-
公开(公告)号：CN118797274A
公开(公告)日：2024-10-18
申请号：CN202411263330.X
申请日：2024-09-10
Applicant: 鞍钢集团自动化有限公司 , 北京科技大学
IPC: G06F18/20 , G06N3/0464 , G06F18/243 , G06F18/2433 , G06N3/049
Abstract: 本发明公开了一种云边协同的带钢热轧过程数据治理及性能预测方法及装置，方法包括：获取带钢热轧生产过程数据进行异常值快速检测；对云侧数据进行非理想数据扩充；采用六维数据模型的多源异构数据描述范式建立带钢热轧过程元数据全局视图；结合带钢热轧过程机理知识和mRMR对性能相关辅助变量进行筛选；构建实体嵌入模型实现所述多源异构数据的交互和融合；在边侧构建时间‑空间卷积网络软传感器模型；在云侧利用基于熵权法的多性能指标综合评价描述方法融合局部预测结果，完成带钢热轧全流程性能评估。解决了现有技术无法实现对带钢热轧生产过程数据治理，也无法有效实现性能高精度预测与全流程评估的技术问题。
-
公开(公告)号：CN119312682B
公开(公告)日：2025-05-02
申请号：CN202411444799.3
申请日：2024-10-16
Applicant: 北京科技大学
IPC: G06F30/27 , G06N3/084 , G06N3/086 , G06N3/0985 , G06F119/14
Abstract: 本发明涉及松动圈范围预测技术领域，更具体涉及基于GA‑BP算法的松动圈预测方法、系统及存储介质。该方法包括：步骤S1：将实测数据进行归一化处理，并划分为第一分组和第二分组；步骤S2：计算BP神经网络的每一隐藏层节点个数估计值，基于多个第一基因序列和第一分组的实测数据进行训练BP神经网络，计算适应度和损失差，将最优适应度和最小损失差对应的多组第一基因序列进行交叉和变异，获取最优BP神经网络；步骤S3：判断最优BP神经网络的输出结果是否满足误差范围；步骤S4：将满足误差范围的最优BP神经网络作为松动圈预测模型。本发明解决了传统预测松动圈范围不准确的问题，提高了预测松动圈范围的精度。
-
公开(公告)号：CN119312682A
公开(公告)日：2025-01-14
申请号：CN202411444799.3
申请日：2024-10-16
Applicant: 北京科技大学
IPC: G06F30/27 , G06N3/084 , G06N3/086 , G06N3/0985 , G06F119/14
Abstract: 本发明涉及松动圈范围预测技术领域，更具体涉及基于GA‑BP算法的松动圈预测方法、系统及存储介质。该方法包括：步骤S1：将实测数据进行归一化处理，并划分为第一分组和第二分组；步骤S2：计算BP神经网络的每一隐藏层节点个数估计值，基于多个第一基因序列和第一分组的实测数据进行训练BP神经网络，计算适应度和损失差，将最优适应度和最小损失差对应的多组第一基因序列进行交叉和变异，获取最优BP神经网络；步骤S3：判断最优BP神经网络的输出结果是否满足误差范围；步骤S4：将满足误差范围的最优BP神经网络作为松动圈预测模型。本发明解决了传统预测松动圈范围不准确的问题，提高了预测松动圈范围的精度。
-
公开(公告)号：CN118797274B
公开(公告)日：2024-11-15
申请号：CN202411263330.X
申请日：2024-09-10
Applicant: 鞍钢集团自动化有限公司 , 北京科技大学
IPC: G06F18/20 , G06N3/0464 , G06F18/243 , G06F18/2433 , G06N3/049
Abstract: 本发明公开了一种云边协同的带钢热轧过程数据治理及性能预测方法及装置，方法包括：获取带钢热轧生产过程数据进行异常值快速检测；对云侧数据进行非理想数据扩充；采用六维数据模型的多源异构数据描述范式建立带钢热轧过程元数据全局视图；结合带钢热轧过程机理知识和mRMR对性能相关辅助变量进行筛选；构建实体嵌入模型实现所述多源异构数据的交互和融合；在边侧构建时间‑空间卷积网络软传感器模型；在云侧利用基于熵权法的多性能指标综合评价描述方法融合局部预测结果，完成带钢热轧全流程性能评估。解决了现有技术无法实现对带钢热轧生产过程数据治理，也无法有效实现性能高精度预测与全流程评估的技术问题。
-
-
-
Search Results
4
records
(took 0.019 seconds)
