基于多变量时序深度网络模型的水泥烟囱NOX预测方法

    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

    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。

    一种基于多尺度深度网络的水泥游离钙软测量方法

    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。

    一种基于极限学习机的水泥磨系统电耗指标预测方法

    公开(公告)号:CN112766608B

    公开(公告)日:2022-03-11

    申请号:CN202110152975.6

    申请日:2021-02-03

    Applicant: 燕山大学

    Abstract: 本发明公开一种基于极限学习机的水泥磨系统电耗指标预测方法,首先对相关变量进行收集,通过对水泥磨系统的运行分析,选取与水泥磨电耗相关的八个变量作为输入变量,吨电耗作为输出变量,构建ELM模型的输入输出层;使用IPSO算法对ELM的神经元个数L、输入层权重w及隐含层偏置b进行优化;IPSO算法在参数寻优过程中将模型的均方误差作为适应度函数;使用IPSO优化得到的ELM相关参数结合样本数据完成IPSO‑ELM预测模型的训练,将工业现场实际数据带入到训练好的模型完成水泥磨系统电耗的在线预测;本发明通过使用样本数据对IPSO‑ELM模型进行训练得到电耗预测模型,将实际水泥生产现场的变量数据输入到训练好的模型中,实现水泥磨电耗指标在线预测。

    基于多变量时序深度网络模型的水泥烟囱NOX预测方法

    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。

    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

    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。

    基于长短时记忆网络的水泥成品比表面积预测方法及系统

    公开(公告)号:CN111079906A

    公开(公告)日:2020-04-28

    申请号:CN201911394047.X

    申请日:2019-12-30

    Applicant: 燕山大学

    Abstract: 本发明公开了一种基于长短时记忆网络的水泥成品比表面积预测方法及系统。该方法包括:对训练输入集中的训练输入数据按照时间序列进行排序;将排序后的训练输入集输入到预先构建好的长短时记忆网络模型中,得到各个时刻的水泥成品比表面积预测值;依据训练输出集和水泥成品比表面积预测值,采用基于时间的反向传播算法计算每个神经元的节点误差项;节点误差项包括遗忘门误差项、输入们误差项和输出门误差项;依据节点误差项,采用随机梯度下降法对待训练参量进行训练,得到训练好的长短时记忆网络模型;将待测试输入集输入到训练好的长短时记忆网络模型中,得到待测试的水泥成品比表面积预测值。本发明能够提高水泥成品比表面积预测的准确度。

    基于卷积神经网络的水泥原料立磨生料细度指标预测方法

    公开(公告)号:CN110322077A

    公开(公告)日:2019-10-11

    申请号:CN201910619419.8

    申请日:2019-07-10

    Applicant: 燕山大学

    Abstract: 本发明公开了一种基于卷积神经网络的水泥原料立磨生料细度指标预测方法,涉及水泥生产生料细度预测领域。本发明针对输入变量数据与预测指标之间存在的时变时延问题,采用时间序列的方法处理变量数据可以很好地解决时变时延的问题,利用构建好的卷积神经网络模型对输入数据进行多次的卷积池化操作以提取样本特征,再经过全连接层、Droupout层和输出层输出预测值,同时采用反向传播算法以提高收敛精度,然后用训练好的模型对生料细度进行实时预测。

    一种基于BP神经网络的水泥成品比表面积预测方法

    公开(公告)号:CN110322014A

    公开(公告)日:2019-10-11

    申请号:CN201910619400.3

    申请日:2019-07-10

    Applicant: 燕山大学

    Abstract: 本发明公开了一种水泥成品比表面积预测方法,包括:获取水泥磨研磨系统待测试数据;水泥磨研磨系统待测试数据包括喂料量反馈、磨主机电流等八个工业流程参量数据作为输入数据和对应时刻的水泥成品比表面积作为输出数据;由比表实际测量工艺对原始数据做平均处理,即选取对应一个小时的变量数据取其平均值;经过归一化,通过BP神经网络对样本数据进行离线训练,根据系统实际运行每隔一段时间对稳态输入输出样本数据进行更新,重新训练该NN模型,满足实际需要。本发明实现了对水泥成品比表面积以及其变化趋势的准确预测,及时的为水泥研磨过程提供规划调度依据,且测量成本低。

    一种水泥成品比表面积预测方法及系统

    公开(公告)号:CN110222825A

    公开(公告)日:2019-09-10

    申请号:CN201910495482.5

    申请日:2019-06-10

    Applicant: 燕山大学

    Abstract: 本发明公开了一种水泥成品比表面积预测方法及系统。所述方法包括:获取待测试水泥成品数据;待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值;粒度数据包括多个粒度值;各粒度值均属于不同的粒度范围;将待测试水泥成品数据输入至训练好的比表面积预测模型中,得到待测试水泥成品的比表面积预测值;训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的。本发明解决了水泥成品比表面积预测过程中变量数据与待测指标之间存在的时变时延的问题,且测量成本低。

Patent Agency Ranking