CN119493393A 一种应用于金属冶炼的智能模型数据的处理方法 (陕西鑫材鼎速科技有限公司)_第1页
CN119493393A 一种应用于金属冶炼的智能模型数据的处理方法 (陕西鑫材鼎速科技有限公司)_第2页
CN119493393A 一种应用于金属冶炼的智能模型数据的处理方法 (陕西鑫材鼎速科技有限公司)_第3页
CN119493393A 一种应用于金属冶炼的智能模型数据的处理方法 (陕西鑫材鼎速科技有限公司)_第4页
CN119493393A 一种应用于金属冶炼的智能模型数据的处理方法 (陕西鑫材鼎速科技有限公司)_第5页
已阅读5页,还剩24页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种应用于金属冶炼的智能模型数据的处本发明公开了一种应用于金属冶炼的智能2S200、针对金属冶炼过程中的产品质量、能源消耗所述产品质量的不确定性评估指标设置为预测结果所述能源消耗的不确定性评估指标设置为预测结果残差S400、采用加权平均对各子模型的输出结果进行所述加权平均融合方法包括根据各目标在实际生产中的重要性程度为各子模型的输S500、将融合后的决策输出应用于金属冶炼实2.根据权利要求1所述的一种应用于金属冶炼的智能模型数据的处理方法,其特征在3.根据权利要求2所述的一种应用于金属冶炼的智能模型数据的处理方法,其特征在所述输入层由与产品质量相关参数数据的神经元构成,将所有采集到的3出作为产品质量预测值的计算公式为通过输入的产4.根据权利要求2所述的一种应用于金属冶炼的智能模型数据的处理方法,其特征在yr=W4B1十W;B2十wgB3十W7,其中,W4、WS、WS为回归系数,反映了各个自变所述误差平方和的计算公式为其据输入的能源消耗相关数据预测能源消耗情况。5.根据权利要求2所述的一种应用于金属冶炼的智能模型数据的处理方法,其特征在特征ci将数据集s划分为r个子集sij,j=1,2,…,r,则特征ci的信息增益IG(cj)为:熵,即Entropy(s)=-1ptlog2(pr),其中,u为生产效率类别数量,为类46.根据权利要求3所述的一种应用于金属冶炼的智能模型数据的处理方法,其特征在,将方差作为产品质量预测结果的不确定性度量,方差7.根据权利要求4所述的一种应用于金属冶炼的智能模型数据的处理方法,其特征在8.根据权利要求5所述的一种应用于金属冶炼的智能模型数据的处理方法,其特征在率低,表示该样本的预测结果不确定性高,将所有样本的预测准确率的均值9.根据权利要求1所述的一种应用于金属冶炼的智能模型数据的处理方法,其特征在,综合考虑各子模型输出结果的不确定性对决策的影响,对所述5量、能源消耗和生产效率在初始阶段设定的权重,of是各子模型输出结果的不确定性度通过权重调整,使不确定性低的子模型输出结果在最终融合决策中具权平均后的融合结果yfusion,即yrusion=wpgypq十weryer十wpeype,该融合结果作6[0003]然而,现有的金属冶炼数据处理技术在应对这些复杂需7[0012]所述生产效率的不确定性评估[0014]所述加权平均融合方法包括根据各目标在实际生产中的重要性程度为各子模型[0017]所述能源消耗相关的数据包括冶炼过程中各阶段的电力消耗功率值B1、冶炼过[0018]所述生产效率相关的数据包括单位时间内的金属产量值C1、设备运转时间占比输入层第i个神经元与隐藏层第j个神经元之间的连接权重,同时,隐藏层还设有偏置向量8的输出作为产品质量预测值vpq的计算公式为通过输入yer=W4B1十W;B2十wgB3十W7,其中,W4、WS、WS为回归系数,反映了各个自变所述误差平方和的计算公式为其据输入的能源消耗相关数据预测能源消耗情况。ci将数据集s划分为r个子集sij,j=1,2,…,r,则特征ci的信息增益IG(c1)9次前向传播,得到T个不同的产品质量预测结果,计算预测结果vpq的均值和方差,将方差作为产品质量预测量,iE{pq,er,pe};到加权平均后的融合结果yfusion,即vfusion=wpqypq十weryer十wpeype,该融合结[0040]如图1所示,本实施例旨在展示一种应用于金属冶炼的智能模型数据的处理方法品质量相关的数据包括金属成品的硬度值A1、金属成品的强度值A2、金属成品的纯度值输入层与隐藏层之间通过权重矩阵w进行连接,权重矩阵的每个元素wy表示输入层第i个神经元与隐藏层第个神经元之间的连接权重,它决定了输入数据在传递到隐藏层时的重矩阵w2相连,每个元素wzy表示隐藏层第j个神经元与输出层神经元之间的连接权重,输出层还设有偏置向量b2,输出层神经元的激活函数为f2(x)=x,则输出层神经元的输出作为产品质量预测值的计算公式为:ypa=f(Ei-1(whj+b2)),通过大量的yer=WB1+W;B2十wgB3十W7,其中,W4、WS、WS为回归线性回归方程,其目的是最小化实际能源消耗值与预测值yer之间的误差平方和,即息熵作为衡量数据集不确定性的指标,设数据集为s,特征ci(i=1,2,3,4,5)的取值集合信息增益IG(cj)为其中,Entropy(s)为数据集s的信息熵,即Entropy(s)=-⃞1prlog2(pp),u为生产效率类别数量,pt为类别t在差反映了模型预测值与实际值之间的偏差,计算残差的方差,方差率ape,准确率低,表示该样本的预测结果不确定性高,将所有样本的预测准确率的均值yrusion=wpgypq十weryer十wpeype,该融合结果作为最终的决策输出,用于指导金冶炼过程的优化控制。

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论