-
公开(公告)号：CN109342703B
公开(公告)日：2020-04-07
申请号：CN201811485296.5
申请日：2018-12-06
Applicant: 燕山大学
Abstract: 本发明公开了一种水泥熟料游离钙含量测量方法及系统。所述测量方法包括：获取与所述水泥熟料游离钙F‑CaO含量有关的相关变量参数；根据所述相关变量参数，确定每个所述相关变量参数的时间序列；根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F‑CaO软测量模型；根据所述熟料F‑CaO软测量模型确定水泥熟料游离钙含量。采用本发明所提供的测量方法及系统能够解决现有的水泥熟料游离钙含量测量方法在测量水泥熟料游离钙含量过程中存在时变时延的问题，以及所测量得到的游离钙的含量精确度低的问题。
-
公开(公告)号：CN109165798A
公开(公告)日：2019-01-08
申请号：CN201811218283.1
申请日：2018-10-19
Applicant: 燕山大学
Abstract: 本发明公开一种水泥熟料游离氧化钙含量在线预测方法及系统。方法包括：获取深度信念网络模型的输入向量和输出向量；根据输入向量和输出向量构建氧化钙含量预测的深度信念网络模型；获取深度信念网络模型的多个训练样本；训练样本包括输入样本和输出样本；根据多个训练样本对深度信念网络模型进行循环往复训练，生成训练后的深度信念网络模型；获取与水泥烧成过程游离氧化钙指标相关的输入变量作为当前输入向量，输入向量为引入时间序列的输入向量；将当前输入向量输入训练后的深度信念网络模型进行预测，得到水泥熟料游离氧化钙的含量。本发明能够解决水泥烧成过程中变量数据与游离氧化钙指标之间存在时变时延的问题。
-
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。
-
公开(公告)号：CN108932567B
公开(公告)日：2020-12-01
申请号：CN201810910130.7
申请日：2018-08-10
Applicant: 燕山大学
Abstract: 本发明提供一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法，其包括以下步骤：S1：选取与水泥烧成过程能耗相关的12个输入变量，然后对选取后的变量数据进行归一化处理，构建12个变量时间序列输入层；S2：对输入的变量数据进行卷积池化及全连接运算；S3：采用反向传播技术更新权值参数以提高预测精度；S4：利用步骤S3中训练好的CNN模型进行水泥烧成系统的单位电耗及吨煤耗实时预测。本发明建立的CNN模型，能够对水泥烧成系统的单位电耗和吨煤耗进行联合预测，可以及时的为水泥烧成过程提供规划调度依据，同时避免了仅仅预测单一能耗不全面的问题，预测结果更能反应综合能耗实际情况。
-
公开(公告)号：CN109147878A
公开(公告)日：2019-01-04
申请号：CN201811165989.6
申请日：2018-10-08
Applicant: 燕山大学
CPC classification number: G06N3/0454 , G06N3/049 , G06N3/084
Abstract: 本发明公开了一种水泥熟料游离钙软测量方法，包括：根据水泥工艺选取10个变量作为熟料fCaO软测量的辅助变量，每个变量的时间序列作为模型输入，并对所选的每个变量时间序列进行归一化处理；依据水泥烧成过程中时间序列的特征，建立基于多变量时间序列卷积神经网络的熟料fCaO软测量模型；确定MT‑CNN模型的初始参数，并对网络进行前向训练；利用误差反向微调进行有监督训练，通过对误差的修正，优化MT‑CNN中的权值w和偏置b，利用训练好的MT‑CNN模型对水泥熟料fCaO实时预测。本发明避免计算各变量与熟料fCaO之间时延，降低了时序匹配所需的运算量；本发明提高模型的收敛速度、精度和泛化能力；本发明能很好预测水泥熟料fCaO含量，能够提高水泥熟料质量和降低生产能耗。
-
Patent Agency Ranking
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：CN109147878B
公开(公告)日：2021-10-15
申请号：CN201811165989.6
申请日：2018-10-08
Applicant: 燕山大学
Abstract: 本发明公开了一种水泥熟料游离钙软测量方法，包括：根据水泥工艺选取10个变量作为熟料fCaO软测量的辅助变量，每个变量的时间序列作为模型输入，并对所选的每个变量时间序列进行归一化处理；依据水泥烧成过程中时间序列的特征，建立基于多变量时间序列卷积神经网络的熟料fCaO软测量模型；确定MT‑CNN模型的初始参数，并对网络进行前向训练；利用误差反向微调进行有监督训练，通过对误差的修正，优化MT‑CNN中的权值w和偏置b，利用训练好的MT‑CNN模型对水泥熟料fCaO实时预测。本发明避免计算各变量与熟料fCaO之间时延，降低了时序匹配所需的运算量；本发明提高模型的收敛速度、精度和泛化能力；本发明能很好预测水泥熟料fCaO含量，能够提高水泥熟料质量和降低生产能耗。
-
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。
-
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：CN109342703A
公开(公告)日：2019-02-15
申请号：CN201811485296.5
申请日：2018-12-06
Applicant: 燕山大学
Abstract: 本发明公开了一种水泥熟料游离钙含量测量方法及系统。所述测量方法包括：获取与所述水泥熟料游离钙F-CaO含量有关的相关变量参数；根据所述相关变量参数，确定每个所述相关变量参数的时间序列；根据所述时间序列建立基于多变量时间序列的卷积残差网络的熟料F-CaO软测量模型；根据所述熟料F-CaO软测量模型确定水泥熟料游离钙含量。采用本发明所提供的测量方法及系统能够解决现有的水泥熟料游离钙含量测量方法在测量水泥熟料游离钙含量过程中存在时变时延的问题，以及所测量得到的游离钙的含量精确度低的问题。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.022 seconds)
