同類熱銷排行榜

數據驅動的工業軟測量技術

作者：楊春節//楊沖//劉哲|責編:耍利娜//于成成//宋輝
出版社：化學工業
ISBN：9787122483102

出版日期：2025/11/01
裝幀：平裝
頁數：240

人民幣：RMB 89 元售價：元

內容大鋼

高爐煉鐵過程關鍵質量指標軟測量是國際公認的挑戰性難題。本書從數據驅動的角度，系統性總結和闡述了作者及其團隊10余年來在高爐煉鐵過程關鍵質量指標軟測量技術的系列研究成果，主要包括高爐鐵水質量軟測量、燒結礦質量軟測量與工業應用三個部分。針對高爐煉鐵過程數據的滯后性、非線性、高維共線性、動態性、多源異構以及標籤稀少等特徵，在高爐鐵水質量軟測量部分，重點介紹Elman神經網路、Adaboost集成學習、模糊神經網路和循環神經網路等軟測量方法；在燒結礦質量軟測量部分，重點介紹Transformer模型和多模態信息融合軟測量方法；在工業應用部分，主要闡述工業互聯網平台搭建、數字孿生體構建和應用實例。
本書可作為高等院校控制、冶金、電腦、人工智慧等學科研究生和高年級本科生的參考書，也可供相關專業的工程技術和設備運維人員參考。

作者介紹

楊春節//楊沖//劉哲|責編:耍利娜//于成成//宋輝

第1章  緒論
  1.1  引言
  1.2  高爐煉鐵過程軟測量問題描述
    1.2.1  軟測量技術的必要性
    1.2.2  過程數據的特徵歸納
  1.3  高爐煉鐵過程軟測量研究現狀
    1.3.1  現有數據驅動軟測量方法
    1.3.2  數據驅動的高爐煉鐵過程質量軟測量方法研究現狀
  參考文獻
第2章  高爐鐵水質量軟測量的Elman神經網路方法
  2.1  高爐煉鐵過程的多尺度特性辨識
    2.1.1  多尺度概念
    2.1.2  Hilbert-Huang變換
    2.1.3  高爐鐵水硅含量的多尺度分析
  2.2  鐵水硅含量預測建模的理論基礎
    2.2.1  變數的選擇
    2.2.2  Elman神經網路
  2.3  過程變數驅動的EMD-Elman鐵水硅含量預測
  2.4  質量變數驅動的EMD-Elman鐵水硅含量預測
  2.5  案例分析
    2.5.1  基於過程變數的改進型EMD-Elman神經網路在鐵水硅含量預測中的應用
    2.5.2  基於質量變數的改進型EMD-Elman神經網路在鐵水硅含量預測中的應用
  參考文獻
第3章  高爐鐵水質量軟測量的Adaboost方法
  3.1  神經網路與Adaboost演算法理論基礎
    3.1.1  反向傳播神經網路與Elman神經網路概述
    3.1.2  Adaboost強回歸器演算法
    3.1.3  Adaboost強分類器演算法
  3.2  高爐鐵水硅含量的Elman-Adaboost回歸預測模型
    3.2.1  問題描述
    3.2.2  多變數Elman-Adaboost強回歸器
    3.2.3  單變數Elman-Adaboost強回歸器
    3.2.4  案例分析
  3.3  高爐鐵水硅含量的Elman-Adaboost分類預測模型
    3.3.1  問題描述
    3.3.2  多變數Elman-Adaboost強分類器
    3.3.3  單變數Elman-Adaboost強分類器
    3.3.4  案例分析
  3.4  回歸預測與分類預測信息融合的模糊邏輯控制方法
    3.4.1  問題描述
    3.4.2  模糊邏輯控制介紹
    3.4.3  回歸預測與分類預測信息融合
  參考文獻
第4章  高爐鐵水質量軟測量的模糊神經網路方法
  4.1  互信息法特徵選擇
    4.1.1  特徵選擇
    4.1.2  熵增定義
    4.1.3  互信息法
  4.2  滑動窗口模型
  4.3  模糊神經網路演算法

  4.4  案例分析
  參考文獻
第5章  高爐鐵水質量軟測量的循環神經網路方法
  5.1  循環神經網路理論基礎
  5.2  門控循環神經網路理論基礎
  5.3  注意力機制理論基礎
  5.4  高爐鐵水質量的改進循環神經網路軟測量方法
    5.4.1  處置門門控循環神經網路
    5.4.2  嵌入特徵-時間注意力的門控循環神經網路
  5.5  案例分析
    5.5.1  處置門門控循環神經網路在硅含量軟測量中的應用
    5.5.2  嵌入特徵-時間注意力的門控循環神經網路在硅含量軟測量中的應用
  參考文獻
第6章  燒結礦質量指標軟測量的循環神經網路方法
  6.1  動態時間特徵擴展與提取的門控循環神經網路
    6.1.1  燒結過程質量指標
    6.1.2  動態時間特徵擴展和提取預測模型
    6.1.3  案例分析
  6.2  半監督動態時間特徵擴展與提取的門控循環神經網路
    6.2.1  半監督動態時間特徵擴展和提取模型
    6.2.2  案例分析
  6.3  多源數據融合的燒結質量預測模型
    6.3.1  燒結多源異構數據特性
    6.3.2  多源數據融合的軟測量模型
    6.3.3  案例分析
  參考文獻
第7章  多源數據與知識融合的燒結礦質量軟測量方法
  7.1  專家知識圖像特徵提取理論基礎
  7.2  深層圖像特徵提取理論基礎
    7.2.1  殘差學習模塊
    7.2.2  壓縮-激勵模塊
    7.2.3  SE-ResNet
  7.3  Autoformer理論基礎
  7.4  MIF-Autoformer燒結礦軟測量模型
  7.5  案例分析
    7.5.1  數據採集與多源信息融合
    7.5.2  圖像特徵提取
    7.5.3  實驗結果分析
    7.5.4  消融實驗
    7.5.5  超參數設置與調整
  參考文獻
第8章  燒結礦質量指標軟測量的多模態信息融合方式與拓展
  8.1  多模態信息融合理論基礎
  8.2  初步信息融合的燒結礦質量指標軟測量模型
  8.3  不對稱信息融合的燒結礦質量指標軟測量模型
  8.4  深度信息融合的燒結礦質量指標軟測量模型
    8.4.1  時間序列分支
    8.4.2  圖像分支
    8.4.3  整體模型架構
  8.5  半監督深度信息融合的燒結礦質量指標軟測量模型

    8.5.1  時序特徵提取
    8.5.2  時序特徵交互
    8.5.3  解碼與預測
  8.6  後期信息融合的燒結礦質量指標軟測量模型
  8.7  案例分析
    8.7.1  燒結礦質量指標多模態融合軟測量
    8.7.2  燒結礦質量指標多模態融合半監督軟測量
  參考文獻
第9章  基於工業互聯網的軟測量APP開發及應用
  9.1  工業互聯網平台架構
  9.2  工業互聯網平台搭建
    9.2.1  容器化技術
    9.2.2  容器編排
    9.2.3  集群管理
  9.3  數字孿生系統構建
    9.3.1  煉鐵流程數字孿生系統技術架構
    9.3.2  數字孿牛體構建
  9.4  基於工業互聯網的高爐煉鐵過程數據驅動軟測量的實現
    9.4.1  高爐煉鐵過程孿生數據驅動軟測量
    9.4.2  應用實例
  參考文獻

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

數據驅動的工業軟測量技術