重值组合,形成精炼权重集合,如图6所示,包括:
S451:将每个第二权重值组合作为个体,随机生成一组个体作为初始种群;
S452:将每个个体应用于第二分析模型计算电解过程分析结果,根据电解过程分析结果和设定的第二目标函数,计算个体的适应度值;
S453:使用选择算子,根据个体的适应度值进行选择,选择一部分个体作为下一代的父代;
S454:使用交叉算子,对选定的父代进行交叉操作,生成新的子代个体;
S455:使用变异算子,对生成的所以子代个体进行变异操作,引入新的基因变化;
S456:将父代和子代个体合并,形成新一代的种群;
重复上述步骤,直到达到指定的迭代次数或满足终止条件;
S457:根据最终的适应度值,对个体进行排序,选择适应度值最优的前N位个体,形成电解权重集合。
本优选方案可实现与上述优选方案同样的技术效果,此处不再赘述。
在步骤S32中,建立精炼过程分析模块并确定第一分析模型,如图7所示,包括:
S321:收集精炼过程中的杂质含量检测结果和氧气含量检测结果,且对收集到的数据进行预处理,并划分为训练集和测试集;这些数据是分析模型的输入,预处理包括数据清洗、缺失值处理、异常值处理等,以确保数据的质量和可用性;
S322:根据实际情况进行特征工程,针对训练集提取有用的特征作为第一分析模型的输入;具体地,根据实际情况选择合适的特征选择、特征变换和特征组合操作;
S323:确定第一分析模型的结构和算法;选择合适的模型结构,如神经网络、决策树、支持向量机等,并确定相应的算法,如回归、分类等;
S324:对第一分析模型进行训练,并对训练好的模型进行验证,根据验证结果调整模型的参数、结构或算法,直至模型训练和验证达到满意的结果时,第一分析模型建立完成。
在上述步骤中,步骤S322和S323是可进行顺序互换或同时进行的,上述顺序仅仅是一种具体的实施方式,同样地,在步骤S42中,建立电解过程分析模块并确定第二分析模型,如图8所示,包括:
S421:收集电解过程中的纯度检测结果和能耗检测结果,且对收集到的数据进行预处理,并划分为训练集和测试集;
S422:根据实际情况进行特征工程,针对训练集提取有用的特征作为第二分析模型的输入;
S423:确定第二分析模型的结构和算法;
S424:对第二分析模型进行训练,并对训练好的模型进行验证,根据验证结果调整模型的参数、结构或算法,直至模型训练和验证达到满意的结果时,第二分析模型建立完成。
本发明中,针对第一分析模型和第二分析模型优选采用相同的结构和算法,以第二分析模型为例,可使用支持向量机作为第二分析模型的结构和算法,支持向量机是一种常用的分类和回归算法,其在模式识别和数据挖掘任务中具有广泛的应用。
实施例二
如图9所示,一种高纯无氧铜材的生产系统,包括:
初始化模块100,实现初始精炼参数设定和初始电解参数设定;
精炼模块200,根据初始精炼参数进行粗铜的精炼过程,并对精炼材料进行杂质含量检测和氧气含量检测,分别获得杂质含量检测结果和氧气含量检测结果;
电解模块300,根据初始电解参数进行精炼材料的提纯过程,并对提纯材料进行纯度检测和提纯过程能耗检测,分别获得纯度检测结果和能耗检测结果;
多目标优化模块400,将杂质含量和氧气含量作为两个第一目标函数,纯度和能耗作为两个第二目标函数,实现权重优化搜索功能,两个第一目标函数所对应的权重形成第一权重值组合,通过搜索功能获得排序前N位的第一权重值组合,形成精炼权重集合,两个第二目标函数所对应的权重形成第二权重值组合,通过搜索功能获得排序前N位的第二权重值组合,形成电解权重集合;
决策模块500,基于决策算法在精炼权重集合和电解权重集合中选择最佳的权重组合方案;
生产工艺评价模块600,将对应权重分别赋予第一目标函数以获得精炼过程分析结果,以及赋予第二目标函数获得电解过程分析结果,将精炼过程分析结果和电解过程分析结果输入生产工艺评价空间,并根据评价结果对初始精炼参数和初始电解参数进行调节。
作为上述实施例的优选,如图10所示,多目标优化模块400包括:
收集模块410,收集精炼过程中的杂质含量检测结果和氧气含量检测结果,以及电解过程中的纯度检测结果和能耗检测结果;
分析模块420,建立精炼过程分析模块并确定第一分析模型,将杂质含量检测结果和氧气含量检测结果作为第一分析模型的输入,且在输出层设置控制杂质含量和控制氧气含量两个第一目标函数,以及建立电解过程分析模块并确定第二分析模型,将纯度检测结果和能耗检测结果作为第二分析模型的输入,且在输出层设置控制纯度和控制能耗两个第二目标函数;
训练模块430,对第一分析模型和第二分析模型进行训练及应用;
优化模块440,确定多目标遗传算法及算法的参数,并设置第一评价函数,将精炼过程分析结果作为评价目标,以及设置第二评价函数,将电解过程分析结果作为评价目标;
遗传算法模块450,运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成精炼权重集合,以及搜索评价后排序前N位的第二权重值组合,形成电解权重集合。
本实施例中所能够实现的技术效果与上述实施例中相同,此处不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种高纯无氧铜材的生产工艺,其特征在于,包括:
设定初始精炼参数,根据所述初始精炼参数进行粗铜的精炼过程,且在所述精炼过程完成后,对精炼材料进行杂质含量检测和氧气含量检测,分别获得杂质含量检测结果和氧气含量检测结果;
设定初始电解参数,根据所述初始电解参数进行所述精炼材料的提纯过程,且在所述提纯过程完成后,对提纯材料进行纯度检测和提纯过程能耗检测,分别获得纯度检测结果和能耗检测结果;
将杂质含量和氧气含量作为两个第一目标函数,两个所述第一目标函数所对应的权重形成第一权重值组合,基于多目标优化算法搜索排序前N位的所述第一权重值组合,形成精炼权重集合,N≥2;
将纯度和能耗作为两个第二目标函数,两个所述第二目标函数所对应的权重形成第二权重值组合,基于多目标优化算法搜索排序前N位的所述第二权重值组合,形成电解权重集合;
基于决策算法在所述精炼权重集合和电解权重集合中选择最佳的权重组合方案,且将对应权重分别赋予所述第一目标函数以获得精炼过程分析结果,以及赋予所述第二目标函数获得电解过程分析结果;
将所述精炼过程分析结果和电解过程分析结果输入生产工艺评价空间,基于所获得的生产工艺评价结果对所述初始精炼参数和初始电解参数进行调节。
2.根据权利要求1所述的高纯无氧铜材的生产工艺,其特征在于,将杂质含量和氧气含量作为两个第一目标函数,两个所述第一目标函数所对应的权重形成第一权重值组合,基于多目标优化算法搜索排序前N位的所述第一权重值组合,形成精炼权重集合,包括:
收集精炼过程中的杂质含量检测结果和氧气含量检测结果;
建立精炼过程分析模块并确定第一分析模型,将所述杂质含量检测结果和氧气含量检测结果作为所述第一分析模型的输入,且在输出层设置控制杂质含量和控制氧气含量两个第一目标函数;
对所述第一分析模型进行训练及应用;
确定多目标遗传算法及算法的参数,并设置第一评价函数,所述第一评价函数将所述精炼过程分析结果作为评价目标;
运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成所述精炼权重集合。
3.根据权利要求1所述的高纯无氧铜材的生产工艺,其特征在于,将纯度和能耗作为两个第二目标函数,两个所述第二目标函数所对应的权重形成第二权重值组合,基于多目标优化算法搜索排序前N位的所述第二权重值组合,形成电解权重集合,包括:
收集电解过程中的纯度检测结果和能耗检测结果;
建立电解过程分析模块并确定第二分析模型,将所述纯度检测结果和能耗检测结果作为所述第二分析模型的输入,且在输出层设置控制纯度和控制能耗两个第二目标函数;
对所述第二分析模型进行训练及应用;
确定多目标遗传算法及算法的参数,并设置第二评价函数,所述第二评价函数将所述电解过程分析结果作为评价目标;
运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第二权重值组合,形成所述电解权重集合。
4.根据权利要求1所述的高纯无氧铜材的生产工艺,其特征在于,基于决策算法在所述精炼权重集合和电解权重集合中选择最佳的权重组合方案,包括:
收集所述精炼过程分析结果和所述电解过程分析结果;
建立决策算法模型,确定所述决策算法所需的输入特征为所述精炼过程分析结果和电解过程分析结果,输出目标为最佳的权重组合方案;
对所述决策算法模型进行训练及应用,预测最佳的权重组合方案。
5.根据权利要求2所述的高纯无氧铜材的生产工艺,其特征在于,运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成所述精炼权重集合,包括:
将每个所述第一权重值组合作为个体,随机生成一组个体作为初始种群;
将每个所述个体应用于第一分析模型计算精炼过程分析结果,根据所述精炼过程分析结果和设定的第一目标函数,计算所述个体的适应度值;
使用选择算子,根据所述个体的适应度值进行选择,选择一部分个体作为下一代的父代;
使用交叉算子,对选定的所述父代进行交叉操作,生成新的子代个体;
使用变异算子,对生成的所以子代个体进行变异操作,引入新的基因变化;
将所述父代和子代个体合并,形成新一代的种群;
重复上述步骤,直到达到指定的迭代次数或满足终止条件;
根据最终的适应度值,对所述个体进行排序,选择适应度值最优的前N位个体,形成所述精炼权重集合。
6.根据权利要求3所述的高纯无氧铜材的生产工艺,其特征在于,运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第二权重值组合,形成精炼权重集合,包括:
将每个所述第二权重值组合作为个体,随机生成一组个体作为初始种群;
将每个所述个体应用于第二分析模型计算电解过程分析结果,根据所述电解过程分析结果和设定的第二目标函数,计算所述个体的适应度值;
使用选择算子,根据所述个体的适应度值进行选择,选择一部分个体作为下一代的父代;
使用交叉算子,对选定的所述父代进行交叉操作,生成新的子代个体;
使用变异算子,对生成的所以子代个体进行变异操作,引入新的基因变化;
将所述父代和子代个体合并,形成新一代的种群;
重复上述步骤,直到达到指定的迭代次数或满足终止条件;
根据最终的适应度值,对所述个体进行排序,选择适应度值最优的前N位个体,形成所述电解权重集合。
7.根据权利要求2所述的高纯无氧铜材的生产工艺,其特征在于,建立精炼过程分析模块并确定第一分析模型,包括:
收集精炼过程中的所述杂质含量检测结果和氧气含量检测结果,且对收集到的数据进行预处理,并划分为训练集和测试集;
根据实际情况进行特征工程,针对所述训练集提取有用的特征作为所述第一分析模型的输入;
确定所述第一分析模型的结构和算法;
对所述第一分析模型进行训练,并对训练好的模型进行验证,根据验证结果调整模型的参数、结构或算法,直至模型训练和验证达到满意的结果时,所述第一分析模型建立完成。
8.根据权利要求3所述的高纯无氧铜材的生产工艺,其特征在于,建立电解过程分析模块并确定第二分析模型,包括:
收集电解过程中的所述纯度检测结果和能耗检测结果,且对收集到的数据进行预处理,并划分为训练集和测试集;
根据实际情况进行特征工程,针对所述训练集提取有用的特征作为所述第二分析模型的输入;
确定所述第二分析模型的结构和算法;
对所述第二分析模型进行训练,并对训练好的模型进行验证,根据验证结果调整模型的参数、结构或算法,直至模型训练和验证达到满意的结果时,所述第二分析模型建立完成。
9.一种高纯无氧铜材的生产系统,其特征在于,包括:
初始化模块,实现初始精炼参数设定和初始电解参数设定;
精炼模块,根据所述初始精炼参数进行粗铜的精炼过程,并对精炼材料进行杂质含量检测和氧气含量检测,分别获得杂质含量检测结果和氧气含量检测结果;
电解模块,根据所述初始电解参数进行精炼材料的提纯过程,并对提纯材料进行纯度检测和提纯过程能耗检测,分别获得纯度检测结果和能耗检测结果;
多目标优化模块,将杂质含量和氧气含量作为两个第一目标函数,纯度和能耗作为两个第二目标函数,实现权重优化搜索功能,两个所述第一目标函数所对应的权重形成第一权重值组合,通过所述搜索功能获得排序前N位的所述第一权重值组合,形成精炼权重集合,两个所述第二目标函数所对应的权重形成第二权重值组合,通过所述搜索功能获得排序前N位的所述第二权重值组合,形成电解权重集合;
决策模块,基于决策算法在所述精炼权重集合和电解权重集合中选择最佳的权重组合方案;
生产工艺评价模块,将对应权重分别赋予所述第一目标函数以获得精炼过程分析结果,以及赋予所述第二目标函数获得电解过程分析结果,将精炼过程分析结果和电解过程分析结果输入生产工艺评价空间,并根据评价结果对初始精炼参数和初始电解参数进行调节。
10.根据权利要求9所述的高纯无氧铜材的生产系统,其特征在于,所述多目标优化模块包括:
收集模块,收集精炼过程中的杂质含量检测结果和氧气含量检测结果,以及电解过程中的纯度检测结果和能耗检测结果;
分析模块,建立精炼过程分析模块并确定第一分析模型,将所述杂质含量检测结果和氧气含量检测结果作为第一分析模型的输入,且在输出层设置控制杂质含量和控制氧气含量两个第一目标函数,以及建立电解过程分析模块并确定第二分析模型,将所述纯度检测结果和能耗检测结果作为第二分析模型的输入,且在输出层设置控制纯度和控制能耗两个第二目标函数;
训练模块,对所述第一分析模型和第二分析模型进行训练及应用;
优化模块,确定多目标遗传算法及算法的参数,并设置第一评价函数,将精炼过程分析结果作为评价目标,以及设置第二评价函数,将电解过程分析结果作为评价目标;
遗传算法模块,运行多目标遗传算法,通过遗传算子和适应度评估,搜索评价后排序前N位的第一权重值组合,形成精炼权重集合,以及搜索评价后排序前N位的第二权重值组合,形成电解权重集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913948.5A CN116837422B (zh) | 2023-07-24 | 2023-07-24 | 一种高纯无氧铜材的生产工艺及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913948.5A CN116837422B (zh) | 2023-07-24 | 2023-07-24 | 一种高纯无氧铜材的生产工艺及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116837422A true CN116837422A (zh) | 2023-10-03 |
CN116837422B CN116837422B (zh) | 2024-01-26 |
Family
ID=88161683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913948.5A Active CN116837422B (zh) | 2023-07-24 | 2023-07-24 | 一种高纯无氧铜材的生产工艺及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116837422B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01263289A (ja) * | 1988-04-13 | 1989-10-19 | Hitachi Cable Ltd | 高純度無酸素銅の製造方法 |
CN101231720A (zh) * | 2008-02-01 | 2008-07-30 | 北京航空航天大学 | 基于遗传算法的企业过程模型多目标参数优化方法 |
CN102072657A (zh) * | 2010-12-30 | 2011-05-25 | 中南大学 | 一种基于多目标遗传算法的烧结布料过程优化控制方法 |
CN104778338A (zh) * | 2015-05-03 | 2015-07-15 | 长春工业大学 | 一种低能耗分子蒸馏过程给定值的优化方法 |
CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
CN113122732A (zh) * | 2021-04-19 | 2021-07-16 | 上海五星铜业股份有限公司 | 一种高纯无氧铜生产工艺 |
CN113268931A (zh) * | 2021-06-11 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种基于多目标黏菌优化算法重构光伏阵列的方法与系统 |
CN113361097A (zh) * | 2021-06-02 | 2021-09-07 | 深圳市伟峰科技有限公司 | 一种基于大数据的工程项目管理系统 |
CN113705890A (zh) * | 2021-08-27 | 2021-11-26 | 太原理工大学 | 一种基于近似模型的柴油机排放污染物控制方法 |
CN114548546A (zh) * | 2022-02-18 | 2022-05-27 | 郑州大学 | 一种调水工程水量的优化调度方法 |
CN115755624A (zh) * | 2022-12-09 | 2023-03-07 | 浙江大学 | 一种基于进化算法的燃煤锅炉多目标优化方法 |
CN218591764U (zh) * | 2022-12-12 | 2023-03-10 | 扬中凯悦铜材有限公司 | 一种高纯无氧铜锭坯的生产装置 |
CN115831263A (zh) * | 2022-11-14 | 2023-03-21 | 上海大学 | 一种优化电解精炼高纯铟产品合格率的方法及系统 |
CN116307149A (zh) * | 2023-03-07 | 2023-06-23 | 浙江大学 | 基于注意力LSTM和KbNSGA的高炉性能优化方法 |
CN116843052A (zh) * | 2023-05-22 | 2023-10-03 | 华东理工大学 | 一种炼厂生产计划的多目标优化方法 |
CN116913435A (zh) * | 2023-07-27 | 2023-10-20 | 常州威材新材料科技有限公司 | 一种基于成分分析的高强度工程塑料评估方法及系统 |
-
2023
- 2023-07-24 CN CN202310913948.5A patent/CN116837422B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01263289A (ja) * | 1988-04-13 | 1989-10-19 | Hitachi Cable Ltd | 高純度無酸素銅の製造方法 |
CN101231720A (zh) * | 2008-02-01 | 2008-07-30 | 北京航空航天大学 | 基于遗传算法的企业过程模型多目标参数优化方法 |
CN102072657A (zh) * | 2010-12-30 | 2011-05-25 | 中南大学 | 一种基于多目标遗传算法的烧结布料过程优化控制方法 |
CN104778338A (zh) * | 2015-05-03 | 2015-07-15 | 长春工业大学 | 一种低能耗分子蒸馏过程给定值的优化方法 |
CN106681146A (zh) * | 2016-12-31 | 2017-05-17 | 浙江大学 | 基于bp神经网络和遗传算法的高炉多目标优化控制算法 |
CN113122732A (zh) * | 2021-04-19 | 2021-07-16 | 上海五星铜业股份有限公司 | 一种高纯无氧铜生产工艺 |
CN113361097A (zh) * | 2021-06-02 | 2021-09-07 | 深圳市伟峰科技有限公司 | 一种基于大数据的工程项目管理系统 |
CN113268931A (zh) * | 2021-06-11 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种基于多目标黏菌优化算法重构光伏阵列的方法与系统 |
CN113705890A (zh) * | 2021-08-27 | 2021-11-26 | 太原理工大学 | 一种基于近似模型的柴油机排放污染物控制方法 |
CN114548546A (zh) * | 2022-02-18 | 2022-05-27 | 郑州大学 | 一种调水工程水量的优化调度方法 |
CN115831263A (zh) * | 2022-11-14 | 2023-03-21 | 上海大学 | 一种优化电解精炼高纯铟产品合格率的方法及系统 |
CN115755624A (zh) * | 2022-12-09 | 2023-03-07 | 浙江大学 | 一种基于进化算法的燃煤锅炉多目标优化方法 |
CN218591764U (zh) * | 2022-12-12 | 2023-03-10 | 扬中凯悦铜材有限公司 | 一种高纯无氧铜锭坯的生产装置 |
CN116307149A (zh) * | 2023-03-07 | 2023-06-23 | 浙江大学 | 基于注意力LSTM和KbNSGA的高炉性能优化方法 |
CN116843052A (zh) * | 2023-05-22 | 2023-10-03 | 华东理工大学 | 一种炼厂生产计划的多目标优化方法 |
CN116913435A (zh) * | 2023-07-27 | 2023-10-20 | 常州威材新材料科技有限公司 | 一种基于成分分析的高强度工程塑料评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116837422B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102413029B (zh) | 基于分解的局部搜索多目标复杂动态网络社区划分方法 | |
CN112564098A (zh) | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 | |
CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
CN108470237A (zh) | 一种基于协同进化的多偏好高维目标优化方法 | |
CN112580922A (zh) | 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法 | |
CN113283179A (zh) | 一种基于多目标lstm集成网络的短期负荷预测方法 | |
CN106940068B (zh) | 一种基于遗传蚁群算法的水蓄冷空调系统节能优化控制策略的确定方法 | |
CN113407185B (zh) | 基于贝叶斯优化的编译器优化选项推荐方法 | |
CN111626539B (zh) | 一种基于q强化学习的电网运行断面动态生成方法 | |
CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
CN116837422B (zh) | 一种高纯无氧铜材的生产工艺及系统 | |
CN110135707B (zh) | 一种服装缝制流水线优化方法 | |
CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
CN115826530A (zh) | 一种基于d3qn和遗传算法的作业车间分批调度方法 | |
CN110110447B (zh) | 一种混合蛙跳反馈极限学习机带钢厚度预测方法 | |
CN117767433A (zh) | 基于数字孪生的实时县域能源互联网调度方法及系统 | |
CN105334824A (zh) | 基于nsga-ⅱ算法的铝电解生产优化方法 | |
Bi et al. | Self-adaptive Teaching-learning-based Optimizer with Improved RBF and Sparse Autoencoder for Complex Optimization Problems | |
CN105955350B (zh) | 遗传算法优化加热炉温度的分数阶预测函数控制方法 | |
CN110516807B (zh) | 半导体产品良品率极值计算方法及其极值计算系统 | |
CN105069323B (zh) | 基于Memetic算法的微生物发酵控制优化方法 | |
CN110598900A (zh) | 基于遗传算法和支持向量机的电力负荷预测算法 | |
CN115660038A (zh) | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 | |
CN116306919A (zh) | 基于问题重组的大规模多目标组合优化方法及应用 | |
CN109086469A (zh) | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
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 |