CN112348101A - 一种基于异常数据分析的轧钢燃耗预警方法及*** - Google Patents
一种基于异常数据分析的轧钢燃耗预警方法及*** Download PDFInfo
- Publication number
- CN112348101A CN112348101A CN202011278733.3A CN202011278733A CN112348101A CN 112348101 A CN112348101 A CN 112348101A CN 202011278733 A CN202011278733 A CN 202011278733A CN 112348101 A CN112348101 A CN 112348101A
- Authority
- CN
- China
- Prior art keywords
- data set
- data
- abnormal
- value
- steel rolling
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明提出一种基于异常数据分析的轧钢燃耗预警方法及***,包括:对获取的轧钢工艺数据进行预处理,得到初始数据集;通过所述初始数据集训练预设模型,输出重要特征数据集;获取所述重要特征数据集的标准值,并根据所述标准值选出异常燃耗值数据,构建异常燃耗值数据集;获取预设时间段内的轧钢工艺数据,进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值,得到平均值数据集;根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理,得到训练数据集;将所述训练数据集输入所述预设模型,获取多维工艺参数的异常数据,并根据所述异常数据启动预警信息;本发明可有效提高燃耗参数控制的准确性。
Description
技术领域
本发明涉及智能冶金领域,尤其涉及一种基于异常数据分析的轧钢燃耗预警方法及***。
背景技术
加热炉燃耗占据轧钢工序能耗的65%~75%,是轧材生产线成本主要成本的来源之一,对实际生产中的加热炉燃耗异常数据因素进行分析,可以帮助操作人员加强对重要关联因素的关注和参考,因而对确定准确的燃耗控制参数对优化轧钢生产工艺和降低钢材生产运行成本具有重要意义。目前,对于异常数据因素的分析主要依赖于操作人员的自身工作经验。操作人员在具体参数设定中,根据长期的实践经验和试错结果,分析数据的常见因素和大致区间。此方法缺乏准确性、及时性和无法具体体现因素间的关联程度。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种基于异常数据因素分析的轧钢燃耗预警方法及***,主要解决依据经验设定轧钢燃耗工艺参数难以保证准确性的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
一种基于异常数据分析的轧钢燃耗预警方法,包括:
对获取的轧钢工艺数据进行预处理,得到初始数据集;
通过所述初始数据集训练预设模型,输出重要特征数据集;
获取所述重要特征数据集的标准值,并根据所述标准值选出异常燃耗值数据,构建异常燃耗值数据集;
获取预设时间段内的轧钢工艺数据,进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值,得到平均值数据集;
根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理,得到训练数据集;
将所述训练数据集输入所述预设模型,获取多维工艺参数的异常数据,并根据所述异常数据启动预警信息。
可选地,所述预处理包括:
特征补全、缺失值处理、字符型数据处理、归一化处理。
可选地,通过所述初始数据集训练预设模型,输出重要特征数据集,包括:
预设多个初始模型;
通过所述初始数据集分别训练各所述初始模型,并通过绝对误差率均值选出最优模型;
通过所述最优模型获取所述初始数据集中每一维工艺参数的重要性;
根据所述工艺参数的重要性排序结果选出指定数量的重要参数特征,组成所述重要特征数据集。
可选地,所述初始模型包括随机森林模型、SVR模型、神经网络模型、Xgboost模型。
可选地,获取所述重要特征数据集的标准值,并根据所述标准值选出异常燃耗值数据,构建异常燃耗值数据集,包括:
将所述重要特征数据集按照燃耗值大小进行排序;
根据排序结果,按设定比例删除首尾数据,并计算剩余数据中每一维轧钢工艺参数的平均值作为对应维度轧钢工艺参数的所述标准值;
筛选出超出所述标准值的重要参数特征数据,组成所述异常燃耗值数据集。
可选地,将所述训练数据集输入所述预设模型,获取多维工艺参数的异常数据,包括:
将所述训练数据集输入多个不同的预设模型,获取每个所述预设模型下,每一维工艺参数的重要性;
将每一维工艺参数在各预设模型中的重要性进行加权处理,获取每一维工艺参数的的总重要性;
按总重要性进行排序,选出指定数量的工艺参数以及对应的异常数据。
可选地,根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理,包括:
异常燃耗数据集中每个样本与平均值数据集做差,得到每一维工艺参数与平均值的差值;
进一步对每一维工艺参数进行归一化处理,得到所述训练数据集。
可选地,根据所述异常数据启动预警信息,包括:
获取每一维工艺参数的燃耗值与对应的所述标准值的差值后,再除以对应的所述标准值得到对应工艺参数的商值;
将所述商值与报警信息的预设启动阈值进行比较,高于启动阈值则开启报警信息。
可选地,所述绝对误差率均值的计算方式为:
获取每个所述初始模型预测值与真实值的差值除以真实值的商;
对所述商的绝对值进行均值化处理得到对应的模型绝对误差率均值。
一种基于异常数据分析的轧钢燃耗预警***,包括:
数据处理模块,用于对获取的轧钢工艺数据进行预处理,得到初始数据集;
模型筛选模块,用于通过所述初始数据集训练预设模型,输出重要特征数据集;
异常筛选模块,用于获取所述重要特征数据集的标准值,并根据所述标准值选出异常燃耗值数据,构建异常燃耗值数据集;
均值数据构建模块,用于获取预设时间段内的轧钢工艺数据,进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值,得到平均值数据集;
训练数据获取模块,用于根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理,得到训练数据集;
异常预警模块,将所述训练数据集输入所述预设模型,获取多维工艺参数的异常数据,并根据所述异常数据启动预警信息。
可选地,所述模型筛选模块包括:
最优筛选单元,用于预设多个初始模型,通过所述初始数据集分别训练各所述初始模型,并通过绝对误差率均值选出最优模型;
重要性评估单元,用于通过所述最优模型获取所述初始数据集中每一维工艺参数的重要性;
重要特征数据集构建单元,用于根据所述工艺参数的重要性排序结果选出指定数量的重要参数特征,组成所述重要特征数据集。
如上所述,本发明一种基于异常数据分析的轧钢燃耗预警方法及***,具有以下有益效果。
本发明能够深度分析燃耗的异常数据,精确的推荐引起燃耗异常的关键参数,进而帮助操作人员实现对燃耗的精准控制。
附图说明
图1为本发明一实施例中基于异常数据分析的轧钢燃耗预警方法的流程图。
图2为本发明一实施例中基于异常数据分析的轧钢燃耗预警***的模块图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供一种基于异常数据因素分析的轧钢燃耗预警方法,包括步骤S01-S06。
在步骤S01中,对获取的轧钢工艺数据进行预处理,得到初始数据集:
在一实施例中,获取轧钢工艺数据的方式可包括生产线实时获取、操作人员自主设定获取、***定期反馈更新获取等。可将获取的数据存放于轧钢工艺数据库中,随着时间的推进不断更新数据库中数据。通过sql函数从轧钢工艺数据库中调取所需实时生产数据,使用数据预处理方法处理调取的原始轧钢工艺数据,具体包括按照出炉时间参数对出炉时间进行排序;对调取的轧钢工艺数据进行缺失值补充,具体方法为填充其上条数据的值;对其中字符型特征进行数字化处理,具体使用one-hot方法,将特征数字化为0、1、2;对其中部分特征求均值处理等。经过预处理后便可得到初始数据集。
在步骤S02中,通过所述初始数据集训练预设模型,输出重要特征数据集:
在一实施例中,使用随机森林、SVR、神经网络和Xgboost回归模型等初始模型进行训练,获取最优算法模型。具体方法为:导入sklearn库中随机森林算法、SVR算法、和神经网络算法以及Xgboost库中Xgboost回归算法。使用各个模型默认参数,得到初始算法模型。使用预处理后的初始数据集分别训练各个初始模型,使用各个模型的绝对误差率均值去比较得出最优算法模型。绝对误差率均值的具体计算方式为用由预测值减去实际值的差除以真实值的商的绝对值做平均数处理,得到最终的绝对误差率均值。
在一实施例中,使用比较得出的最优算法模型,输出初始数据集对应的由多维工艺参数构成的重要特征数据集。使用最优算法模型的特征重要性方法,得到每一维工艺参数的重要性,按重要性大小排序,由大到小筛选出排在前60%的重要参数特征,构成重要特征数据集。
在步骤S03中,获取所述重要特征数据集的标准值,并根据所述标准值选出异常燃耗值数据,构建异常燃耗值数据集:
在一实施例中,对重要特征数据集进行平均值处理,算出重要特征数据集中每一维工艺参数的平均值,具体方法为将重要特征数据集中每一维工艺参数按照燃耗值有小到大排序,去掉前后各10%数据,取剩下80%数据的平均值作为每一维工艺参数的燃耗值标准值,使用燃耗值标准值对重要特征数据集进行筛选,选择重要特征数据集中燃耗值大于燃耗值标准值的样本,组成异常燃耗值数据集。
在步骤S04中,获取预设时间段内的轧钢工艺数据,进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值,得到平均值数据集:
在一实施例中,可预设构建平均值数据集的样本时间区间,获取该区间内的实时样本数据,对样本数据采用步骤S01中的预处理方法进行数据清洗后,计算每一维工艺参数的平均值,组成平均值数据集。可选地,可定期获取轧钢实时生产数据更新所述平均值数据集。
在步骤S05中,根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理,得到训练数据集
在一实施例中,将异常燃耗数据值与平均值数据集做差并进行归一化处理,其具体方法为将异常燃耗数据集中每个样本与平均值数据集做差,得到每一维工艺参数数据与平均值的差值,然后对每一维工艺参数做归一化处理,得到训练数据集。
在步骤S06中,将所述训练数据集输入所述预设模型,获取多维工艺参数的异常数据,并根据所述异常数据启动预警信息。
在一实施例中,采用预设的模型对训练数据集进行训练和分析,具体方法为使用随机森林、SVR、神经网络和Xgboost回归模型训练,依次使用网格搜索方法,找出每个模型的最佳参数,找到每个模型在最佳参数情况下训练训练数据集的准确度值,根据feature_importance函数筛选出每个模型下每一维工艺参数的特征重要性;计算每一维工艺参数在所有模型中的总重要度,其具体方法为各个模型的准确度乘以各个模型对应的该特征的特征重要性的加权平均值,最后选出总特征重要度最大的十个特征,作为异常燃耗值最关键的十个工艺参数,得到燃耗值异常参数分析结果。
在一实施例中,根据异常分析结果进行预警,其具体方法为,将训练数据集中选出最关键的十个工艺参数的包含的数据组成报警数据集,在报警数据集计算每一维工艺参数的燃耗值与标准值的差值,除以标准值的商。选择商值高于预设的报警信息启动阈值的值,作为报警值,对报警值所在样本的十个工艺参数值的特征重要度做归一化,得到每个特征的比重,将其返回给***,设置预警。
在一实施例中,预警方式可采用L1***报警或提示框预警。
请参阅图2,本发明还提供了基于异常数据分析的轧钢燃耗预警***,用于执行前述方法实施例中所述的基于异常数据分析的轧钢燃耗预警方法。由于***实施例的技术原理与前述方法实施例的技术原理相似,因而不再对同样的技术细节做重复性赘述。
在一实施例中,基于异常数据分析的轧钢燃耗预警***包括数据处理模块10、模型筛选模块11、异常筛选模块12、均值数据构建模块13、训练数据获取模块14和异常预警模块15,数据处理模块10用于辅助执行前述方法实施例介绍的步骤S01;模型筛选模块11用于执行前述方法实施例介绍的步骤S02;异常筛选模块12用于辅助执行前述方法实施例介绍的步骤S03;均值数据构建模块13用于辅助执行前述方法实施例介绍的步骤S04;训练数据获取模块14用于辅助执行前述方法实施例介绍的步骤S05;异常预警模块15用于辅助执行前述方法实施例介绍的步骤S06。
在一实施例中,模型筛选模块包括:
最优筛选单元,用于预设多个初始模型,通过初始数据集分别训练各初始模型,并通过绝对误差率均值选出最优模型;
重要性评估单元,用于通过最优模型获取所述初始数据集中每一维工艺参数的重要性;
重要特征数据集构建单元,用于根据工艺参数的重要性排序结果选出指定数量的重要参数特征,组成所述重要特征数据集
综上所述,本发明一种基于异常数据分析的轧钢燃耗预警方法和***,通过模型筛选获取与轧钢生产异常相关联的工艺参数,提高异常处理的准确性和及时性,减少人工经验设定带来的不确定性风险,有利于实现燃耗的精确控制。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种基于异常数据分析的轧钢燃耗预警方法,其特征在于,包括:
对获取的轧钢工艺数据进行预处理,得到初始数据集;
通过所述初始数据集训练预设模型,输出重要特征数据集;
获取所述重要特征数据集的标准值,并根据所述标准值选出异常燃耗值数据,构建异常燃耗值数据集;
获取预设时间段内的轧钢工艺数据,进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值,得到平均值数据集;
根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理,得到训练数据集;
将所述训练数据集输入所述预设模型,获取多维工艺参数的异常数据,并根据所述异常数据启动预警信息。
2.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法,其特征在于,所述预处理包括:
特征补全、缺失值处理、字符型数据处理、归一化处理。
3.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法,其特征在于,通过所述初始数据集训练预设模型,输出重要特征数据集,包括:
预设多个初始模型;
通过所述初始数据集分别训练各所述初始模型,并通过绝对误差率均值选出最优模型;
通过所述最优模型获取所述初始数据集中每一维工艺参数的重要性;
根据所述工艺参数的重要性排序结果选出指定数量的重要参数特征,组成所述重要特征数据集。
4.根据权利要求3所述的基于异常数据分析的轧钢燃耗预警方法,其特征在于,所述初始模型包括随机森林模型、SVR模型、神经网络模型、Xgboost模型。
5.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法,其特征在于,获取所述重要特征数据集的标准值,并根据所述标准值选出异常燃耗值数据,构建异常燃耗值数据集,包括:
将所述重要特征数据集按照燃耗值大小进行排序;
根据排序结果,按设定比例删除首尾数据,并计算剩余数据中每一维轧钢工艺参数的平均值作为对应维度轧钢工艺参数的所述标准值;
筛选出超出所述标准值的重要参数特征数据,组成所述异常燃耗值数据集。
6.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法,其特征在于,将所述训练数据集输入所述预设模型,获取多维工艺参数的异常数据,包括:
将所述训练数据集输入多个不同的预设模型,获取每个所述预设模型下,每一维工艺参数的重要性;
将每一维工艺参数在各预设模型中的重要性进行加权处理,获取每一维工艺参数的的总重要性;
按总重要性进行排序,选出指定数量的工艺参数以及对应的异常数据。
7.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法,其特征在于,根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理,包括:
异常燃耗数据集中每个样本与平均值数据集做差,得到每一维工艺参数与平均值的差值;
进一步对每一维工艺参数进行归一化处理,得到所述训练数据集。
8.根据权利要求1所述的基于异常数据分析的轧钢燃耗预警方法,其特征在于,根据所述异常数据启动预警信息,包括:
获取每一维工艺参数的燃耗值与对应的所述标准值的差值后,再除以对应的所述标准值得到对应工艺参数的商值;
将所述商值与报警信息的预设启动阈值进行比较,高于启动阈值则开启报警信息。
9.根据权利要求3所述的基于异常数据分析的轧钢燃耗预警方法,其特征在于,所述绝对误差率均值的计算方式为:
获取每个所述初始模型预测值与真实值的差值除以真实值的商;
对所述商的绝对值进行均值化处理得到对应的模型绝对误差率均值。
10.一种基于异常数据分析的轧钢燃耗预警***,其特征在于,包括:
数据处理模块,用于对获取的轧钢工艺数据进行预处理,得到初始数据集;
模型筛选模块,用于通过所述初始数据集训练预设模型,输出重要特征数据集;
异常筛选模块,用于获取所述重要特征数据集的标准值,并根据所述标准值选出异常燃耗值数据,构建异常燃耗值数据集;
均值数据构建模块,用于获取预设时间段内的轧钢工艺数据,进一步获取所述轧钢工艺数据中的每一维工艺参数的平均值,得到平均值数据集;
训练数据获取模块,用于根据所述平均值数据集对所述异常燃耗值数据集进行归一化处理,得到训练数据集;
异常预警模块,将所述训练数据集输入所述预设模型,获取多维工艺参数的异常数据,并根据所述异常数据启动预警信息。
11.根据权利要求10所述的基于异常数据分析的轧钢燃耗预警***,其特征在于,所述模型筛选模块包括:
最优筛选单元,用于预设多个初始模型,通过所述初始数据集分别训练各所述初始模型,并通过绝对误差率均值选出最优模型;
重要性评估单元,用于通过所述最优模型获取所述初始数据集中每一维工艺参数的重要性;
重要特征数据集构建单元,用于根据所述工艺参数的重要性排序结果选出指定数量的重要参数特征,组成所述重要特征数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278733.3A CN112348101B (zh) | 2020-11-16 | 2020-11-16 | 一种基于异常数据分析的轧钢燃耗预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011278733.3A CN112348101B (zh) | 2020-11-16 | 2020-11-16 | 一种基于异常数据分析的轧钢燃耗预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348101A true CN112348101A (zh) | 2021-02-09 |
CN112348101B CN112348101B (zh) | 2023-04-07 |
Family
ID=74364044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011278733.3A Active CN112348101B (zh) | 2020-11-16 | 2020-11-16 | 一种基于异常数据分析的轧钢燃耗预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348101B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094557A (zh) * | 2021-04-02 | 2021-07-09 | 中冶赛迪重庆信息技术有限公司 | 一种轧机数据关联方法及*** |
CN113569970A (zh) * | 2021-07-27 | 2021-10-29 | 中冶赛迪重庆信息技术有限公司 | 量化特征指标对标签影响的分析方法、***、介质和终端 |
CN113792090A (zh) * | 2021-09-17 | 2021-12-14 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢数据监控方法、***、介质及电子终端 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1165269A (zh) * | 1996-12-04 | 1997-11-19 | 徐建中 | 一种燃烧器 |
JP2004324548A (ja) * | 2003-04-25 | 2004-11-18 | Mitsubishi Heavy Ind Ltd | 機器の異常監視装置及びガスタービンの異常監視装置及びガスタービン設備及び複合発電設備 |
JP2007192138A (ja) * | 2006-01-19 | 2007-08-02 | Mitsubishi Heavy Ind Ltd | ガスタービンにおける異常監視方法及び装置 |
CN103268066A (zh) * | 2013-03-28 | 2013-08-28 | 广东电网公司电力科学研究院 | 一种电站锅炉运行的优化方法和装置 |
WO2014101882A1 (zh) * | 2012-12-31 | 2014-07-03 | 厦门钨业股份有限公司 | 基于蒸镀处理的稀土磁铁用合金粉末的制造方法和稀土磁铁的制造方法 |
CN108038553A (zh) * | 2017-12-13 | 2018-05-15 | 科大集智数据科技(武汉)有限公司 | 轧机设备状态在线监测与诊断***及监测诊断方法 |
CN108717499A (zh) * | 2018-05-24 | 2018-10-30 | 山东钢铁股份有限公司 | 一种轧钢加热炉燃耗分析方法及*** |
CN109992921A (zh) * | 2019-04-12 | 2019-07-09 | 河北工业大学 | 一种燃煤电厂锅炉热效率的在线软测量方法及*** |
CN110330204A (zh) * | 2019-07-17 | 2019-10-15 | 安泰环境工程技术有限公司 | 一种用于轧钢油泥处理的热解炭化装置及方法 |
WO2019237440A1 (zh) * | 2018-06-12 | 2019-12-19 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN111482467A (zh) * | 2020-04-15 | 2020-08-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧机参数管理方法 |
CN111639801A (zh) * | 2020-05-28 | 2020-09-08 | 江苏省沙钢钢铁研究院有限公司 | 高炉炉况的评分方法及*** |
CN111898794A (zh) * | 2020-06-10 | 2020-11-06 | 山东科技大学 | 一种大型燃煤锅炉热效率的异常监测方法 |
CN111898669A (zh) * | 2020-07-24 | 2020-11-06 | 大连重工机电设备成套有限公司 | 一种基于机器学习的直流矿热炉异常事件预警*** |
-
2020
- 2020-11-16 CN CN202011278733.3A patent/CN112348101B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1165269A (zh) * | 1996-12-04 | 1997-11-19 | 徐建中 | 一种燃烧器 |
JP2004324548A (ja) * | 2003-04-25 | 2004-11-18 | Mitsubishi Heavy Ind Ltd | 機器の異常監視装置及びガスタービンの異常監視装置及びガスタービン設備及び複合発電設備 |
JP2007192138A (ja) * | 2006-01-19 | 2007-08-02 | Mitsubishi Heavy Ind Ltd | ガスタービンにおける異常監視方法及び装置 |
WO2014101882A1 (zh) * | 2012-12-31 | 2014-07-03 | 厦门钨业股份有限公司 | 基于蒸镀处理的稀土磁铁用合金粉末的制造方法和稀土磁铁的制造方法 |
CN103268066A (zh) * | 2013-03-28 | 2013-08-28 | 广东电网公司电力科学研究院 | 一种电站锅炉运行的优化方法和装置 |
CN108038553A (zh) * | 2017-12-13 | 2018-05-15 | 科大集智数据科技(武汉)有限公司 | 轧机设备状态在线监测与诊断***及监测诊断方法 |
CN108717499A (zh) * | 2018-05-24 | 2018-10-30 | 山东钢铁股份有限公司 | 一种轧钢加热炉燃耗分析方法及*** |
WO2019237440A1 (zh) * | 2018-06-12 | 2019-12-19 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
CN109992921A (zh) * | 2019-04-12 | 2019-07-09 | 河北工业大学 | 一种燃煤电厂锅炉热效率的在线软测量方法及*** |
CN110330204A (zh) * | 2019-07-17 | 2019-10-15 | 安泰环境工程技术有限公司 | 一种用于轧钢油泥处理的热解炭化装置及方法 |
CN111482467A (zh) * | 2020-04-15 | 2020-08-04 | 中冶赛迪重庆信息技术有限公司 | 一种轧机参数管理方法 |
CN111639801A (zh) * | 2020-05-28 | 2020-09-08 | 江苏省沙钢钢铁研究院有限公司 | 高炉炉况的评分方法及*** |
CN111898794A (zh) * | 2020-06-10 | 2020-11-06 | 山东科技大学 | 一种大型燃煤锅炉热效率的异常监测方法 |
CN111898669A (zh) * | 2020-07-24 | 2020-11-06 | 大连重工机电设备成套有限公司 | 一种基于机器学习的直流矿热炉异常事件预警*** |
Non-Patent Citations (5)
Title |
---|
SHAOBO JI 等: ""Influence of operation management on fuel consumption of coach fleet"", 《 ENERGY》 * |
刘方方: ""高耗能设备能耗异常的在线预警模型研究"", 《中国硕士学位论文全文数据库 信息科技辑》 * |
尹浪 等: ""M310型压水堆核电厂延伸运行专项研究"", 《科技创新导报》 * |
朱利: ""首秦经济炼铁技术的相关基础研究"", 《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
肖祥武 等: "基于大数据平台和并行随机森林算法的能耗预测模型优化", 《华电技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094557A (zh) * | 2021-04-02 | 2021-07-09 | 中冶赛迪重庆信息技术有限公司 | 一种轧机数据关联方法及*** |
CN113094557B (zh) * | 2021-04-02 | 2023-04-21 | 中冶赛迪信息技术(重庆)有限公司 | 一种轧机数据关联方法及*** |
CN113569970A (zh) * | 2021-07-27 | 2021-10-29 | 中冶赛迪重庆信息技术有限公司 | 量化特征指标对标签影响的分析方法、***、介质和终端 |
CN113569970B (zh) * | 2021-07-27 | 2024-05-03 | 中冶赛迪信息技术(重庆)有限公司 | 量化特征指标对标签影响的分析方法、***、介质和终端 |
CN113792090A (zh) * | 2021-09-17 | 2021-12-14 | 中冶赛迪重庆信息技术有限公司 | 一种轧钢数据监控方法、***、介质及电子终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112348101B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348101B (zh) | 一种基于异常数据分析的轧钢燃耗预警方法及*** | |
CN112034789B (zh) | 一种数控机床关键部件及整机的健康评估方法,***及评估终端机 | |
CN110245802B (zh) | 基于改进梯度提升决策树的卷烟空头率预测方法及*** | |
JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
CN112036085B (zh) | 一种轧钢燃耗参数推荐方法、***、介质及终端 | |
CN112270129B (zh) | 一种基于大数据分析的植物长势预测方法 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及*** | |
CN113298288A (zh) | 一种融合时间序列和神经网络的供电所运维成本预测方法 | |
CN111932024A (zh) | 一种能源负荷预测方法、装置、计算机设备及存储介质 | |
CN115115213A (zh) | 一种钢铁产品质量特性的追溯分析方法及装置 | |
CN113343361A (zh) | 车身尺寸智能监控方法、装置、设备及存储介质 | |
CN111177495A (zh) | 一种智能识别数据内容并生成相应行业报告的方法 | |
CN112845610B (zh) | 一种轧钢电耗参数推荐方法及*** | |
CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及*** | |
CN113569970B (zh) | 量化特征指标对标签影响的分析方法、***、介质和终端 | |
CN117034197A (zh) | 基于多维Isolate-Detect多变点检测的企业用电典型模式分析方法 | |
CN108363738B (zh) | 一种工业设备数据分析算法的推荐方法 | |
CN113625669B (zh) | 产品质量预测方法以及*** | |
CN115145903A (zh) | 一种基于生产过程的数据插补方法 | |
CN112783872A (zh) | 一种基于工业大数据的设备优化模型构建方法 | |
CN117314202B (zh) | 一种基于工业互联网的产品碳效监测及优化方法及*** | |
CN116595889B (zh) | 基于peek材料的薄型筋体均布结构加工方法及*** | |
CN117435580B (zh) | 一种数据库参数筛选方法及相关设备 | |
CN117111461A (zh) | 模型的构建方法、***和控制参数推荐方法、*** | |
Zhang et al. | Research on full-process product defect traceability analysis technology based on workshop big data |
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 | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |