-
公开(公告)号：CN108536979A
公开(公告)日：2018-09-14
申请号：CN201810347673.2
申请日：2018-04-18
Applicant: 东北大学
IPC: G06F17/50
Abstract: 本发明提供一种基于浓密机机理模型的底流浓度预测方法，包括：采集浓密机现场数据；将流体压力转换为流速；利用经参数辨识的分层带参数的浓密机机理模型，进行底流浓度预测。所述浓密机现场数据，包括：顶层体积流量、进料流量、流体压力及底流体积密度。所述将流体压力转换为流速后，采用3σ原则对异常值进行处理。所述分层带参数的浓密机机理模型的建立如下：采集浓密机现场数据的历史数据；建立浓密机机理模型；将流体压力转换为流速及数据预处理；构建分层带参数的浓密机机理模型。本发明减小了纯机理模型带来的预测误差，提高了机理模型的预测精度。
-
公开(公告)号：CN109242194A
公开(公告)日：2019-01-18
申请号：CN201811114507.4
申请日：2018-09-25
Applicant: 东北大学
Abstract: 本发明提供了一种基于混合模型的浓密机底流浓度预测方法,针对湿法冶金浓密洗涤过程底流浓度难以在线测量的问题，在深入分析浓密洗涤过程特点的基础上，利用机理建模与基于整体分布优化算法改进的三层ELM误差补偿模型相结合的混合建模方法实现浓密洗涤过程底流浓度的精准测量。
-
公开(公告)号：CN109242194B
公开(公告)日：2022-01-14
申请号：CN201811114507.4
申请日：2018-09-25
Applicant: 东北大学
Abstract: 本发明提供了一种基于混合模型的浓密机底流浓度预测方法,针对湿法冶金浓密洗涤过程底流浓度难以在线测量的问题，在深入分析浓密洗涤过程特点的基础上，利用机理建模与基于整体分布优化算法改进的三层ELM误差补偿模型相结合的混合建模方法实现浓密洗涤过程底流浓度的精准测量。
-
Patent Agency Ranking
公开(公告)号：CN109001073A
公开(公告)日：2018-12-14
申请号：CN201810554074.8
申请日：2018-06-01
Applicant: 东北大学
IPC: G01N5/00
Abstract: 本发明涉及一种基于ELM网络的新型矿浆浓度计，其包括：引流管路，电子称重器和信号处理端；引流管路包括导流管，软管，测量管和排水管；测量管前端通过软管和导流管相连，后端通过另一根软管与排水管相连；测量管与电子称重器的测量端固定连接，电子称重器用于测量所述测量管内的矿浆重量；电子称重器将重量信号传递给信号处理端，信号处理端实时计算矿浆浓度。本发明提供的基于ELM网络的新型矿浆浓度计。测量管直接悬挂在电子称重器测量端，矿浆的浓度变化直接导致了测量管重量变化，重量信号同步传输给信号处理端，使得测量迅速、反应灵敏。本发明结构简洁，安装简单，操作简单，成本较低，维护周期长。
-
公开(公告)号：CN108983127A
公开(公告)日：2018-12-11
申请号：CN201810531465.8
申请日：2018-05-29
Applicant: 东北大学
Abstract: 本发明涉及一种基于光谱数据检测赤铁矿磁性率的方法，包括以下步骤：获取待检测的赤铁矿样品的光谱数据，其中，每个赤铁矿样品的光谱数据中包含m个光谱特征；将获取的光谱数据输入赤铁矿磁性率检测模型；赤铁矿磁性检测模型根据输入的光谱数据输出赤铁矿样品的磁性率。采用多组包括磁性率和与所述磁性率相对应的光谱数据的赤铁矿综合数据，利用主成分分析算法对所述光谱数据处理后，建立基于改进粒子群算法优化的极限学习机神经网络的赤铁矿磁性率检测模型。本发明提供的基于赤铁矿光谱数据检测赤铁矿磁性率的方法，效率高、成本低、且精度高。
-
公开(公告)号：CN108805346A
公开(公告)日：2018-11-13
申请号：CN201810565546.X
申请日：2018-06-04
Applicant: 东北大学
CPC classification number: G06Q10/04 , B21B38/08 , G06N3/006 , G06N3/0454 , G06Q50/04
Abstract: 本发明涉及一种基于多隐层极限学习机神经网络的热连轧轧制力预报的方法，包括以下步骤：获取影响热连轧轧制力数值的影响因素数据；将获取的影响因素数据输入多隐层极限学习机预测模型；所述多隐层极限学习机预测模型根据输入的影响因素数据输出热连轧轧制力的预测数值。采用多组现有的热连轧轧制力综合数据、遗传算法和粒子群优化算法，建立基于多隐层极限学习机神经网络的多隐层极限学习机预测模型。本发明提供的一种多隐层极限学习机热连轧轧制力的预报方法预测精度高，模型易维护，同时避免了依据设计者个人经验设定神经网络的隐含层数和隐含层结点数的弊端，精度较高。
-
公开(公告)号：CN108536979B
公开(公告)日：2021-08-03
申请号：CN201810347673.2
申请日：2018-04-18
Applicant: 东北大学
IPC: G06F30/20
Abstract: 本发明提供一种基于浓密机机理模型的底流浓度预测方法，包括：采集浓密机现场数据；将流体压力转换为流速；利用经参数辨识的分层带参数的浓密机机理模型，进行底流浓度预测。所述浓密机现场数据，包括：顶层体积流量、进料流量、流体压力及底流体积密度。所述将流体压力转换为流速后，采用3σ原则对异常值进行处理。所述分层带参数的浓密机机理模型的建立如下：采集浓密机现场数据的历史数据；建立浓密机机理模型；将流体压力转换为流速及数据预处理；构建分层带参数的浓密机机理模型。本发明减小了纯机理模型带来的预测误差，提高了机理模型的预测精度。
-
公开(公告)号：CN108983127B
公开(公告)日：2019-10-29
申请号：CN201810531465.8
申请日：2018-05-29
Applicant: 东北大学
Abstract: 本发明涉及一种基于光谱数据检测赤铁矿磁性率的方法，包括以下步骤：获取待检测的赤铁矿样品的光谱数据，其中，每个赤铁矿样品的光谱数据中包含m个光谱特征；将获取的光谱数据输入赤铁矿磁性率检测模型；赤铁矿磁性检测模型根据输入的光谱数据输出赤铁矿样品的磁性率。采用多组包括磁性率和与所述磁性率相对应的光谱数据的赤铁矿综合数据，利用主成分分析算法对所述光谱数据处理后，建立基于改进粒子群算法优化的极限学习机神经网络的赤铁矿磁性率检测模型。本发明提供的基于赤铁矿光谱数据检测赤铁矿磁性率的方法，效率高、成本低、且精度高。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.08 seconds)
