-
公开(公告)号：CN113593657B
公开(公告)日：2024-01-09
申请号：CN202110845983.9
申请日：2021-07-26
Applicant: 燕山大学
IPC: G16C20/30 , G16C20/70 , G06N3/0455 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了一种以质量目标为导向半监督学习的水泥游离钙软测量系统，涉及水泥熟料质量软测量检测技术领域，包括以下步骤：确定辅助变量并进行数据处理；构建半监督模型，同时确定模型参数；可变加权AE分层预训练；深度网络模型的构建；反向微调权重；利用模型实时在线预测。本发明将传统的两步走建模方法改成一步走建模方法，从而提高软测量模型预测精度。
-
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：CN114994294B
公开(公告)日：2023-04-18
申请号：CN202210553703.1
申请日：2022-05-20
Applicant: 燕山大学
IPC: G01N33/38 , G06N3/0499 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于注意力与窗口选通机制的水泥熟料游离钙软测量方法，属于软测量技术领域，包括利用注意力解耦网络模型考虑过程变量之间的耦合关系，处理变量之间的相互影响，实现过程数据的解耦；利用窗口选通机制模块自适应学习选通对目标变量最有影响的时间段，学习到的时间窗口在不同的时刻分配相对应的权重，从而更有效的关注过程变量的作用时长；通过单维卷积网络分别独立的提取单变量的特征，综合各个变量的特征信息，构建满足实际要求的软测量模型，实现水泥熟料f‑CaO的测量。本发明通过考虑水泥生产工业流程中的自然特性，提升了软测量模型的测量性能，对于质量监控以及实时控制具有指导意义，利于实现降低能耗，提升生产效率。
-
Patent Agency Ranking
公开(公告)号：CN114994294A
公开(公告)日：2022-09-02
申请号：CN202210553703.1
申请日：2022-05-20
Applicant: 燕山大学
Abstract: 本发明公开了基于注意力与窗口选通机制的水泥熟料游离钙软测量方法，属于软测量技术领域，包括利用注意力解耦网络模型考虑过程变量之间的耦合关系，处理变量之间的相互影响，实现过程数据的解耦；利用窗口选通机制模块自适应学习选通对目标变量最有影响的时间段，学习到的时间窗口在不同的时刻分配相对应的权重，从而更有效的关注过程变量的作用时长；通过单维卷积网络分别独立的提取单变量的特征，综合各个变量的特征信息，构建满足实际要求的软测量模型，实现水泥熟料f‑CaO的测量。本发明通过考虑水泥生产工业流程中的自然特性，提升了软测量模型的测量性能，对于质量监控以及实时控制具有指导意义，利于实现降低能耗，提升生产效率。
-
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：CN113593657A
公开(公告)日：2021-11-02
申请号：CN202110845983.9
申请日：2021-07-26
Applicant: 燕山大学
Abstract: 本发明公开了一种以质量目标为导向半监督学习的水泥游离钙软测量系统，涉及水泥熟料质量软测量检测技术领域，包括以下步骤：确定辅助变量并进行数据处理；构建半监督模型，同时确定模型参数；可变加权AE分层预训练；深度网络模型的构建；反向微调权重；利用模型实时在线预测。本发明将传统的两步走建模方法改成一步走建模方法，从而提高软测量模型预测精度。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.016 seconds)
