-
公开(公告)号：CN107563656B
公开(公告)日：2020-06-16
申请号：CN201710813336.3
申请日：2017-09-11
Applicant: 东北大学
Abstract: 本发明涉及一种金湿法冶金氰化浸出过程运行状态的评价方法，包括如下步骤：S1、数据收集：采集金湿法冶金氰化浸出过程中的过程变量；S2、数据处理：对获得的定性变量和定量变量数据进行建模处理；S3、评价模型的建立：利用处理后的定性变量与定量变量的数据，拟合每一个运行状态等级数据的概率密度函数，建立高斯混合模型；S4、过程运行状态的在线评价：采集实时生产数据，根据所建立的所述高斯混合模型，利用贝叶斯理论，得到运行状态处于各等级的后验概率，再根据最大后验概率原则，判断当前运行状态等级。本发明方法充分利用可定量测量和定性估计的变量信息，对过程运行状态进行在线评价，使生产过程更加高效，确保企业经济效益。
-
公开(公告)号：CN109521672A
公开(公告)日：2019-03-26
申请号：CN201811230826.1
申请日：2018-10-22
Applicant: 东北大学
IPC: G05B13/04
Abstract: 本发明公开了一种电弧炉供电曲线的智能选取方法，在分析影响电弧炉炼钢过程中熔炼阶段成本的各个因素及它们之间关系的基础上，采用改进的层次分析法从众多备选的供电曲线方案中选择出一个合理的方案以实现冶炼成本的最小化，依次包括构造递阶层次结构、构造两两比较判断矩阵、判断矩阵一致性检验及修正、层次单排序及权值修正、层次总排序。本发明可以充分利用相关领域专家的工作经验及企业长期生产积累的实践经验以弥补传统通过机理建模并使用优化方法求解的方式制定供电曲线时存在的建模不精确、计算量大且计算复杂等缺陷。使用本发明选择的供电曲线在保证电弧炉炼钢生产的稳定、高效运行的同时使得生产成本最低，节约资源，提高企业的竞争力。
-
公开(公告)号：CN107169658A
公开(公告)日：2017-09-15
申请号：CN201710350739.9
申请日：2017-05-18
Applicant: 东北大学
Abstract: 本发明提供一种基于可信度的湿法冶金浓密机的故障诊断方法，包括：获取湿法冶金浓密机的在线变量；根据在线变量，确定每一变量的模糊维度；模糊维度为预先建立的专家规则库中的规则前件包括的模糊概念对应的维度；针对每一个变量及该变量的模糊维度，采用模糊隶属度函数获取该变量所属模糊维度的可信度；基于可信度的不确定性推理模型结合专家规则库中的规则，对每一变量的可信度进行推理分析，得到故障结论可信度；将故障结论可信度与预设阈值进行比较，获取故障结果。上述方法可以预先获取专家或操作人员的诊断经验对应的规则，并对当前的在线变量进行故障诊断，以便根据故障诊断结果及时调整，进而有效降低事故发生率，提高生产安全性。
-
公开(公告)号：CN106950946A
公开(公告)日：2017-07-14
申请号：CN201710343173.7
申请日：2017-05-16
Applicant: 东北大学
IPC: G05B23/02
CPC classification number: G05B23/0243 , G05B2219/24065
Abstract: 本发明提供一种基于优化原则的湿法冶金异常控制方法，包括：获取湿法冶金过程的在线数据；判断在线数据中是否有异常数据；若有，则辨识异常数据，并获取异常数据的异常工况；根据所述异常数据、异常工况确定湿法冶金异常控制的优化原则；根据优化原则，将湿法冶金异常控制问题转换为单目标优化问题或多目标优化问题；根据单目标优化问题或多目标优化问题的约束条件，求解所述单目标优化问题或多目标优化问题，获得安全处理策略；将安全处理策略发送安全控制系统，以使安全控制系统执行安全处理策略。上述方法能够识别异常工况，并针对异常工况制定有效的安全处理策略，可以降低故障的发生概率。
-
公开(公告)号：CN104597755A
公开(公告)日：2015-05-06
申请号：CN201410258103.8
申请日：2014-06-12
Applicant: 东北大学
Abstract: 一种湿法冶金金氰化浸出过程优化方法，采用已知的湿法冶金金氰化浸出工艺，在确保稳定生产及达到生产指标的基础上，实现总生产成本的最小化，包括下述工艺步骤：（1）数据采集、（2）辅助变量的选取和数据处理、（3）优化模型建立、（4）优化模型的求解、（5）浸出过程优化操作指导的确定步骤。本发明能根据生产要求及生产现场状况，优化指导生产过程中的原料添加量，制定合理的生产计划，以解决生产过程中存在的原料添加量不足以及盲目过多添加等问题，确保达到生产要求的同时，避免原料浪费。
-
Patent Agency Ranking
公开(公告)号：CN101715257B
公开(公告)日：2013-02-06
申请号：CN200910220049.7
申请日：2009-11-20
Applicant: 东北大学
CPC classification number: Y02P10/256 , Y02P10/259
Abstract: 电炉电极智能控制器的多个数字/模拟量输入输出通道模块与单板计算机插接；其外部端子与电炉电极解锁操作开关、升降操作开关、锁定装置控制阀、升降装置控制阀、炉盖上下限位开关、手/自动切换开关、电流和电压的检测端、电流设定电位计、变压器电抗器挡位及电炉控制系统的故障综合信号相连。电极调节算法由等起弧距离的自动起弧算法、窗口电流积分器过电流控制算法、基于LSSVM NARMA模型的近似逆内模控制方法组成。本电极调节算法还包括PID控制方法，其为逆内模控制方法提供建模数据，也是备用控制方法，电极调节具有快速且准确的特性。本发明是缩短冶炼周期、节约电能、降低电极消耗的关键，适宜电炉冶炼等部门使用。
-
公开(公告)号：CN102297669A
公开(公告)日：2011-12-28
申请号：CN201110026490.9
申请日：2011-01-25
Applicant: 东北大学
IPC: G01B21/02
Abstract: 一种电渣炉熔化电极剩余长度的软测量方法根据电极复杂的受力关系得电极长度软测量公式，根据熔炼过程中各位置变化关系及熔化结晶模型得到电极剩余长度的软测量公式。由于受到干扰因素及不确定因素的影响，单一的重量预测模型或位置预测模型都不够准确，于是根据多传感器测量理论，对二者的结果进行融合，采用基于随机加权估计的多传感器信息融合算法，用于解决多传感器对电极剩余长度进行测量时权的最优分配问题。本发明属于电渣冶金领域，为大型电渣炉的自动换电极操作提供必要条件，可以减少贵金属原材料的浪费，降低生产成本，提高生产效率。该方法的特点是安全可靠、成本低、易于推广。
-
公开(公告)号：CN118072866B
公开(公告)日：2025-02-11
申请号：CN202311576119.9
申请日：2023-11-23
Applicant: 东北大学
IPC: G16C20/70 , G01N21/25 , G01N33/24 , G16C20/20 , G06F18/15 , G06F18/2135 , G06F18/214 , G06F18/21 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开一种基于光谱差与含量差的土壤数据增强方法，涉及化学计量学的定量检测领域。获取原始样本集；采用基于最值的光谱差减法处理原始样本获取若干个增强样本，进而得到增强样本集；分别对原始样本进行不同形式的数据增强从而得到光谱差与含量差；对土壤定量检测模型进行训练和测试；从若干个土壤定量检测模型中选择出最优的土壤定量检测模型；获取含有光谱与含量的新样本，基于选择出的最优的土壤定量检测模型，获得新样本的含量预测值。本发明基于含量的最大值或最小值，通过光谱与含量，获得光谱差与含量差，不仅实现了光谱数据增强，也实现了含量数据增强；降低了原始样本的数量限制，使模型不因样本有限局限于机器学习而引入深度学习。
-
公开(公告)号：CN119230015A
公开(公告)日：2024-12-31
申请号：CN202411019194.X
申请日：2024-07-29
Applicant: 东北大学
Abstract: 本发明提供一种基于位置编码、光谱与神经网络的土壤定量建模方法，涉及化学计量学技术领域。本发明提出了基于光谱矩阵与含量向量的三角函数式位置编码，基于样本位置序号或样本含量、波段序号或波段数值的组合获得四种位置编码方法，不同波段的位置关系基于光谱连续性而获得而不同样本的位置关系基于含量排序而获得；位置矩阵与光谱矩阵的融合方式包括逐元素相加、逐元素相乘与旋转式位置编码方式；基于绝对位置编码与反射率或吸收率构建新型辐角，作为随机向量函数链神经网络模型的输入；利用基于隐含层序号与神经元序号的三角函数式位置编码实现了隐含层与神经元的位置编码；本发明通过利用光谱的连续性与位置关系显著提升了模型性能。
-
公开(公告)号：CN118485131A
公开(公告)日：2024-08-13
申请号：CN202410597773.6
申请日：2024-05-14
Applicant: 东北大学
IPC: G06N3/092 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06N3/0499 , G06N3/045
Abstract: 本公开提供了一种用于微电网调度的深度强化学习训练方法及装置，涉及微电网调度技术领域，包括：可将微电网在多个控制周期内的运行数据作为训练数据，并对训练数据预处理；将预处理后的训练数据输入至预测神经网络，得到训练数据所在的控制周期的下一控制周期的预测数据；根据训练数据、预测数据以及微电网调度的操作决策构建深度强化学习神经网络；根据训练数据、预测数据以及微电网调度的操作决策训练深度强化学习神经网络。该过程能够在控制周期内有效适应环境变化，提高微电网调度决策的时效性和准确性，减少因控制周期内环境变化而导致的成本增加。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.025 seconds)
