-
公开(公告)号：CN113268871B
公开(公告)日：2023-04-07
申请号：CN202110560060.9
申请日：2021-05-21
Applicant: 燕山大学
IPC: G06F30/20 , G06N3/045 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，具体步骤包括：根据水泥NOX产生机理、脱硝过程以及排放流程工艺，选取13个变量作为水泥烟囱NOX预测的输入变量，并对多变量时间序列统一进行归一化处理；根据水泥NOX生成过程中多变量时间序列在时域上表现的特征，建立基于深度学习LSTM特征重构模型进行NOX生成过程的本质特征提取；依据水泥烟囱NOX整体工艺流程，建立一种基于多变量时间序列长短时神经网络(LSTM)水泥烟囱NOX预测模型（MT‑LSTMs）；确定模型的初始参数，并对网络模型进行前向训练，然后利用网络主导代价函数误差反向微调进行训练，通过对误差修正来优化模型参数。
-
公开(公告)号：CN112365935B
公开(公告)日：2022-08-30
申请号：CN202011125721.7
申请日：2020-10-20
Applicant: 燕山大学
Abstract: 本发明公开了一种基于多尺度深度网络的水泥游离钙软测量方法，属于水泥熟料质量软测量检测技术领域，具体方法：分析水泥生产工艺，选取与水泥熟料中f‑CaO含量相关的过程变量，确定软测量模型所需的辅助变量；采用拉伊达准则标记每个辅助变量中的异常值，将每个辅助变量中的异常值和缺失值使用该辅助变量的均值代替；对辅助变量进行3层小波包分解并提取实时特征；将提取的实时特征送入LSTM模型并对模型进行训练，并通过误差反向传播算法对模型参数进行修正；用训练好的LSTM模型对f‑CaO含量进行预测。本申请方法可以提取更多的变量特征，能够更加准确的预测水泥熟料中的游离钙值，对水泥生产具有实际指导意义。
-
公开(公告)号：CN113268871A
公开(公告)日：2021-08-17
申请号：CN202110560060.9
申请日：2021-05-21
Applicant: 燕山大学
Abstract: 本发明公开了一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，具体步骤包括：根据水泥NOX产生机理、脱硝过程以及排放流程工艺，选取13个变量作为水泥烟囱NOX预测的输入变量，并对多变量时间序列统一进行归一化处理；根据水泥NOX生成过程中多变量时间序列在时域上表现的特征，建立基于深度学习LSTM特征重构模型进行NOX生成过程的本质特征提取；依据水泥烟囱NOX整体工艺流程，建立一种基于多变量时间序列长短时神经网络(LSTM)水泥烟囱NOX预测模型（MT‑LSTMs）；确定模型的初始参数，并对网络模型进行前向训练，然后利用网络主导代价函数误差反向微调进行训练，通过对误差修正来优化模型参数。
-
公开(公告)号：CN110444257B
公开(公告)日：2022-02-18
申请号：CN201910717686.9
申请日：2019-08-05
Applicant: 燕山大学
Abstract: 本发明公开了一种基于无监督和有监督学习的水泥游离钙软测量方法，通过分析水泥工艺选取变量作为熟料fCaO软测量的输入变量，每个变量的时间序列作为模型输入；利用选取的输入变量，构建无监督和有监督学习相结合的预测模型；将稀疏自编码的解码层去除，编码层堆叠形成深层网络结构，利用确定的初始参数去初始化深层网络参数，采用BP反向误差修正算法进行有监督学习；利用训练好的无监督和有监督学习相结合的预测模型进行水泥熟料fCaO实时预测。本发明模型前向采用逐层贪婪无监督学习方式，提取数据的高层特征；结合有监督的反向微调进一步优化参数，利用训练好的深层网络实现熟料fCaO实时预测。
-
公开(公告)号：CN110378044B
公开(公告)日：2021-06-11
申请号：CN201910667918.4
申请日：2019-07-23
Applicant: 燕山大学
Abstract: 本发明涉及基于注意力机制的多时间尺度卷积神经网络软测量方法，软测量技术领域。包括以下步骤：1、确定辅助变量并且进行数据处理，选取与难测参量相关的易测变量作为软测量模型的辅助变量并采集辅助变量与难测参量的时间序列；然后对采集到的时间序列进行异常值剔除；2、注意力机制及关注区域的选择，根据各辅助变量相对于难测参量的时延和有效时间尺度划分出关注区域；3、构建软测量模型的输入，将各辅助变量的时间序列构成矩阵，并结合注意力机制的关注区域确定软测量模型的输入；4、建立时序卷积神经网络软测量模型；5、训练时序卷积神经网络软测量模型；6、利用步骤5训练好的时序卷积神经网络模型对难测参量进行实时估计。
-
Patent Agency Ranking
公开(公告)号：CN110444257A
公开(公告)日：2019-11-12
申请号：CN201910717686.9
申请日：2019-08-05
Applicant: 燕山大学
Abstract: 本发明公开了一种基于无监督和有监督学习的水泥游离钙软测量方法，通过分析水泥工艺选取变量作为熟料fCaO软测量的输入变量，每个变量的时间序列作为模型输入；利用选取的输入变量，构建无监督和有监督学习相结合的预测模型；将稀疏自编码的解码层去除，编码层堆叠形成深层网络结构，利用确定的初始参数去初始化深层网络参数，采用BP反向误差修正算法进行有监督学习；利用训练好的无监督和有监督学习相结合的预测模型进行水泥熟料fCaO实时预测。本发明模型前向采用逐层贪婪无监督学习方式，提取数据的高层特征；结合有监督的反向微调进一步优化参数，利用训练好的深层网络实现熟料fCaO实时预测。
-
公开(公告)号：CN113177358B
公开(公告)日：2022-06-03
申请号：CN202110481339.8
申请日：2021-04-30
Applicant: 燕山大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06F111/10
Abstract: 本发明公开了一种基于模糊细粒度特征提取的水泥质量软测量方法，属于水泥生产质量预测领域，首先选用互信息的方法选取与水泥游离钙含量相关的十二个变量作为辅助变量，对样本数据进行预处理，构建模糊细粒度特征提取软测量模型，将处理后的训练数据使用模糊隶属度函数对样本标签进行隶属度纠正，训练模糊隶属度预测模型，根据样本数据计算出的隶属度划分不同类别的数据集，分别对后续特征提取和预测模型进行训练，完成模糊细粒度特征提取软测量模型的训练，将水泥实时数据输入到模糊隶属度预测模型中，根据预测出的隶属度决定输入到哪个模型进行特征提取和预测，最后对模型的输出进行汇总，根据隶属度进行加权处理，得到游离钙的预测值。
-
公开(公告)号：CN112365935A
公开(公告)日：2021-02-12
申请号：CN202011125721.7
申请日：2020-10-20
Applicant: 燕山大学
Abstract: 本发明公开了一种基于多尺度深度网络的水泥游离钙软测量方法，属于水泥熟料质量软测量检测技术领域，具体方法：分析水泥生产工艺，选取与水泥熟料中f‑CaO含量相关的过程变量，确定软测量模型所需的辅助变量；采用拉伊达准则标记每个辅助变量中的异常值，将每个辅助变量中的异常值和缺失值使用该辅助变量的均值代替；对辅助变量进行3层小波包分解并提取实时特征；将提取的实时特征送入LSTM模型并对模型进行训练，并通过误差反向传播算法对模型参数进行修正；用训练好的LSTM模型对f‑CaO含量进行预测。本申请方法可以提取更多的变量特征，能够更加准确的预测水泥熟料中的游离钙值，对水泥生产具有实际指导意义。
-
公开(公告)号：CN113177358A
公开(公告)日：2021-07-27
申请号：CN202110481339.8
申请日：2021-04-30
Applicant: 燕山大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06F111/10
Abstract: 本发明公开了一种基于模糊细粒度特征提取的水泥质量软测量方法，属于水泥生产质量预测领域，首先选用互信息的方法选取与水泥游离钙含量相关的十二个变量作为辅助变量，对样本数据进行预处理，构建模糊细粒度特征提取软测量模型，将处理后的训练数据使用模糊隶属度函数对样本标签进行隶属度纠正，训练模糊隶属度预测模型，根据样本数据计算出的隶属度划分不同类别的数据集，分别对后续特征提取和预测模型进行训练，完成模糊细粒度特征提取软测量模型的训练，将水泥实时数据输入到模糊隶属度预测模型中，根据预测出的隶属度决定输入到哪个模型进行特征提取和预测，最后对模型的输出进行汇总，根据隶属度进行加权处理，得到游离钙的预测值。
-
公开(公告)号：CN110378044A
公开(公告)日：2019-10-25
申请号：CN201910667918.4
申请日：2019-07-23
Applicant: 燕山大学
Abstract: 本发明涉及基于注意力机制的多时间尺度卷积神经网络软测量方法，软测量技术领域。包括以下步骤：1、确定辅助变量并且进行数据处理，选取与难测参量相关的易测变量作为软测量模型的辅助变量并采集辅助变量与难测参量的时间序列；然后对采集到的时间序列进行异常值剔除；2、注意力机制及关注区域的选择，根据各辅助变量相对于难测参量的时延和有效时间尺度划分出关注区域；3、构建软测量模型的输入，将各辅助变量的时间序列构成矩阵，并结合注意力机制的关注区域确定软测量模型的输入；4、建立时序卷积神经网络软测量模型；5、训练时序卷积神经网络软测量模型；6、利用步骤5训练好的时序卷积神经网络模型对难测参量进行实时估计。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.029 seconds)
