郜传厚
- 作品数：26 被引量：210H指数：8
- 供职机构：浙江大学更多>>
- 发文基金：浙江省自然科学基金国家自然科学基金国家教育部博士点基金更多>>
- 相关领域：冶金工程自动化与计算机技术理学金属学及工艺更多>>
- 高炉冶炼过程的智能控制
- 高炉炼铁系统是一个大型复杂的工业系统,因其运行机制带有非线性、随机性和分布参数等复杂特征,长期以来受到人们的关注。高炉的计算机自动控制问题更是困扰冶金与自动化科技人员多年的顶级技术难题。
- 刘祥官郜传厚
- 文献传递
- 高炉冶炼过程的混沌性解析被引量：17
- 2005年
- 根据Grassberger和Procaccia提出的Kolmogorov熵计算方法 ,以山东莱芜钢铁集团公司 1号高炉和山西临汾钢铁集团公司 6号高炉测得的铁水硅含量时间序列为样本 ,计算了各自的Kolmogorov熵分别为 (0 14 5 3± 0 0 15 1)nats·h- 1 和 (0 15 5 3± 0 0 14 0 )nats·h- 1 ,并估计了两座高炉铁水硅含量可预测的时间尺度分别约为 6 88和 6 4 4h .由Kolmogorov熵均为大于零的有限值 ,定量地说明了这两座高炉冶炼过程具有混沌性 ,同时提出用Kolmogorov熵值大小来诊断高炉炉况 .
- 郜传厚周志敏邵之江
- 关键词：高炉冶炼混沌性铁水硅含量热力学计算
- 基于WA-SVM模型的高炉铁水含硅量预测被引量：4
- 2009年
- 基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WA-SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。
- 王义康郜传厚
- 关键词：铁水含硅量组合预测
- 高炉冶炼过程的混沌性辨识 Ⅰ.饱和关联维数的确定被引量：23
- 2004年
- 以山东莱钢1号高炉和山西临钢6号高炉在线采集的[Si]时间序列为样本空间,容量为1000炉数据,利用相空间重构技术和G-P算法,得出莱钢1号高炉和临钢6号高炉冶炼过程的混沌吸引子的饱和关联维数分别约为3.36和3.12.由高炉冶炼过程混沌吸引子的饱和关联维数存在且为分数,可证明两座高炉冶炼过程存在混沌特性.
- 郜传厚刘祥官
- 关键词：高炉冶炼时间序列相空间重构混沌性
- 一种双足机器人偏摆力矩补偿方法
- 本发明涉及一种双足机器人偏摆力矩补偿方法，针对机器人游离腿的加、减速过程导致与地面的接触面产生偏摆力矩问题，本发明提出基于机器人上半身运动模式实现对偏摆力矩补偿的方法，结合机器人全身结构自由度布局，设计其腰关节或臂关节的...
- 甘春标袁璐雷华郜传厚王小莹葛一敏李子静张金霖余天浩
- 文献传递
- 基于增量LPP的在线过程监控方法及其应用
- 利用流形学习算法建立过程监控模型已成为一个重要的研究方向。本文提出了一种基于增量LPP（Locality Preserving Projection）的在线过程监控方法。针对在线运行过程中数据不断增加的情形,利用上一时刻...
- 曾九孙郜传厚罗世华李启会
- 关键词：流形学习
- 文献传递
- 一种非氧化汞清洗剂及其应用
- 本发明公开了一种非氧化汞清洗剂及其应用。非氧化汞清洗剂包含下列组分：(1)二烷基二硫代次膦酸盐；(2)油性溶剂体系；其中，二烷基二硫代次膦酸盐具有如式I所示的分子结构：<Image file="DDA0004541962...
- 雷华郜传厚甘春标文韵豪
- 高炉铁水Si含量的修正混沌加权一阶局部预报被引量：14
- 2004年
- 基于混沌加权一阶局部预测模型 ,在拟合预测器过程中 ,采用矩阵、向量拟合取代单一变量拟合 ,对预测模型进行了修正 ,并将修正的预测模型应用于国内中型高炉 ( 380— 75 0m3)Si含量预报 ,取得了很好的效果 .同时得出高炉冶炼过程的混沌特征状态量Kolmogorov熵值 。
- 郜传厚周志敏
- 关键词：矩阵加权
- 一种可适应不平整路面的双足机器人足部结构
- 本发明涉及一种可适应不平整路面的双足机器人足部结构，该结构由具有空间多自由度滚珠球形铰链体、足底薄板、姿态传感器、扭簧组成件和集成连接块等组成。整个足部结构模块化分解设计，通过扭簧连接各足底薄板，中间通过集成连接块整合，...
- 甘春标袁璐郜传厚雷华王小莹葛一敏李子静张金霖余天浩
- 文献传递
- 基于多任务学习的高炉热状态预测被引量：1
- 2023年
- 高炉热状态是影响高炉冶炼的重要因素之一,对其进行监控和预测是业界关注的重点。高炉热状态的预测常转化为对铁水硅含量数值变化趋势进行预测的分类问题,以及对铁水硅含量具体数值进行预测的回归问题。结合长短期记忆(LSTM)和多任务学习提出了一种神经网络模型,用于同时解决高炉热状态预测的分类和回归问题。模型在两个典型的高炉数据集上进行训练,分类预测结果准确率可达0.84,回归预测结果命中率和相关系数分别可达0.76和0.819 6。训练了两种单任务学习模型并与多任务学习模型进行对比。试验结果表明,多任务学习模型能同时提升高炉热状态分类和回归任务的预测性能,预测结果均优于单任务模型。
- 胡进郜传厚
- 关键词：高炉铁水硅含量多任务学习
