CN113241129A - 一种基于lstm深度循环神经网络的pvc水分含量的预测方法 - Google Patents

一种基于lstm深度循环神经网络的pvc水分含量的预测方法 Download PDF

Info

Publication number
CN113241129A
CN113241129A CN202110538224.8A CN202110538224A CN113241129A CN 113241129 A CN113241129 A CN 113241129A CN 202110538224 A CN202110538224 A CN 202110538224A CN 113241129 A CN113241129 A CN 113241129A
Authority
CN
China
Prior art keywords
pvc
data
neural network
moisture content
parameter
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.)
Pending
Application number
CN202110538224.8A
Other languages
English (en)
Inventor
李明党
康瑞龙
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.)
Beijing Heroopsys Technology Co ltd
Original Assignee
Beijing Heroopsys Technology Co ltd
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 Beijing Heroopsys Technology Co ltd filed Critical Beijing Heroopsys Technology Co ltd
Priority to CN202110538224.8A priority Critical patent/CN113241129A/zh
Publication of CN113241129A publication Critical patent/CN113241129A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Drying Of Solid Materials (AREA)

Abstract

本发明通过采集PVC干燥***运行数据，并对采集到的历史数据预处理后进行排序和重采样，得到运行参数矩阵，然后根据LSTM模型的数据格式要求，对干燥运行参数矩阵进行重组得到样本集，随机选取样本集中样本量80%的样本作为训练数据集，剩余20%作为验证数据集，并以训练数据集、验证数据集为输入，构建基于LSTM深度循环神经网络的初始PVC水分含量预测模型；对基于LSTM深度循环神经网络的PVC水分含量预测模型中超参数进行优化，以优化后的超参数作为控制量，对LSTM深度循环神经网络PVC水分含量预测模型进行训练，得到PVC水分动态预测模型；输入PVC干燥***实时运行数据，得到PVC水分含量预测值。

Description

一种基于LSTM深度循环神经网络的PVC水分含量的预测方法
技术领域
本发明涉及氯碱化工技术领域，尤其是涉及一种基于LSTM深度循环神经网络的PVC水分含量的预测方法。
背景技术
聚氯乙烯（Polyvinyl chloride)，英文简称PVC，是氯乙烯单体（VCM）在过氧化物、偶氮化合物等引发剂或在光、热作用下按自由基聚合反应机理聚合而成的聚合物。
聚氯乙烯为是一种热敏性、多孔性的无定形结构的白色粉末，由于其孔隙结构，聚氯乙烯往往会吸附一定的水分。聚氯乙烯水分含量过高会导致结块，长时间还可能导致其霉变，这不仅影响产品外观颜色，而且也会给后续加工带来诸多困难；水分含量过低会导致产品外观颜色发黄，产品杂质含量升高，从而影响产品品质。因此，聚氯乙烯的水分含量成为了生产厂家关注的重要工艺指标之一。一般地，聚氯乙烯生产过程中，其合格品挥发物（主要含水分）含量工艺要求不高于0.5%；进一步一等品或优等品挥发物含量要求不高于0.4%。因此，聚氯乙烯干燥是影响产品质量的关键工序之一。
生产过程中，从聚合釜排出的PVC浆料含水量约为80%，经离心机分大部分水分后得到的湿PVC含水量约为20%~25%，再经由输送器送入干燥***，与干燥热空气充分接触，湿物料表面水分被空气气化带走、内部水分与PVC分离，从而达到干燥的目的。
影响PVC干燥的因素有很多，各因素对最终的水分含量响应不一，各因素之间相互耦合，干燥***纯滞后大。现有生产过程中，操作人员/自控***是通过人工经验或传统控制方法将PVC水分含量控制在一个相对“可控”范围，产品含水量波动较大、产品质量难以保障、负荷变化频繁不能最大化生产设备效率。因此PVC水分准确预测对于指导实际生产、改善自动控制效果、保障PVC质量品质、提升生产设备效率、增加生产厂家收益来说意义重大。
发明内容
本发明的目的在于提供一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，克服了PVC干燥***高耦合、大滞后的特性，能够建立适用性强、预测精度高的预测模型。
本发明提供一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，包括如下步骤：
S1：从DCS***采集PVC干燥***运行数据并存入历史数据库中， 其中运行数据的采集周期为1秒。
S2：对所有历史数据进行预处理，依据数据的采集时间进行数据排序和异常值的剔除，重采样，完成PVC干燥运行参数矩阵，然后根据LSTM模型的数据格式要求，对PVC干燥运行参数矩阵进行重组，完成样本集。
S3：随机选取样本集中样本量80%的样本作为训练数据集，剩余20%作为验证数据集，并以训练数据集、验证数据集为输入，构建基于LSTM深度循环神经网络的初始PVC水分含量预测模型。
S4：对基于LSTM深度循环神经网络的PVC水分含量预测模型中超参数进行优化，以优化后的超参数作为控制量，对LSTM深度循环神经网络PVC水分含量预测模型进行训练，得到PVC水分含量动态预测模型。
S5：将PVC干燥***实时运行数据，按PVC水分含量动态预测模型规格整理后，动态输入步骤S4得到的PVC水分含量预测模型中，得到PVC水分含量预测值。
本发明的特点还在于：
进一步地，步骤S1具体包括：
S11：根据预置的PVC水分含量预测模型的输入变量，从DCS***中实时获取与之相对应的PVC干燥***运行参数数据。
进一步地，步骤S2具体包括：
S21：对历史数据中异常值进行去除操作，若PVC干燥***行向量中某位置为空，则删除该行数据。
S22：对经过S21步骤后的历史数据进行重采样，即将秒级数据按均值形式转换成分钟级数据，形成以分钟为单位的新的历史数据，。
S23：对经过S22步骤后的历史数据进行标准化计算，得到PVC干燥***参数标准化 矩阵
Figure 744774DEST_PATH_IMAGE001
，其中，标准化转换的计算公式为：
Figure 706914DEST_PATH_IMAGE002
其中，
Figure 335341DEST_PATH_IMAGE003
代表PVC干燥***参数矩阵X中第i行第k列的PVC干燥运行数据，
Figure 699326DEST_PATH_IMAGE004
代表PVC干燥***参数矩阵X中
Figure 122217DEST_PATH_IMAGE005
归一化后的PVC干燥***运行数据，
Figure 571653DEST_PATH_IMAGE006
为PVC干燥系 统参数矩阵X第k列的PVC干燥***运行数据的均值，
Figure 3772DEST_PATH_IMAGE007
为PVC干燥***参数矩阵X中第k列 的PVC干燥***运行数据的方差，
Figure 956684DEST_PATH_IMAGE008
为非零常数。
S24：根据LSTM模型的数据格式要求，对PVC干燥***参数进行数据重组，得到模型 参数矩阵
Figure 816056DEST_PATH_IMAGE009
，其中，模型参数矩阵
Figure 487208DEST_PATH_IMAGE009
为：
Figure 728877DEST_PATH_IMAGE010
其中，T基于LSTM深度循环神经网络的PVC水分初始预测模型的超参数中的时间步 数，
Figure 739558DEST_PATH_IMAGE011
代表在
Figure 769831DEST_PATH_IMAGE012
时刻得到的PVC干燥***归一化矩阵
Figure 928280DEST_PATH_IMAGE013
数据，其中参数
Figure 702201DEST_PATH_IMAGE014
的 取值范围为
Figure 629706DEST_PATH_IMAGE015
，
Figure 830880DEST_PATH_IMAGE016
为LSTM模型的输出参数，代表t时刻PVC水分百分比含量。
进一步地，步骤S3具体包括：
S31：以训练数据集、验证数据集作为模型输入，建立LSTM深度循环神经网络模型，设定模型输入特征大小、网络层数、每层神经元个数、正则化参数、输出特征大小、网络迭代次数、优化方法，得到基于LSTM深度循环神经网络的PVC水分含量预测初始模型。
进一步地，步骤S4具体包括：
S41：超参数优化子单元，用于初始化基于LSTM深度循环神经网络的PVC水分含量预测模型中的超参数，然后对其进行优化，得到优化后的超参数。
S42：模型训练子单元，用于以优化后的超参数作为控制量，对基于LSTM深度循环神经网络的PVC水分含量预测模型进行训练，得到基于LSTM深度循环神经网络的PVC水分含量预测模型。
进一步地，步骤S5具体包括：
S51：对PVC干燥***实时参数数据按照步骤S2的方式进行整理，得到输入变量。
S52：将步骤S51得到的输入变量输入步骤S42得到的基于LSTM深度循环神经网络的PVC水分含量预测模型中，得到PVC水分含量预测值。
从以上技术方案可以看出，本发明具有如下优点：
本发明通过PVC干燥***的历史运行数据，构建基于LSTM深度循环神经网络的PVC水分含量预测模型，并利用LSTM深度循环神经网络的序列依赖问题处理能力，克服了PVC干燥***高耦合、大滞后的特性，能够在很大程度上忽略工况频繁变化、***参数相互耦合、***纯滞后大等干扰因素对PVC水分含量预测精度的影响。
本发明还具有方法简单、适应性强、预测精度高的特点，为改善自动控制效果、保障PVC质量品质、提升生产设备效率、增加生产厂家收益提供坚实保障的优点。
附图说明
为了更清楚地说明本发明实施例，将对实施例中所需使用的附图做简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的一种基于LSTM深度循环神经网络的PVC水分含量的预测方法的一个实施例的流程示意图。
具体实施方式
本发明实施例提供 一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，用于克服PVC干燥***高耦合、大滞后特性，建立适用性强、预测精准的PVC水分含量预测。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供了一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，包括：
101：从DCS***采集PVC干燥运行数据存入历史数据库中；
需要说明的是，首先确定建模所需的建模输入变量，具体地，根据PVC干燥***运行的基本原理，输入变量包括进床风量、离心机电流、离心机进料扭矩、总蒸汽阀开度、热风蒸汽总阀开度、进床蒸汽阀开度、进床蒸汽压力、床顶部压力、床顶部温度、床底部压力、床底部温度，然后根据确定的建模输入变量，通过数据采集方式，从DCS***中获取PVC干燥***运行数据；
其中运行数据的采集周期为1秒。
102：对存入历史数据库中的所有历史数据进行预处理，包括依据数据的采集时间进行数据排序、异常值的剔除和重采样，完成PVC干燥运行参数矩阵。然后根据LSTM模型的数据格式要求，对PVC干燥运行参数矩阵进行重组，完成样本集；
第一，所有历史数据按照时间顺序排序，得到历史数据表；
第二，对历史数据表中的异常值进行去除操作，若PVC干燥***行向量中某位置为空，则删除该行数据；
第三，去除异常值的数据表按照时间变量对数据进行重采样，将秒级数据转化为分钟级数据，转换后的参数值为该参数在一分钟内的均值，并以矩阵的形式存储，其中PVC干燥***每一时刻的运行数据作为矩阵的行向量，PVC干燥***每一条运行属性的值作为该矩阵的列向量，得到PVC干燥***参数矩阵X。
103：对PVC干燥***参数矩阵 X中的运行数据进行标准化计算，得到PVC干燥*** 参数标准化矩阵
Figure 476625DEST_PATH_IMAGE001
；
需要说明的是，标准化计算的计算公式为：
Figure 788658DEST_PATH_IMAGE017
其中，
Figure 836248DEST_PATH_IMAGE003
代表PVC干燥***参数矩阵X中第i行第k列的PVC干燥***运行数据，
Figure 208324DEST_PATH_IMAGE004
代表PVC干燥***参数矩阵X中
Figure 279048DEST_PATH_IMAGE005
归一化后的PVC干燥***运行数据，
Figure 394771DEST_PATH_IMAGE006
为PVC干 燥***参数矩阵X第k列的PVC干燥***运行数据的均值，
Figure 296868DEST_PATH_IMAGE007
为PVC干燥***参数矩阵X中 第k列的PVC干燥***运行数据的方差，
Figure 839845DEST_PATH_IMAGE008
为非零常数。
104：根据LSTM模型的数据格式要求，对PVC干燥***参数进行数据重组，得到模型 参数矩阵
Figure 194603DEST_PATH_IMAGE009
,并以模型参数矩阵
Figure 114017DEST_PATH_IMAGE009
为变量，构建基于LSTM深度循环神经网络的水分含量 预测模型；
需要说明的是，其中，模型参数矩阵
Figure 870621DEST_PATH_IMAGE009
为：
Figure 522182DEST_PATH_IMAGE010
其中，T基于LSTM深度循环神经网络的PVC水分初始预测模型的超参数中的时间步 数，
Figure 623956DEST_PATH_IMAGE011
代表在
Figure 81482DEST_PATH_IMAGE018
时刻得到的PVC干燥***归一化矩阵
Figure 692592DEST_PATH_IMAGE013
数据，其中参数
Figure 842951DEST_PATH_IMAGE014
的 取值范围为
Figure 172301DEST_PATH_IMAGE015
，
Figure 371201DEST_PATH_IMAGE016
为LSTM模型的输出参数，代表t时刻PVC水分百分比含量。
105：初始化基于LSTM深度循环神经网络的PVC水分含量预测模型中的超参数，然后对模型中的超参数进行优化，得到优化后的超参数；
需要说明的是，首先对需要优化的超参数进行初始化；通过改变超参数的值，根据 训练效果及模型在验证数据集损失判断当前参数是否为最优值；在进行超参数优化时，首 先对超参数T进行优化，得到最优T之后以相同的优化方式对超参数中的batch-size进行优 化；最后对超参数
Figure 836817DEST_PATH_IMAGE019
学习率进行优化；
另外，超参数T= 15，batch-size = 256,
Figure 220394DEST_PATH_IMAGE019
= 0.0004, 此处提供的超参数初始 化值仅作为参考值，可根据实际需求进行调整，在此处不作限定。
106：以优化后的超参数作为训练控制量，对LSTM深度循环神经网络PVC水分含量预测模型进行训练，得到PVC水分含量动态预测模型；
需要说明的是，采用优化后的超参数对模型进行训练，得到最终的PVC水分含量动态预测模型。
107：将PVC干燥***实时运行数据按PVC水分动态预测模型规格整理后动态输入基于LSTM深度循环神经网络的PVC水分含量预测模型中，得到PVC水分含量预测值；
需要说明的是，整理实时数据采用的方法同102~105中提到的实施步骤，得到输入变量；然后将输入变量输入至预测模型，得到的PVC水分含量预测值。
本发明实施例提供了一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，通过PVC干燥***的历史运行数据构建基于LSTM深度循环神经网络的PVC水分含量预测模型，并利用LSTM深度循环神经网络的序列依赖问题处理能力，克服了PVC干燥***高耦合、大滞后的特性，能够在很大程度上忽略工况频繁变化、***参数相互耦合、***纯滞后大等干扰因素对PVC水分含量预测精度的影响。

Claims (8)

1.一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，其特征在于，包括：
S1：从DCS***采集PVC干燥运行数据存入历史数据库中；
S2：对所有历史数据进行预处理，根据数据的采集时间，对干燥***运行数据进行排序和重采样，得到运行参数矩阵，然后根据LSTM算法的数据格式要求，对干燥运行参数矩阵进行重组，得到样本集；
S3：随机选取样本集中样本量80%的样本作为训练数据集，剩余20%作为验证数据集，并以训练数据集、验证数据集为输入，构建LSTM深度循环神经网络初始PVC水分含量预测模型；
S4：对LSTM深度循环神经网络PVC水分含量预测模型中超参数进行优化，以优化后的超参数作为控制量，对LSTM深度循环神经网络PVC水分含量预测模型进行训练，得到PVC水分动态预测模型；
S5：将PVC干燥实时运行数据按PVC水分动态预测模型规格整理后动态输入步骤4得到的PVC水分含量预测模型中，得到PVC水分含量预测值。
2.根据权利要求1所述的一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，其特征在于步骤S1采集的运行数据，包括确定建模所需的全部建模输入变量的运行数据，包括进床风量、离心机电流、离心机进料扭矩、总蒸汽阀开度、热风蒸汽总阀开度、进床蒸汽阀开度、进床蒸汽压力、床顶部压力、床顶部温度、床底部压力、床底部温度。
3.根据权利要求1所述的一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，其特征在于步骤S2所形成的PVC干燥***运行参数矩阵，其行向量是重采样将秒级数据转化而来的分钟级数据，是该参数在一分钟内的均值。
4.根据权利要求1所述的一种基于LSTM深度循环神经网络的PVC水分含量的预测方法， 其特征在于步骤S2所形成的PVC干燥运行参数矩阵，进一步经过标准化计算形成得到PVC干 燥***参数标准化矩阵
Figure 914345DEST_PATH_IMAGE001
，其中，标准化转换的计算公式为：
Figure 713673DEST_PATH_IMAGE002
其中，
Figure 299375DEST_PATH_IMAGE003
代表PVC干燥***参数矩阵X中第i行第k列的PVC干燥运行数据，
Figure 791537DEST_PATH_IMAGE004
代表 PVC干燥***参数矩阵X中
Figure 829900DEST_PATH_IMAGE005
归一化后的PVC干燥***运行数据，
Figure 432920DEST_PATH_IMAGE006
为PVC干燥***参 数矩阵X第k列的PVC干燥***运行数据的均值，
Figure 138707DEST_PATH_IMAGE007
为PVC干燥***参数矩阵X中第k列的 PVC干燥***运行数据的方差，
Figure 536191DEST_PATH_IMAGE008
为非零常数。
5.根据权利要求1所述的一种基于LSTM深度循环神经网络的PVC水分含量的预测方法， 其特征在于步骤S2，进一步根据LSTM模型的数据格式要求，对PVC干燥***参数进行数据重 组，得到模型参数矩阵
Figure 389746DEST_PATH_IMAGE009
，其中，模型参数矩阵
Figure 530877DEST_PATH_IMAGE009
为：
Figure 91172DEST_PATH_IMAGE010
其中，T基于LSTM深度循环神经网络的PVC水分初始预测模型的超参数中的时间步数，
Figure 659556DEST_PATH_IMAGE011
代表在
Figure 938091DEST_PATH_IMAGE012
时刻得到的PVC干燥***归一化矩阵
Figure 882913DEST_PATH_IMAGE013
数据，其中参数
Figure 291855DEST_PATH_IMAGE014
的取 值范围为
Figure 359037DEST_PATH_IMAGE015
，
Figure 859288DEST_PATH_IMAGE016
为LSTM模型的输出参数，代表t时刻PVC水分百分比含量。
6.根据权利要求1所述的一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，其特征在于步骤S3，具体包括：
S31：以训练数据集、验证数据集作为模型输入，建立LSTM深度循环神经网络模型，设定模型输入特征大小、网络层数、每层神经元个数、正则化参数、输出特征大小、网络迭代次数、优化方法，得到基于LSTM深度循环神经网络的PVC水分含量预测初始模型。
7.根据权利要求1所述的一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，其特征在于步骤S4，具体包括：
S41：超参数优化子单元，用于初始化基于LSTM深度循环神经网络的PVC水分含量预测模型中的超参数，然后对其进行优化，得到优化后的超参数；
S42：模型训练子单元，用于以优化后的超参数作为训练控制量，对基于LSTM深度循环神经网络的PVC水分含量预测模型进行训练，得到基于LSTM深度循环神经网络的PVC水分含量预测模型。
8.根据权利要求1所述的一种基于LSTM深度循环神经网络的PVC水分含量的预测方法，其特征在于步骤S5，具体包括：
S51：对PVC干燥***实时参数数据按照步骤S2的方式进行整理，得到输入变量；
S52：将步骤S51得到的输入变量输入步骤S42得到的基于LSTM深度循环神经网络的PVC水分含量预测模型中，得到PVC水分含量预测值。
CN202110538224.8A 2021-05-18 2021-05-18 一种基于lstm深度循环神经网络的pvc水分含量的预测方法 Pending CN113241129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110538224.8A CN113241129A (zh) 2021-05-18 2021-05-18 一种基于lstm深度循环神经网络的pvc水分含量的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110538224.8A CN113241129A (zh) 2021-05-18 2021-05-18 一种基于lstm深度循环神经网络的pvc水分含量的预测方法

Publications (1)

Publication Number Publication Date
CN113241129A true CN113241129A (zh) 2021-08-10

Family

ID=77135031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110538224.8A Pending CN113241129A (zh) 2021-05-18 2021-05-18 一种基于lstm深度循环神经网络的pvc水分含量的预测方法

Country Status (1)

Country Link
CN (1) CN113241129A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881207A (zh) * 2022-04-26 2022-08-09 北京和隆优化科技股份有限公司 基于lstm深度循环神经网络的蒸汽压力预测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165789A (zh) * 2018-09-04 2019-01-08 广东电网有限责任公司 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
CN110926200A (zh) * 2019-12-16 2020-03-27 内蒙古君正化工有限责任公司 一种蒸汽干燥装置控制方法、***与应用
CN111192163A (zh) * 2019-12-23 2020-05-22 明阳智慧能源集团股份公司 基于风电机组运行数据的发电机可靠度中短期预测方法
CN111667889A (zh) * 2020-07-20 2020-09-15 山东中医药大学 一种预测丹参中质量标志物含量的方法
US20210340301A1 (en) * 2019-09-18 2021-11-04 Lg Chem, Ltd. Method for Preparing Super Absorbent Polymer

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165789A (zh) * 2018-09-04 2019-01-08 广东电网有限责任公司 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
US20210340301A1 (en) * 2019-09-18 2021-11-04 Lg Chem, Ltd. Method for Preparing Super Absorbent Polymer
CN110926200A (zh) * 2019-12-16 2020-03-27 内蒙古君正化工有限责任公司 一种蒸汽干燥装置控制方法、***与应用
CN111192163A (zh) * 2019-12-23 2020-05-22 明阳智慧能源集团股份公司 基于风电机组运行数据的发电机可靠度中短期预测方法
CN111667889A (zh) * 2020-07-20 2020-09-15 山东中医药大学 一种预测丹参中质量标志物含量的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方黄峰等: "基于LSTM神经网络的流化床干燥器内生物质颗粒湿度预测", 化工学报, vol. 71, no. 1, 31 December 2020 (2020-12-31), pages 307 - 314 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881207A (zh) * 2022-04-26 2022-08-09 北京和隆优化科技股份有限公司 基于lstm深度循环神经网络的蒸汽压力预测方法及装置

Similar Documents

Publication Publication Date Title
CN106406083A (zh) 一种模糊控制选煤方法
Yuzgec et al. Dynamic neural-network-based model-predictive control of an industrial baker's yeast drying process
CN111045326A (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及***
CN100595701C (zh) 基于不确定颜色模型的鲁棒多变量预测控制方法
CN110264079B (zh) 基于CNN算法和Lasso回归模型的热轧产品质量预测方法
CN113241129A (zh) 一种基于lstm深度循环神经网络的pvc水分含量的预测方法
CN112486111B (zh) 一种基于数据分析的食用油碱炼工艺智能调节方法
CN107403196B (zh) 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法
CN112597430B (zh) 一种用于复杂精馏塔的操作参数优化方法
CN115689353A (zh) 基于gs-svm算法的水电站调速***健康评估方法
CN114403486B (zh) 基于局部峰值编码循环网络的气流式烘丝机智能控制方法
CN110245398B (zh) 空气预热器转子热变形量的软测量深度学习方法
CN106292296B (zh) 基于ga‑svm的水岛加药在线控制方法和装置
CN113075883B (zh) 一种制水业中混凝投药优化方法
CN116611349B (zh) 基于神经网络的滚筒烘丝工艺参数优化方法及***
CN114358116A (zh) 油浸式变压器故障诊断方法、***及可读存储介质
CN110910528B (zh) 纸页抗张强度的预测方法及装置
CN117348558A (zh) 基于大数据分析的压滤生产闭环建模和优化控制方法
CN112464554A (zh) 一种汽油精制设备的操作参数优化方法
Soares et al. Design and application of soft sensor using ensemble methods
CN115375009B (zh) 一种建立混凝智能监控联动***的方法
CN103370666B (zh) 用于生成指数以量化连续过程的操作转变效能的***和方法
CN112949183A (zh) 一种水泥生料立磨***异常工况检测***及方法
CN115458078A (zh) 一种基于多工况分布式输出过程补偿宽度迁移建模方法
Phatwong et al. Kappa number prediction of pulp digester using LSTM neural network

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