CN115060625A - 浆液密度的获取方法、装置、电子设备及存储介质 - Google Patents
浆液密度的获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115060625A CN115060625A CN202210557059.5A CN202210557059A CN115060625A CN 115060625 A CN115060625 A CN 115060625A CN 202210557059 A CN202210557059 A CN 202210557059A CN 115060625 A CN115060625 A CN 115060625A
- Authority
- CN
- China
- Prior art keywords
- training
- preset
- model
- control parameter
- population
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/36—Analysing materials by measuring the density or specific gravity, e.g. determining quantity of moisture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Feedback Control In General (AREA)
Abstract
本公开涉及一种浆液密度的获取方法、装置、电子设备及存储介质,涉及火力发电领域。首先根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型,然后获取生成石灰石浆液的目标控制参数的目标控制参数值,最后将所述目标控制参数值输入所述密度测量模型,以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。避免相关技术中采用密度计直接获取浆液密度时密度计容易因为磨损导致测量结果不准确的问题,而采用与浆液密度相关的稳定测量获得的目标控制参数值获取浆液密度,降低了密度计定期更换维修的成本,提高了浆液密度结果的准确性,有利于提高烟气脱硫的效果。
Description
技术领域
本公开涉及火力发电领域,尤其涉及一种浆液密度的获取方法、装置、电子设备及存储介质。
背景技术
在火力发电领域中,石灰石-石膏法脱硫是目前最成熟、应用范围最广的烟气脱硫技术,通过浆液制备***得到的石灰石浆液的品质对脱硫效果有较大的影响,因此准确测量石灰石浆液的浆液密度十分重要。
目前,火电厂多采用密度计对浆液密度进行测量,密度计多为探头管道式安装结构,由于浆液粘度大,密度计的探头容易受到浆液的冲刷磨损,导致浆液密度的测量结果存在误差。
发明内容
为克服相关技术中存在的问题,本公开提供一种浆液密度的获取方法、装置、电子设备及存储介质。
根据本公开实施例的第一方面,提供一种浆液密度的获取方法,所述方法包括:
根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型,所述鲸鱼优化算法的种群成员的元素为所述密度测量模型的模型参数,所述鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到,所述预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值,每个所述训练控制参数组包括多个训练控制参数,所述训练输出参数包括所述浆液密度;
获取生成石灰石浆液的目标控制参数的目标控制参数值;
将所述目标控制参数值输入所述密度测量模型,以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。
可选地,所述密度测量模型为神经网络模型,所述根据所述预设训练样本通过鲸鱼优化算法训练得到密度测量模型包括:
根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优化算法参数,所述鲸鱼优化算法参数包括所述种群成员的元素、每个元素值的预设元素值阈值和鲸鱼种群规模;
根据所述鲸鱼优化算法参数和预设的混沌映射参数通过所述Logistic混沌映射获取所述鲸鱼优化算法的每个种群成员的当前元素值,所述混沌映射参数包括混沌映射系数;
根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及所述预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值,将得到的所述目标神经网络模型作为所述密度测量模型。
可选地,所述根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优化算法参数包括:
将所述训练控制参数作为所述预设神经网络模型的输入节点,将所述浆液密度作为所述预设神经网络模型的输出节点,根据所述输入节点、所述输出节点以及所述预设神经网络模型的隐含神经元确定所述预设神经网络模型的模型参数,将所述模型参数作为所述种群成员的元素,所述模型参数包括第一连接权值、所述隐含神经元的第一阈值、第二连接权值以及所述输出节点的第二阈值,所述第一连接权值表征所述输入节点和所述隐含神经元之间的权值,所述第二连接权值表征所述隐含神经元和所述输出节点之间的权值;
根据预设的每个所述模型参数的模型参数值范围确定每个元素的所述元素值范围;
根据所述模型参数值的个数和模型训练的期望时间确定所述鲸鱼种群规模。
可选地,所述根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值,将得到的所述目标神经网络模型作为所述密度测量模型包括:
根据所述预设训练样本获取每一个种群成员的适应度值,所述适应度值为预测输出参数值和对应的所述训练输出参数值的均方差,所述预测输出参数值根据每个所述训练控制参数组的所述训练控制参数值和所述种群成员的当前元素值通过所述预设神经网络模型获得;
根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值,所述目标种群成员为所述种群中适应度值最小的种群成员;
根据所述鲸鱼优化算法参数采取所述鲸鱼优化算法完成对所述目标元素值的包围、捕食和搜索,以更新所述每一个种群成员的当前元素值,重复根据所述预设训练样本获取每一个种群成员的适应度值和根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值的步骤,以使得在满足预设的结束条件时获取所述种群中适应度值最小的最优种群成员对应的最优元素值,将所述最优元素值作为所述预设神经网络模型的所述目标模型参数值,将得到的所述目标神经网络模型作为所述密度测量模型。
可选地,所述预设的结束条件包括所述最优种群成员对应的适应度值小于或者等于预设的适应度值阈值,和\或,训练次数大于或者等于预设的训练次数阈值。
可选地,所述方法还包括:
获取所述石灰石浆液的多组历史数据,所述历史数据包括多个备选控制参数组的备选控制参数值和对应的输出参数的输出参数值,每个所述备选控制参数组包括所述石灰石浆液的多个备选控制参数,所述输出参数包括所述浆液密度;
根据所述多组历史数据采用灰色关联度法从所述多个备选控制参数中确定所述目标控制参数;
根据所述目标控制参数从所述多组历史数据中获取所述预设训练样本。
可选地,所述根据所述多组历史数据采用灰色关联度法从所述多个备选控制参数中确定所述目标控制参数包括:
根据所述历史数据获取每个所述备选控制参数的所述备选控制参数值和对应的所述输出参数值的灰色关联度;
根据所述灰色关联度和预设的灰色关联度阈值从多个所述备选控制参数中确定所述目标控制参数,所述目标控制参数的灰色关联度大于或者等于预设的灰色关联度阈值。
可选地,所述方法还包括:
在获取所述石灰石浆液的多组历史数据之后,根据预设的多个控制参数值范围从所述多组历史数据中删除异常历史数据,所述异常历史数据表征所述备选控制参数组中任一所述备选控制参数的备选控制参数值超出对应的所述控制参数值范围。
可选地,所述目标控制参数和训练控制参数包括旋流站入口压力、瞬时给料量、稀释水瞬时流量和研磨水瞬时流量。
根据本公开实施例的第二方面,提供一种浆液密度的获取装置,所述装置包括:
模型训练模块,被配置为根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型,所述鲸鱼优化算法的种群成员的元素为所述密度测量模型的模型参数,所述鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到,所述预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值,每个所述训练控制参数组包括多个训练控制参数,所述训练输出参数包括所述浆液密度;
参数获取模块,被配置为获取生成石灰石浆液的目标控制参数的目标控制参数值;
结果获取模块,被配置为将所述目标控制参数值输入预先训练的密度测量模型,以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。
可选地,所述密度测量模型为神经网络模型,所述模型训练模块还被配置为:
根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优化算法参数,所述鲸鱼优化算法参数包括所述种群成员的元素、每个元素值的预设元素值阈值和鲸鱼种群规模;
根据所述鲸鱼优化算法参数和预设的混沌映射参数通过所述Logistic混沌映射获取所述鲸鱼优化算法的每个种群成员的当前元素值,所述混沌映射参数包括混沌映射系数;
根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及所述预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值,将得到的所述目标神经网络模型作为所述密度测量模型。
可选地,所述模型训练模块还被配置为:
将所述训练控制参数作为所述预设神经网络模型的输入节点,将所述浆液密度作为所述预设神经网络模型的输出节点,根据所述输入节点、所述输出节点以及所述预设神经网络模型的隐含神经元确定所述预设神经网络模型的模型参数,将所述模型参数作为所述种群成员的元素,所述模型参数包括第一连接权值、所述隐含神经元的第一阈值、第二连接权值以及所述输出节点的第二阈值,所述第一连接权值表征所述输入节点和所述隐含神经元之间的权值,所述第二连接权值表征所述隐含神经元和所述输出节点之间的权值;
根据预设的每个所述模型参数的模型参数值范围确定每个元素的所述元素值范围;
根据所述模型参数值的个数和模型训练的期望时间确定所述鲸鱼种群规模。
可选地,所述模型训练模块还被配置为:
根据所述预设训练样本获取每一个种群成员的适应度值,所述适应度值为预测输出参数值和对应的所述训练输出参数值的均方差,所述预测输出参数值根据每个所述训练控制参数组的所述训练控制参数值和所述种群成员的当前元素值通过所述预设神经网络模型获得;
根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值,所述目标种群成员为所述种群中适应度值最小的种群成员;
根据所述鲸鱼优化算法参数采取所述鲸鱼优化算法完成对所述目标元素值的包围、捕食和搜索,以更新所述每一个种群成员的当前元素值,重复根据所述预设训练样本获取每一个种群成员的适应度值和根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值的步骤,以使得在满足预设的结束条件时获取所述种群中适应度值最小的最优种群成员对应的最优元素值,将所述最优元素值作为所述预设神经网络模型的所述目标模型参数值,将得到的所述目标神经网络模型作为所述密度测量模型。
可选地,所述装置还包括训练样本获取模块,被配置为:
获取所述石灰石浆液的多组历史数据,所述历史数据包括多个备选控制参数组的备选控制参数值和对应的输出参数的输出参数值,每个所述备选控制参数组包括所述石灰石浆液的多个备选控制参数,所述输出参数包括所述浆液密度;
根据所述多组历史数据采用灰色关联度法从所述多个备选控制参数中确定所述目标控制参数;
根据所述目标控制参数从所述多组历史数据中获取所述预设训练样本。
可选地,所述训练样本获取模块,还被配置为:
根据所述历史数据获取每个所述备选控制参数的所述备选控制参数值和对应的所述输出参数值的灰色关联度;
根据所述灰色关联度和预设的灰色关联度阈值从多个所述备选控制参数中确定所述目标控制参数,所述目标控制参数的灰色关联度大于或者等于预设的灰色关联度阈值。
可选地,所述训练样本获取模块,还被配置为:
在获取所述石灰石浆液的多组历史数据之后,根据预设的多个控制参数值范围从所述多组历史数据中删除异常历史数据,所述异常历史数据表征所述备选控制参数组中任一所述备选控制参数的备选控制参数值超出对应的所述控制参数值范围。
根据本公开实施例的第三方面,提供一种电子设备,所述电子设备包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中的任一实施方式所述方法的步骤。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开首先根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型,然后获取生成石灰石浆液的目标控制参数的目标控制参数值,最后将所述目标控制参数值输入所述密度测量模型,以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。避免相关技术中采用密度计直接获取浆液密度时密度计容易因为磨损导致测量结果不准确的问题,而采用与浆液密度相关的稳定测量获得的目标控制参数值获取浆液密度,降低了密度计定期更换维修的成本,提高了浆液密度结果的准确性,有利于提高烟气脱硫的效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,但并不构成对本公开的限制。
图1是根据一示例性实施例示出的一种浆液密度的获取方法的流程图。
图2是根据一示例性实施例示出的另一种浆液密度的获取方法的流程图。
图3是根据一示例性实施例示出的又一种浆液密度的获取方法的流程图。
图4是根据一示例性实施例示出的又一种浆液密度的获取方法的流程图。
图5是根据一示例性实施例示出的一种浆液密度的获取装置的框图。
图6是根据一示例性实施例示出的另一种浆液密度的获取装置的框图。
图7是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
首先,对本公开的应用场景进行说明,本公开可以应用于火力发电领域中,石灰石-石膏法脱硫是目前火力发电厂主流的烟气脱硫技术,通过浆液制备***得到的石灰石浆液的品质对脱硫效果有较大的影响,因此准确测量石灰石浆液的浆液密度十分重要。
目前,火电厂多采用密度计对浆液密度进行测量,密度计多为探头管道式安装结构,由于浆液粘度大,密度计的探头容易受到浆液的冲刷磨损,导致浆液密度的测量结果存在误差。
发明人注意到,浆液制备***的很多控制参数,例如旋流站入口压力,瞬时给料量等与最终的浆液密度有密切的关系,所以通过这些控制参数的控制参数值基于深度学习方法可以获得准确的浆液密度,所以,本公开提供一种浆液密度的获取方法,采用与浆液密度相关的稳定测量获得的控制参数值获取浆液密度,降低了密度计定期更换维修的成本,提高了浆液密度结果的准确性,有利于提高烟气脱硫的效果。
下面结合具体实施例对本公开进行说明。
图1是根据一示例性实施例示出的一种浆液密度的获取方法的流程图,如图1所示,该方法可以包括以下步骤:
在步骤S101中,根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型。
其中,预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值,每个训练控制参数组包括多个训练控制参数,训练输出参数包括浆液密度,密度测量模型可以是基于有监督的深度学习模型,例如可以是神经网络模型,通过采用该预设训练样本进行训练得到该密度测量模型,本公开具体模型的选择不做限制。
该鲸鱼优化算法也被称为WOA(Whale Optimization Algorithm),是一种模拟鲸鱼的螺旋气泡网进食策略对预设参数进行优化的算法,可以有效克服传统神经网络模型收敛速度慢、容易陷入局部极值的问题。
在鲸鱼优化算法中,每一个鲸鱼种群可以认为是一个密度测量模型的模型参数向量的取值,为了提高初始取值的质量,使得鲸鱼种群随机遍历模型参数向量的取值空间,每个鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到。
示例地,该密度测量模型可以是神经网络模型,图2是根据一示例性实施例示出的另一种浆液密度的获取方法的流程图,如图2所示,该方法可以包括以下步骤:
在步骤S1011中,根据预设神经网络模型的模型参数确定鲸鱼优化算法的鲸鱼优化算法参数。
其中,该鲸鱼优化算法参数包括种群成员的元素、每个元素值的预设元素值阈值和鲸鱼种群规模。
在一些可能的实现方式中,通过如下步骤根据预设神经网络模型的模型参数确定鲸鱼优化算法的鲸鱼优化算法参数:
步骤1、将训练控制参数作为预设神经网络模型的输入节点,将浆液密度作为预设神经网络模型的输出节点,根据输入节点、输出节点以及预设神经网络模型的隐含神经元确定预设神经网络模型的模型参数,将模型参数作为种群成员的元素。
其中,模型参数包括第一连接权值、隐含神经元的第一阈值、第二连接权值以及输出节点的第二阈值,第一连接权值表征输入节点和隐含神经元之间的权值,第二连接权值表征隐含神经元和输出节点之间的权值。
在一些可能的实现方式中,可以通过如下的公式一确定隐含神经元的个数上限,然后以隐含神经元的上限为循环次数,构建多个神经网络,采用预设训练样本,从该多个神经网络中选取均方差最小时的隐含神经元个数,具体参考神经网络相关的技术描述,本公开不再赘述,也可以采用预设的隐含层节点数,本公开对此不做限制。
其中,Nh为隐含神经元的个数上限,m和n分别为输入节点和输出节点的个数,a一般为预设的整数,取值范围为1~10,例如,取值可以为5。
在通过上述方法确定了预设神经网络模型的隐含神经元的个数之后,可以根据输入节点个数、输出节点个数以及隐含神经元的个数通过如下的公式二确定预设神经网络模型的模型参数个数。
K=ni×nh+nh+nh×no+no (公式二)
其中,K为预设神经网络模型的模型参数个数,也就是鲸鱼优化算法中种群成员的元素个数,ni为输入节点个数,nh为隐含神经元的个数,no为输出节点个数。将预设神经网络模型的模型参数作为种群成员的元素。
示例地,当输入节点为4个,输出节点为1个,隐层神经元个数为5个时,预设神经网络模型的模型参数包括20个第一连接权值,5个第一阈值,5个第二连接权值以及1个第二阈值,该模型参数的个数为31个,即该鲸鱼种群成员中的元素数为31个。
步骤2、根据预设的每个模型参数的模型参数值范围确定每个元素的元素值范围。
示例地,根据预设的每个模型参数的模型参数值范围(例如第一连接权值的上下限、第一阈值的上下限,第二连接权值的上下限以及第二阈值的上下限)确定种族成员中对应的每个元素的元素值范围。便于在鲸鱼优化算法中确定种族成员每个元素的搜索空间。
需要说明的是,上述模型参数的模型参数值的上下限可以相同也可以不同,上下限相同表征该模型参数值得取值范围为一个预设的固定值,本公开对此不做限制。
步骤3、根据模型参数值的个数和模型训练的期望时间确定鲸鱼种群规模。
种群规模越大,在整个全局范围里面的分布越分散,搜索的空间范围越大,更容易发现全局最优解。但是种群规模越大,模型训练的时间也越长。在一些可能的实现方式中,可以根据预设神经网络模型的模型参数个数和模型训练的期望时间确定鲸鱼种群的规模,具体请参考相关技术中关于鲸鱼种群规模确定的相关描述。
在另一可能的实现方式中,也可以将预设鲸鱼种群规模作为该鲸鱼种群规模,例如,该预设鲸鱼种群规模可以为30,本公开对此不做限制。
在步骤S1012中,根据鲸鱼优化算法参数和预设的混沌映射参数通过Logistic混沌映射获取鲸鱼优化算法的每个种群成员的当前元素值。
其中,混沌映射参数包括混沌映射系数。
在一些可能的实现方式中,鲸鱼优化算法的每个种群成员的当前元素值可以通过如下的步骤确定。
首先,根据如下的公式三获取每个种群成员每个元素的混沌映射系数。
Xi,j+1=Xi,j×μ×(1-Xi,j) (公式三)
其中,Xi,j为第j个种群成员中第i个元素的混沌映射系数,Xi,1为随机生成的取值范围为(0,1)的随机数,μ为混沌系数,为预设的常数,例如可以为4,j的取值范围为[1,N-1],其中N为种群规模即种群成员的个数,i的取值范围为[1,K],其中K为种群成员中元素的个数。
然后,根据混沌映射系数和如下的公式四获取每个种群成员中每个元素的当前元素值。
Yi,j=Xi,j×(Ui-Li)+Li (公式四)
其中,Xi,j为第j个种群成员中第i个元素的混沌映射系数,Yi,j为第j个种群成员中第i个元素的当前元素值,Ui和Li分别是种群成员中第i个元素的元素值范围的上限和下限,Ui大于或者等于Li,j的取值范围为[1,N],其中N为种群规模即种群成员的个数,i的取值范围为[1,K],其中K为种群成员中元素的个数。
在步骤S1013中,根据鲸鱼优化算法参数、每个种群成员的当前元素值以及预设训练样本利用鲸鱼优化算法获取预设神经网络模型的目标模型参数值,将得到的目标神经网络模型作为密度测量模型。
示例地,在步骤S1011中已经确定了预设神经网络模型的模型结构,在本步骤中,可以通过如下的步骤根据鲸鱼优化算法参数、每个种群成员的当前元素值以及预设训练样本利用鲸鱼优化算法获取预设神经网络模型的目标模型参数值,从而得到目标神经网络模型,将该目标神经网络模型作为该密度测量模型。
步骤1、根据预设训练样本获取每一个种群成员的适应度值。
其中,适应度值为预测输出参数值和对应的训练输出参数值的均方差,预测输出参数值根据每个训练控制参数组的训练控制参数值和种群成员的当前元素值通过预设神经网络模型获得。
在一些可能的实现方式中,将该当前元素值作为该预设神经网络模型的模型参数,将该训练控制参数值代入该预设神经网络模型,从而获取该训练控制参数值对应的预测输出参数值。
示例地,可以根据预测输出参数值、训练输出参数值以及如下的公式五确定该适应度值。
其中,Si为第i个种群成员的适应度值,为第k个训练控制参数值代入第i个种群成员形成的预设神经网络模型得到的预测输出参数值,xi,k为第k个训练控制参数值对应的训练输出参数值,T为预设训练样本中训练样本的个数。
步骤2、根据每一个种群成员的适应度值获取种群的目标种群成员的目标元素值。
其中,目标种群成员为种群中适应度值最小的种群成员。
示例地,在获取每个种群成员的适应度值以后,可以将适应度值最小的种群成员作为目标种群成员,目标种群成员对应的元素值为目标元素值。
步骤3、根据鲸鱼优化算法参数采取鲸鱼优化算法完成对目标元素值的包围、捕食和搜索,以更新每一个种群成员的当前元素值,重复根据预设训练样本获取每一个种群成员的适应度值和根据每一个种群成员的适应度值获取种群的目标种群成员的目标元素值的步骤,以使得在满足预设的结束条件时获取种群中适应度值最小的最优种群成员对应的最优元素值,将最优元素值作为预设神经网络模型的目标模型参数值,将得到的目标神经网络模型作为密度测量模型。
鲸鱼优化算法中的包围捕食是模拟鲸鱼捕食过程中采用螺旋气泡网的方式向接近最优解。该目标元素值就是本轮捕食过程中的当前最优解,每个种群成员可以对该当前最优解进行收缩包围,也可以采用螺旋更新的方式在一个不断缩小的圆圈内绕着猎物游动,同时沿着螺旋形路径游动,具体包围捕食的数学模型可以参考相关技术中对鲸鱼优化算法的描述,本公开不再赘述。除了上述包围捕食的过程,种群成员还可以随机搜索猎物,即使用随机选择个体的方案进行位置更新,从而提高了WOA算法的全局优化能力,使得鲸鱼算法具有了跳出局部最优解的能力,具体随机搜索的数学模型可以参考相关技术中对鲸鱼优化算法的描述。
在上述种群成员的包围捕食和搜索过程中,通过训练更新每一个种群成员的当前元素值,重复根据预设训练样本获取每一个种群成员的适应度值和根据每一个种群成员的适应度值获取种群的目标种群成员的目标元素值的步骤。在此过程中,目标种群成员和对应的目标元素值会不断优化更新,适应度值会相应的不断减小,在满足预设的结束条件时,获取种群中适应度值最小的最优种群成员对应的最优元素值,作为预设神经网络模型的目标模型参数值,将得到的目标神经网络模型作为密度测量模型。
在一些实施例中,该预设的结束条件可以包括最优种群成员对应的适应度值小于或者等于预设的适应度值阈值,和\或,训练次数大于或者等于预设的训练次数阈值。
在另一实施例中,公式三中的j的取值范围还可以是[1,k*N-1],相应的,公式四中的j的取值范围可以为[1,k*N],其中k可以是大于1的自然数,例如k可以为2。这样通过上述公式三和公示四可以到k*N个种群成员的当前元素值,可以从k*N个种群成员中选出适应度最小的N个种群成员,对该筛选过的种群成员采用鲸鱼优化算法获取该密度测量模型,可以进一步提高鲸鱼优化算法的效率。
在步骤S102中,获取生成石灰石浆液的目标控制参数的目标控制参数值。
示例地,可以通过相应的多个传感器采集生成石灰石浆液的目标控制参数的目标控制参数值。
在步骤S103中,将目标控制参数值输入密度测量模型,以得到密度测量模型输出的石灰石浆液的浆液密度。
示例地,将目标控制参数值输入步骤S101训练得到的密度测量模型,从而得到密度测量模型输出的石灰石浆液的浆液密度。
通过上述方案,能够避免相关技术中采用密度计直接获取浆液密度时密度计容易因为磨损导致测量结果不准确,而采用与浆液密度相关的稳定测量获得的目标控制参数值获取浆液密度,降低了密度计定期更换维修的成本,提高了浆液密度结果的准确性,有利于提高烟气脱硫的效果。
浆液制备***的多个控制参数都会对最终的浆液密度有影响(例如称重给料机瞬时给料量、湿式球磨机研磨水瞬时流量、成品浆液箱密度、稀释水瞬时流量、再循环箱液位、球磨机A相电流、再循环泵出口压力、成品浆液箱液位、稀释水调门开度、研磨水调门开度以及旋流站入口压力),如果将多个控制参数都作为密度测量模型的输入参数,会导致训练该密度测量模型计算量大,影响获取该密度测量模型的效率。
在另一实施例中,可以从多个备选控制参数中选取对浆液密度影响最大的目标控制参数,从而提高获取该密度测量模型的效率。
图3是根据一示例性实施例示出的一种浆液密度的获取方法的流程图,如图3所示,该方法可以还包括以下步骤:
在步骤S104中,获取石灰石浆液的多组历史数据。
其中,历史数据包括多个备选控制参数组的备选控制参数值和对应的输出参数的输出参数值,每个备选控制参数组包括石灰石浆液的多个备选控制参数,输出参数包括浆液密度。
获取该多组历史数据的方式可以参考相关技术中传感器,信息采集器的实现,本公开不再赘述。
在步骤S105中,根据多组历史数据采用灰色关联度法从多个备选控制参数中确定目标控制参数。
灰色关联度法(Grey Relational Analysis)是一种根据因素之间发展趋势的相似或相异程度衡量因素间关联程度的方法。
示例地,可以通过如下的方式获取历史数据中每个备选控制参数的灰色关联度,从多个备选控制参数中确定目标控制参数。
首先,根据历史数据获取每个备选控制参数的备选控制参数值和对应的输出参数值的灰色关联度。
在一些可能的实现方式中,可以通过如下的公式六获取每个备选控制参数的灰色关联度。
其中,s和ej为中间变量,xj(i)表征第i个历史数据中第j个备选控制参数值,y(i)为第i个历史数据中的输出参数值,N为历史数据的个数,γ(xj,y)为第j个备选控制参数与输出参数的灰色关联度。为了避免备选控制参数值、输出参数值因为绝对值取值差异造成灰色关联度计算不准确,上述xj(i)和y(i)均需要经过无量纲化处理,公式六中给出的示例是以备选控制参数值除以备选控制参数值首项进行无量纲化处理的,本公开对处理方式不做限制。
然后,根据灰色关联度和预设的灰色关联度阈值从多个备选控制参数中确定目标控制参数。
其中,目标控制参数的灰色关联度大于或者等于预设的灰色关联度阈值。
示例地,可以选取灰色关联度大于或者等于预设灰色关联度阈值的备选控制参数作为该目标控制参数,示例地,该预设灰色关联度阈值可以为75%。
在另一可能的实现方式中,也可以选取灰色关联度最大的多个备选控制参数作为目标控制参数,示例地,可以选择灰色关联度最大的4个备选控制参数作为目标控制参数。
在步骤S106中,根据目标控制参数从多组历史数据中获取预设训练样本。
通过上述方案,能够在保证密度测量模型的准确性的前提下,尽量简化模型,降低模型训练的计算量,提高模型训练的效率。
图4是根据一示例性实施例示出的一种浆液密度的获取方法的流程图,如图4所示,该方法可以还包括以下步骤:
在步骤S107中,在获取石灰石浆液的多组历史数据之后,根据预设的多个控制参数值范围从多组历史数据中删除异常历史数据。
其中,异常历史数据表征备选控制参数组中任一备选控制参数的备选控制参数值超出对应的控制参数值范围。
通过上述方案,能够在对历史数据进行筛选,删除历史数据中超出预设的控制参数值范围的异常历史数据,进一步提高预设训练样本的可靠性,提高模型训练的效率。
在另一实施例中,该目标控制参数和训练控制参数包括旋流站入口压力、瞬时给料量、稀释水瞬时流量和研磨水瞬时流量。
获取该多组历史数据的方式可以参考相关技术中传感器,信息采集器的实现,本公开不再赘述。
通过上述方案,能够在保证密度测量模型的准确性的前提下,尽量简化模型,降低模型训练的计算量,提高模型训练的效率。
图5是根据一示例性实施例示出的一种浆液密度的获取装置500的框图,如图5所示,该浆液密度的获取装置500包括:
模型训练模块501,被配置为根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型,鲸鱼优化算法的种群成员的元素为密度测量模型的模型参数,鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到,预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值,每个训练控制参数组包括石灰石浆液的多个训练控制参数,训练输出参数包括浆液密度;
参数获取模块502,被配置为获取生成石灰石浆液的目标控制参数的目标控制参数值;
结果获取模块503,被配置为将目标控制参数值输入预先训练的密度测量模型,以得到密度测量模型输出的石灰石浆液的浆液密度。
可选地,密度测量模型为神经网络模型,模型训练模块501还被配置为:
根据预设神经网络模型的模型参数确定鲸鱼优化算法的鲸鱼优化算法参数,鲸鱼优化算法参数包括种群成员的元素、每个元素值的预设元素值阈值和鲸鱼种群规模;
根据鲸鱼优化算法参数和预设的混沌映射参数通过Logistic混沌映射获取鲸鱼优化算法的每个种群成员的当前元素值,混沌映射参数包括混沌映射系数;
根据鲸鱼优化算法参数、每个种群成员的当前元素值以及预设训练样本利用鲸鱼优化算法获取预设神经网络模型的目标模型参数值,将得到的目标神经网络模型作为密度测量模型。
可选地,模型训练模块501还被配置为:
将训练控制参数作为预设神经网络模型的输入节点,将浆液密度作为预设神经网络模型的输出节点,根据输入节点、输出节点以及预设神经网络模型的隐含神经元确定预设神经网络模型的模型参数,将模型参数作为种群成员的元素,模型参数包括第一连接权值、隐含神经元的第一阈值、第二连接权值以及输出节点的第二阈值,第一连接权值表征输入节点和隐含神经元之间的权值,第二连接权值表征隐含神经元和输出节点之间的权值;
根据预设的每个模型参数的模型参数值范围确定每个元素的元素值范围;
根据模型参数值的个数和模型训练的期望时间确定鲸鱼种群规模。
可选地,模型训练模块501还被配置为:
根据预设训练样本获取每一个种群成员的适应度值,适应度值为预测输出参数值和对应的训练输出参数值的均方差,预测输出参数值根据每个训练控制参数组的训练控制参数值和种群成员的当前元素值通过预设神经网络模型获得;
根据每一个种群成员的适应度值获取种群的目标种群成员的目标元素值,目标种群成员为种群中适应度值最小的种群成员;
根据鲸鱼优化算法参数采取鲸鱼优化算法完成对目标元素值的包围、捕食和搜索,以更新每一个种群成员的当前元素值,重复根据预设训练样本获取每一个种群成员的适应度值和根据每一个种群成员的适应度值获取种群的目标种群成员的目标元素值的步骤,以使得在满足预设的结束条件时获取种群中适应度值最小的最优种群成员对应的最优元素值,将最优元素值作为预设神经网络模型的目标模型参数值,将得到的目标神经网络模型作为密度测量模型。
图6是根据一示例性实施例示出的一种浆液密度的获取装置500的框图,如图6所示,该浆液密度的获取装置500还包括训练样本获取模块504,被配置为:
获取石灰石浆液的多组历史数据,历史数据包括多个备选控制参数组的备选控制参数值和对应的输出参数的输出参数值,每个备选控制参数组包括石灰石浆液的多个备选控制参数,输出参数包括浆液密度;
根据多组历史数据采用灰色关联度法从多个备选控制参数中确定目标控制参数;
根据目标控制参数从多组历史数据中获取预设训练样本。
可选地,训练样本获取模块504,还被配置为:
根据历史数据获取每个备选控制参数的备选控制参数值和对应的输出参数值的灰色关联度;
根据灰色关联度和预设的灰色关联度阈值从多个备选控制参数中确定目标控制参数,目标控制参数的灰色关联度大于或者等于预设的灰色关联度阈值。
可选地,训练样本获取模块504,还被配置为:
在获取石灰石浆液的多组历史数据之后,根据预设的多个控制参数值范围从多组历史数据中删除异常历史数据,异常历史数据表征备选控制参数组中任一备选控制参数的备选控制参数值超出对应的控制参数值范围。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
上述技术方案中,避免相关技术中采用密度计直接获取浆液密度时密度计容易因为磨损导致测量结果不准确的问题,而采用与浆液密度相关的稳定测量获得的目标控制参数值获取浆液密度,降低了密度计定期更换维修的成本,提高了浆液密度结果的准确性,有利于提高烟气脱硫的效果。
图7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的浆液密度的获取方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在另一示例性实施例中,还提供了一种包括程序指令的非临时性计算机可读存储介质,该程序指令被处理器执行时实现上述的浆液密度的获取方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的浆液密度的获取方法。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种浆液密度的获取方法,其特征在于,所述方法包括:
根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型,所述鲸鱼优化算法的种群成员的元素为所述密度测量模型的模型参数,所述鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到,所述预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值,每个所述训练控制参数组包括多个训练控制参数,所述训练输出参数包括所述浆液密度;
获取生成石灰石浆液的目标控制参数的目标控制参数值;
将所述目标控制参数值输入所述密度测量模型,以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。
2.根据权利要求1所述的方法,其特征在于,所述密度测量模型为神经网络模型,所述根据所述预设训练样本通过鲸鱼优化算法训练得到密度测量模型包括:
根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优化算法参数,所述鲸鱼优化算法参数包括所述种群成员的元素、每个元素值的预设元素值阈值和鲸鱼种群规模;
根据所述鲸鱼优化算法参数和预设的混沌映射参数通过所述Logistic混沌映射获取所述鲸鱼优化算法的每个种群成员的当前元素值,所述混沌映射参数包括混沌映射系数;
根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及所述预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值,将得到的所述目标神经网络模型作为所述密度测量模型。
3.根据权利要求2所述的方法,其特征在于,所述根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优化算法参数包括:
将所述训练控制参数作为所述预设神经网络模型的输入节点,将所述浆液密度作为所述预设神经网络模型的输出节点,根据所述输入节点、所述输出节点以及所述预设神经网络模型的隐含神经元确定所述预设神经网络模型的模型参数,将所述模型参数作为所述种群成员的元素,所述模型参数包括第一连接权值、所述隐含神经元的第一阈值、第二连接权值以及所述输出节点的第二阈值,所述第一连接权值表征所述输入节点和所述隐含神经元之间的权值,所述第二连接权值表征所述隐含神经元和所述输出节点之间的权值;
根据预设的每个所述模型参数的模型参数值范围确定每个元素的所述元素值范围;
根据所述模型参数值的个数和模型训练的期望时间确定所述鲸鱼种群规模。
4.根据权利要求2所述的方法,其特征在于,所述根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值,将得到的所述目标神经网络模型作为所述密度测量模型包括:
根据所述预设训练样本获取每一个种群成员的适应度值,所述适应度值为预测输出参数值和对应的所述训练输出参数值的均方差,所述预测输出参数值根据每个所述训练控制参数组的所述训练控制参数值和所述种群成员的当前元素值通过所述预设神经网络模型获得;
根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值,所述目标种群成员为所述种群中适应度值最小的种群成员;
根据所述鲸鱼优化算法参数采取所述鲸鱼优化算法完成对所述目标元素值的包围、捕食和搜索,以更新所述每一个种群成员的当前元素值,重复根据所述预设训练样本获取每一个种群成员的适应度值和根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值的步骤,以使得在满足预设的结束条件时获取所述种群中适应度值最小的最优种群成员对应的最优元素值,将所述最优元素值作为所述预设神经网络模型的所述目标模型参数值,将得到的所述目标神经网络模型作为所述密度测量模型。
5.根据权利要求4所述的方法,其特征在于,所述预设的结束条件包括所述最优种群成员对应的适应度值小于或者等于预设的适应度值阈值,和\或,训练次数大于或者等于预设的训练次数阈值。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述方法还包括:
获取所述石灰石浆液的多组历史数据,所述历史数据包括多个备选控制参数组的备选控制参数值和对应的输出参数的输出参数值,每个所述备选控制参数组包括所述石灰石浆液的多个备选控制参数,所述输出参数包括所述浆液密度;
根据所述多组历史数据采用灰色关联度法从所述多个备选控制参数中确定所述目标控制参数;
根据所述目标控制参数从所述多组历史数据中获取所述预设训练样本。
7.根据权利要求6所述的方法,其特征在于,所述根据所述多组历史数据采用灰色关联度法从所述多个备选控制参数中确定所述目标控制参数包括:
根据所述历史数据获取每个所述备选控制参数的所述备选控制参数值和对应的所述输出参数值的灰色关联度;
根据所述灰色关联度和预设的灰色关联度阈值从多个所述备选控制参数中确定所述目标控制参数,所述目标控制参数的灰色关联度大于或者等于预设的灰色关联度阈值。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在获取所述石灰石浆液的多组历史数据之后,根据预设的多个控制参数值范围从所述多组历史数据中删除异常历史数据,所述异常历史数据表征所述备选控制参数组中任一所述备选控制参数的备选控制参数值超出对应的所述控制参数值范围。
9.根据权利要求1至5中任一项所述的方法,其特征在于,所述目标控制参数和训练控制参数包括旋流站入口压力、瞬时给料量、稀释水瞬时流量和研磨水瞬时流量。
10.一种浆液密度的获取装置,其特征在于,所述装置包括:
模型训练模块,被配置为根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型,所述鲸鱼优化算法的种群成员的元素为所述密度测量模型的模型参数,所述鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到,所述预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值,每个所述训练控制参数组包括多个训练控制参数,所述训练输出参数包括所述浆液密度;
参数获取模块,被配置为获取生成石灰石浆液的目标控制参数的目标控制参数值;
结果获取模块,被配置为将所述目标控制参数值输入预先训练的密度测量模型,以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。
11.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-9中任一项所述方法的步骤。
12.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210557059.5A CN115060625A (zh) | 2022-05-20 | 2022-05-20 | 浆液密度的获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210557059.5A CN115060625A (zh) | 2022-05-20 | 2022-05-20 | 浆液密度的获取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115060625A true CN115060625A (zh) | 2022-09-16 |
Family
ID=83198492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210557059.5A Pending CN115060625A (zh) | 2022-05-20 | 2022-05-20 | 浆液密度的获取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115060625A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116440670A (zh) * | 2023-04-12 | 2023-07-18 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
CN117517623A (zh) * | 2024-01-05 | 2024-02-06 | 上海久澄环境工程有限公司 | 一种土壤气探头智能控制***和土壤气自动取样方法 |
-
2022
- 2022-05-20 CN CN202210557059.5A patent/CN115060625A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116440670A (zh) * | 2023-04-12 | 2023-07-18 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
CN116440670B (zh) * | 2023-04-12 | 2023-10-31 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
CN117517623A (zh) * | 2024-01-05 | 2024-02-06 | 上海久澄环境工程有限公司 | 一种土壤气探头智能控制***和土壤气自动取样方法 |
CN117517623B (zh) * | 2024-01-05 | 2024-03-15 | 上海久澄环境工程有限公司 | 一种土壤气探头智能控制***和土壤气自动取样方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及*** | |
CN115060625A (zh) | 浆液密度的获取方法、装置、电子设备及存储介质 | |
CN108230049A (zh) | 订单的预测方法及*** | |
CN109145464B (zh) | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及*** | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN114548509A (zh) | 一种多能源***多类型负荷联合预测方法及*** | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN114912673A (zh) | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 | |
US20240095535A1 (en) | Executing a genetic algorithm on a low-power controller | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN115935834A (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
CN117405175B (zh) | 海洋环境智能监测*** | |
CN111311001A (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及*** | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
CN117291069A (zh) | 一种基于改进de与注意力机制的lstm污水水质预测方法 | |
CN107437112A (zh) | 一种基于改进多尺度核函数的混合rvm模型预测方法 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 |
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 |