CN111210147B - 基于时序特征提取的烧结过程运行性能评价方法及*** - Google Patents

基于时序特征提取的烧结过程运行性能评价方法及*** Download PDF

Info

Publication number
CN111210147B
CN111210147B CN202010009643.8A CN202010009643A CN111210147B CN 111210147 B CN111210147 B CN 111210147B CN 202010009643 A CN202010009643 A CN 202010009643A CN 111210147 B CN111210147 B CN 111210147B
Authority
CN
China
Prior art keywords
operation performance
time
performance evaluation
sintering
time sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010009643.8A
Other languages
English (en)
Other versions
CN111210147A (zh
Inventor
杜胜
吴敏
陈略峰
曹卫华
胡杰
周凯龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202010009643.8A priority Critical patent/CN111210147B/zh
Publication of CN111210147A publication Critical patent/CN111210147A/zh
Application granted granted Critical
Publication of CN111210147B publication Critical patent/CN111210147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明提供了基于时序特征提取的烧结过程运行性能评价方法，本发明以过程能力指数作为运行性能的评价指标，并以此为依据划分运行性能等级。首先提取烧结过程每个检测参数时间序列的四种特征变量，分别是平均值、标准差、平均绝对误差和趋势特征。将时间序列特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型。本发明用时间序列特征变量表示了数据冗余的时间序列，这不仅有助于提高运行性能的评价精度，更是为操作人员评价和控制烧结过程提供了有力指导。

Description

基于时序特征提取的烧结过程运行性能评价方法及***
技术领域
本发明涉及铁矿石烧结生产过程智能评价与控制领域，具体涉及基于时序特征提取的烧结过程运行性能评价方法及***。
背景技术
过程监测是将生产过程运行状态粗略地分为“正常”和“故障”两大类。然而，为了获得优质产品以及更高的综合经济效益，仅仅对过程运行状态做出“正常”和“故障”这种粗略的划分是远远不够的，还需要在过程运行状态正常的情况下，尽可能的确保工业生产过程的运行状态处于最优水平，这就涉及到工业生产过程的运行状态评价问题。
运行状态评价是指在安全生产的前提下，对过程运行性能优劣程度做出评判，以指导操作人员进行生产调整。运行状态评价本质上是将正常的生产过程进一步划分为多个等级，如优、良、一般、差等，即在“正常”这个大类中根据过程运行状态的优劣将其进一步分为多个更加精细的小类(即状态等级)，使得企业生产管理者和实际生产操作人员能够更加深入和全面的掌握过程的运行情况。
作为传统的工业过程，烧结过程一直受到学者的关注。它是一个流程复杂的耗时过程。由于参数众多，操作人员很难对运行状态做到实时评价。这给提高烧结矿品质和节约生产成本带来了阻碍。因此，开发烧结过程运行性能评价具有重要的经济价值。对于烧结过程的研究，主要集中于能耗的建模与优化和关键参数的控制。学者对于烧结过程运行性能的评价的研究甚少。考虑到烧结过程是一个连续的时间消耗过程，那么它具有良好的时间序列特征。因此，研究基于时序特征提取的烧结过程运行性能评价方法是有必要的。
发明内容
本发明要解决的技术问题在于，针对上述目前烧结过程运行性能评价困难的技术问题，提供基于时序特征提取的烧结过程运行性能评价方法及***解决上述技术缺陷。
基于时序特征提取的烧结过程运行性能评价方法，包括：
步骤一、对烧结终点的时间序列数据和检测参数的时间序列数据进行预处理；
步骤二、以烧结终点为决策参数，求取过程能力指数，并以此为依据划分烧结过程的运行性能等级；
步骤三、提取烧结过程每个检测参数时间序列的四种特征变量，分别是平均值、标准差、平均绝对误差和趋势特征；
步骤四、将时间序列的四种特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型。
进一步的，步骤一具体包括：
剔除传感器故障和停机情况引起的零检测数据；数据的采样间隔设置为30秒；对于烧结终点的时间序列数据和检测参数的时间序列数据，选择每个时间子序列的长度为10分钟，包含20个数据点。
进一步的，步骤二具体包括：
S21、求取烧结终点时间子序列的过程能力指数，表示为，
Figure BDA0002356650930000021
其中，USL和LSL是烧结终点的规格上限和下限，T是期望的烧结终点平均值，
Figure BDA0002356650930000022
是烧结终点时间子序列的估计平均值，
Figure BDA0002356650930000023
是烧结终点时间子序列的标准差；
S22、根据过程能力指数的数值大小来划分运行性能等级，
如果
Figure BDA0002356650930000024
则运行性能等级为“优秀”；
如果
Figure BDA0002356650930000025
则运行性能等级为“良好”；
如果
Figure BDA0002356650930000026
则运行性能等级为“一般”；
如果
Figure BDA0002356650930000027
则运行性能等级为“较差”；
如果
Figure BDA0002356650930000028
则运行性能等级为“很差”。
进一步的，步骤三具体包括：
S31、求取检测参数时间子序列的平均值：检测参数时间子序列X＝{x1,x2,...,xn}，n是时间子序列的长度，平均值表示为，
Figure BDA0002356650930000029
S32、求取检测参数时间子序列的标准差，表示为，
Figure BDA0002356650930000031
S33、求取检测参数时间子序列的平均绝对误差，表示为，
Figure BDA0002356650930000032
S34、求取检测参数时间子序列的趋势特征，表示为，
Figure BDA0002356650930000033
式中，
Figure BDA0002356650930000034
其中，sign()是符号函数。
进一步的，步骤四具体包括：
S41、对运行性能等级进行编码，表示为“某等级”＝[P优秀,P良好,P一般,P较差,P很差]，编码方式如下，
Figure BDA0002356650930000035
每行编码依次表示属于性能等级“优秀”、“良好”、“一般”、“较差”、“很差”的概率；
S42、根据步骤三所述方法提取每个检测参数的时间序列特征变量，根据步骤S41的编码方式，对运行性能等级进行编码，以时间序列特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型；
S43、反向传播神经网络的输出结果为属于5种等级的概率，选择概率最大的运行性能等级为输出。
进一步的，烧结过程有20个检测参数，那么设计的反向传播神经网络结构为20×4个输入层数，5个输出层数的反向传播神经网络，设置隐含层数为27，隐含层激励函数设置为tansig()，输出层的激励函数为purelin()。
基于时间序列特征提取的烧结过程运行性能评价***，包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现所述的任意基于时序特征提取的烧结过程运行性能评价方法。
与现有技术相比，本发明的优势在于：
(1)本发明的基于时序特征提取的烧结过程运行性能评价方法，采用过程能力指数来衡量烧结过程的运行性能，并对运行性能分级。
(2)本发明的基于时序特征提取的烧结过程运行性能评价方法，提取烧结过程每个检测参数时间序列的四种特征变量，分别是平均值、标准差、平均绝对误差和趋势特征。这些特征变量能良好的反映时间序列的变化特征。
(3)本发明的基于时序特征提取的烧结过程运行性能评价方法，利用反向传播神经网络构建运行性能评价模型，该方法充分考虑了工业过程的非线性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明的基于时序特征提取的烧结过程运行性能评价方法流程图；
图2为本发明的基于时序特征提取的烧结过程运行性能评价方法模型结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
基于时序特征提取的烧结过程运行性能评价方法，如图1所示，包括
步骤一、对烧结终点的时间序列数据和检测参数的时间序列数据进行预处理；
步骤二、以烧结终点为决策参数，求取过程能力指数，并以此为依据划分烧结过程的运行性能等级；
步骤三、提取烧结过程每个检测参数时间序列的四种特征变量，分别是平均值、标准差、平均绝对误差和趋势特征；
步骤四、将时间序列的四种特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型。
步骤一具体包括：
剔除传感器故障和停机情况引起的零检测数据；数据的采样间隔设置为30秒；对于烧结终点的时间序列数据和检测参数的时间序列数据，选择每个时间子序列的长度为10分钟，包含20个数据点。
步骤二具体包括：
S21、求取烧结终点时间子序列的过程能力指数，可表示为，
Figure BDA0002356650930000051
其中，USL和LSL是烧结终点的规格上限和下限，T是期望的烧结终点平均值，
Figure BDA0002356650930000052
是烧结终点时间子序列的估计平均值，
Figure BDA0002356650930000053
是烧结终点时间子序列的标准差。
S22、根据过程能力指数的数值大小来划分运行性能等级，
如果
Figure BDA0002356650930000054
则运行性能等级为“优秀”；
如果
Figure BDA0002356650930000055
则运行性能等级为“良好”；
如果
Figure BDA0002356650930000056
则运行性能等级为“一般”；
如果
Figure BDA0002356650930000057
则运行性能等级为“较差”；
如果
Figure BDA0002356650930000058
则运行性能等级为“很差”。
步骤三具体包括：
S31、求取检测参数时间子序列的平均值。检测参数时间子序列X＝{x1,x2,...,xn}，n是时间子序列的长度。平均值可表示为，
Figure BDA0002356650930000059
S32、求取检测参数时间子序列的标准差，可表示为，
Figure BDA00023566509300000510
S33、求取检测参数时间子序列的平均绝对误差，可表示为，
Figure BDA0002356650930000061
S34、求取检测参数时间子序列的趋势特征，可表示为，
Figure BDA0002356650930000062
式中，
Figure BDA0002356650930000063
Figure BDA0002356650930000064
其中，sign()是符号函数。
步骤四具体包括：
S41、对运行性能等级进行编码，表示为“某等级”＝[P优秀,P良好,P一般,P较差,P很差]。编码方式如下，
Figure BDA0002356650930000065
每行编码依次表示属于性能等级“优秀”、“良好”、“一般”、“较差”、“很差”的概率，如“优秀”＝[P优秀,P良好,P一般,P较差,P很差]＝[1,0,0,0,0]。
S42、根据步骤三所述方法提取每个检测参数的时间序列特征变量。根据步骤S41的编码方式，对运行性能等级进行编码。以时间序列特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型。烧结过程有20个检测参数，那么设计的反向传播神经网络结构为20×4个输入层数，5个输出层数的反向传播神经网络。设置隐含层数为27。隐含层激励函数设置为tansig()，输出层的激励函数为purelin()。
S43、反向传播神经网络的输出结果为属于5种等级的概率，选择概率最大的运行性能等级为输出。
综上所述，本发明首先对烧结终点的时间序列数据和检测参数的时间序列数据进行预处理，获得烧结过程烧结终点时间子序列和检测参数时间子序列；然后提取烧结过程每个检测参数时间子序列的特征变量；最后将时间子序列特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型；使用烧结过程生产数据进行实验验证。实施例的具体步骤包括：
(1)收集烧结生产历史数据获得原始样本数据
烧结生产历史数据以日报表的形式保存在操作室工控机的本地数据库中，根据日报表的数据，收集烧结终点、第i个风箱的废气温度(i＝1,2,3,5,7,9,11,13,15,17,18,19,20,21,22,23,24)、主烟道风箱负压、料层厚度和台车速度等一个月的历史数据，组成原始样本数据。共计20个检测参数。
(2)数据预处理并构建样本数据库
根据步骤一，对收集原始样本数据进行预处理，数据的采样间隔被扩展到30秒，每个时间子序列的长度为10分钟，以这些样本数据建立样本数据库；
(3)划分运行性能等级与运行性能等级编码
根据步骤一和步骤四，对烧结终点时间子序列数据进行处理，得到烧结过程运行性能等级的编码。
(4)提取检测参数时间子序列特征变量
根据步骤三，提取检测参数时间子序列的平均值、标准差、平均绝对误差和趋势特征。
(5)构建烧结过程运行性能评价模型
根据步骤四，将时间序列特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型，如图2所示。利用4000组时间子序列数据样本训练模型。
(6)运行性能评价实验
利用上述运行性能评价模型对1000组时间子序列数据样本进行测试，实验结果如表1所示，可见平均准确度可达91.30％，实现了烧结过程运行性能的有效评价。
表1烧结过程运行性能评价结果
Figure BDA0002356650930000071
本实施例的结果表明本发明能实现烧结过程烧结过程运行性能的有效评价，具有重要的经济价值和应用价值。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (4)

1.基于时序特征提取的烧结过程运行性能评价方法，其特征在于，包括：
步骤一、对烧结终点的时间序列数据和检测参数的时间序列数据进行预处理；
步骤一具体包括：
剔除传感器故障和停机情况引起的零检测数据；数据的采样间隔设置为30秒；对于烧结终点的时间序列数据和检测参数的时间序列数据，选择每个时间子序列的长度为10分钟，包含20个数据点；
步骤二、以烧结终点为决策参数，求取过程能力指数，并以此为依据划分烧结过程的运行性能等级；
步骤二具体包括：
S21、求取烧结终点时间子序列的过程能力指数，表示为，
Figure FDA0003675177430000011
其中，USL和LSL是烧结终点的规格上限和下限，T是期望的烧结终点平均值，
Figure FDA0003675177430000012
是烧结终点时间子序列的估计平均值，
Figure FDA0003675177430000013
是烧结终点时间子序列的标准差；
S22、根据过程能力指数的数值大小来划分运行性能等级，
如果
Figure FDA0003675177430000014
则运行性能等级为“优秀”；
如果
Figure FDA0003675177430000015
则运行性能等级为“良好”；
如果
Figure FDA0003675177430000016
则运行性能等级为“一般”；
如果
Figure FDA0003675177430000017
则运行性能等级为“较差”；
如果
Figure FDA0003675177430000021
则运行性能等级为“很差”；
步骤三、提取烧结过程每个检测参数时间序列的四种特征变量，分别是平均值、标准差、平均绝对误差和趋势特征；
步骤四、将时间序列的四种特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型；
步骤四具体包括：
S41、对运行性能等级进行编码，表示为“某等级”＝[P优秀,P良好,P一般,P较差,P很差]，编码方式如下，
Figure FDA0003675177430000022
每行编码依次表示属于性能等级“优秀”、“良好”、“一般”、“较差”、“很差”的概率；
S42、根据步骤三所述方法提取每个检测参数的时间序列特征变量，根据步骤S41的编码方式，对运行性能等级进行编码，以时间序列特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型；
S43、反向传播神经网络的输出结果为属于5种等级的概率，选择概率最大的运行性能等级为输出。
2.根据权利要求1所述的基于时序特征提取的烧结过程运行性能评价方法，其特征在于，步骤三具体包括：
S31、求取检测参数时间子序列的平均值：检测参数时间子序列X＝{x1,x2,...,xn}，n是时间子序列的长度，平均值表示为，
Figure FDA0003675177430000023
S32、求取检测参数时间子序列的标准差，表示为，
Figure FDA0003675177430000031
S33、求取检测参数时间子序列的平均绝对误差，表示为，
Figure FDA0003675177430000032
S34、求取检测参数时间子序列的趋势特征，表示为，
Figure FDA0003675177430000033
式中，
Figure FDA0003675177430000034
其中，sign()是符号函数。
3.根据权利要求1所述的基于时序特征提取的烧结过程运行性能评价方法，其特征在于，烧结过程有20个检测参数，那么设计的反向传播神经网络结构为20×4个输入层数，5个输出层数的反向传播神经网络，设置隐含层数为27，隐含层激励函数设置为tansig()，输出层的激励函数为purelin()。
4.基于时间序列特征提取的烧结过程运行性能评价***，其特征在于，包括：处理器及存储设备；所述处理器加载并执行存储设备中的指令及数据用于实现权利要求1～3任一项所述的基于时序特征提取的烧结过程运行性能评价方法；
所述基于时序特征提取的烧结过程运行性能评价方法，包括：
步骤一、对烧结终点的时间序列数据和检测参数的时间序列数据进行预处理；
步骤一具体包括：
剔除传感器故障和停机情况引起的零检测数据；数据的采样间隔设置为30秒；对于烧结终点的时间序列数据和检测参数的时间序列数据，选择每个时间子序列的长度为10分钟，包含20个数据点；
步骤二、以烧结终点为决策参数，求取过程能力指数，并以此为依据划分烧结过程的运行性能等级；
步骤二具体包括：
S21、求取烧结终点时间子序列的过程能力指数，表示为，
Figure FDA0003675177430000041
其中，USL和LSL是烧结终点的规格上限和下限，T是期望的烧结终点平均值，
Figure FDA0003675177430000042
是烧结终点时间子序列的估计平均值，
Figure FDA0003675177430000043
是烧结终点时间子序列的标准差；
S22、根据过程能力指数的数值大小来划分运行性能等级，
如果
Figure FDA0003675177430000044
则运行性能等级为“优秀”；
如果
Figure FDA0003675177430000045
则运行性能等级为“良好”；
如果
Figure FDA0003675177430000046
则运行性能等级为“一般”；
如果
Figure FDA0003675177430000047
则运行性能等级为“较差”；
如果
Figure FDA0003675177430000048
则运行性能等级为“很差”；
步骤三、提取烧结过程每个检测参数时间序列的四种特征变量，分别是平均值、标准差、平均绝对误差和趋势特征；
步骤四、将时间序列的四种特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型；
步骤四具体包括：
S41、对运行性能等级进行编码，表示为“某等级”＝[P优秀,P良好,P一般,P较差,P很差]，编码方式如下，
Figure FDA0003675177430000051
每行编码依次表示属于性能等级“优秀”、“良好”、“一般”、“较差”、“很差”的概率；
S42、根据步骤三所述方法提取每个检测参数的时间序列特征变量，根据步骤S41的编码方式，对运行性能等级进行编码，以时间序列特征变量作为运行性能评价模型的输入量，将运行性能等级的编码作为运行性能评价模型的输出量，利用反向传播神经网络构建运行性能评价模型；
S43、反向传播神经网络的输出结果为属于5种等级的概率，选择概率最大的运行性能等级为输出。
CN202010009643.8A 2020-01-06 2020-01-06 基于时序特征提取的烧结过程运行性能评价方法及*** Active CN111210147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010009643.8A CN111210147B (zh) 2020-01-06 2020-01-06 基于时序特征提取的烧结过程运行性能评价方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010009643.8A CN111210147B (zh) 2020-01-06 2020-01-06 基于时序特征提取的烧结过程运行性能评价方法及***

Publications (2)

Publication Number Publication Date
CN111210147A CN111210147A (zh) 2020-05-29
CN111210147B true CN111210147B (zh) 2022-07-19

Family

ID=70785553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010009643.8A Active CN111210147B (zh) 2020-01-06 2020-01-06 基于时序特征提取的烧结过程运行性能评价方法及***

Country Status (1)

Country Link
CN (1) CN111210147B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112416729A (zh) * 2020-11-24 2021-02-26 平安普惠企业管理有限公司 数据处理方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203140A (zh) * 2017-07-10 2017-09-26 中国地质大学（武汉） 一种基于模糊综合的烧结生产过程性能评估方法
CN110245850A (zh) * 2019-05-31 2019-09-17 中国地质大学（武汉） 一种考虑时序的烧结过程工况识别方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203140A (zh) * 2017-07-10 2017-09-26 中国地质大学（武汉） 一种基于模糊综合的烧结生产过程性能评估方法
CN110245850A (zh) * 2019-05-31 2019-09-17 中国地质大学（武汉） 一种考虑时序的烧结过程工况识别方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Fuzzy Control Strategy of Burn-Through Point Based on the Feature Extraction of Time-Series Trend for Iron Ore Sintering Process;S.Du等;《IEEE Transactions on Industrial Informatics》;20190813;第16卷(第4期);第2357-2368页 *
Fuzzy neural networks-based quality prediction system for sintering process;Meng Joo Er等;《IEEE Transactions on Fuzzy Systems》;20000630;第8卷(第3期);第314-324页 *
一种基于改进遗传算法的模糊神经网络控制器及其在烧结终点控制中的应用;向婕等;《信息与控制》;20080430(第2期);第235-241页 *
基于数据的流程工业生产过程指标预测方法综述;陈龙等;《自动化学报》;20170630;第43卷(第6期);第944-954页 *

Also Published As

Publication number Publication date
CN111210147A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN108417033B (zh) 基于多维因素的高速路交通事故分析预测方法
CN112101480B (zh) 一种多变量聚类与融合的时间序列组合预测方法
CN113807570B (zh) 基于XGBoost的水库大坝风险等级评估方法及***
CN111046341A (zh) 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法
CN111259947A (zh) 一种基于多模态学习的电力***故障预警方法和***
CN106909933A (zh) 一种三阶段多视角特征融合的窃电分类预测方法
CN110636066B (zh) 基于无监督生成推理的网络安全威胁态势评估方法
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN113435759B (zh) 一种基于深度学习的一次设备风险智能评估方法
CN112836809A (zh) 一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法
CN111815026A (zh) 一种基于特征聚类的多能源***负荷预测方法
CN114035468A (zh) 基于XGBoost算法的风机检修流程预测性监控方法与***
CN111210147B (zh) 基于时序特征提取的烧结过程运行性能评价方法及***
CN115238573A (zh) 考虑工况参数的水电机组性能劣化趋势预测方法和***
CN114021620A (zh) 基于bp神经网络特征提取的电潜泵故障诊断方法
CN111737993B (zh) 一种配电网设备的故障缺陷文本提取设备健康状态方法
CN111210085B (zh) 一种基于多视图集成学习的煤矿瓦斯浓度预警方法
CN115186935B (zh) 一种机电设备非线性故障预测方法及***
CN116663126A (zh) 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法
CN112967759B (zh) 基于内存堆栈技术的dna物证鉴定str分型比对方法
CN116224950A (zh) 面向无人生产线自组织重构的智能故障诊断方法和***
CN114881074A (zh) 一种基于聚类-深度学习的工程结构变形预测方法
CN114372640A (zh) 一种基于波动序列分类校正的风电功率预测方法
CN114066219A (zh) 一种关联矩阵下用电异常点智能识别的窃电分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant