买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种考虑多时间序列的水泥熟料f-CaO预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116486956B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310445310.3，技术领域涉及：G16C60/00；该发明授权一种考虑多时间序列的水泥熟料f-CaO预测方法是由陈薇;陶杰;刘勇;叶磊设计研发完成，并于2023-04-24向国家知识产权局提交的专利申请。

本一种考虑多时间序列的水泥熟料f-CaO预测方法在说明书摘要公布了：本发明公开了一种考虑多时间序列的水泥熟料f‑CaO预测方法，包括：1、辅助变量数据的采集和预处理；2、计算物料在各个设备中的滞留时间，根据滞留时间的长短，在不同设备中截取不同长度的时间序列变量，然后将截取的时间序列压缩成相同的长度；3、建立分组卷积融合注意力机制的辅助变量特征提取网络，将提取到的特征送入LSTM，最后得到最优模型辅助变量特征提取网络及最优持续时间。本发明充分考虑到不同变量在不同的时间段对f‑Cao最终含量影响程度不一，且变量间相互影响，干扰模型提取特征的问题，通过提取变量时间点特征和分设备提取分组特征，能快速提取辅助变量的有效特征，有助于提高水泥熟料f‑CaO在线预测精度。

本发明授权一种考虑多时间序列的水泥熟料f-CaO预测方法在权利要求书中公布了：1.一种考虑多时间序列的水泥熟料f-CaO预测方法，是应用于由预热分解系统、回转窑和篦冷机所构成的生产设备中，其特征在于，所述水泥熟料f-CaO预测方法是按照如下步骤进行： 步骤1、根据水泥熟料f-Cao产生的工艺机理，选取与水泥熟料f-Cao关联系数较大的个辅助变量，令水泥熟料f-Cao数据的采样周期为，按照采样周期从DCS系统中获取p个水泥熟料f-Cao数据及其对应的辅助变量，并分别进行预处理和按列归一化处理，相应得到水泥熟料f-Cao向量和辅助变量矩阵，其中，表示转置，表示第i个采样周期内的水泥熟料f-Cao数据；表示第i个采样周期内的辅助变量数据，且、、分别表示第i个采样周期内从预热分解系统、回转窑、篦冷机中采集的辅助变量数据； 步骤2、模型输入的处理： 步骤2.1、根据经验公式得出水泥物料在预热分解系统、回转窑和篦冷机中的停留时间分别为、和；且，++； 步骤2.2、令第i个采样周期的开始时刻为，第i个采样周期的结束时刻为；令在第i个采样周期内篦冷机的辅助变量数据中匹配的时间段为，并在第i个采样周期内篦冷机的辅助变量数据中截取从开始到停留时间为止的数据段； 在第i个采样周期内回转窑的辅助变量数据中匹配的时间段为，并在第i个采样周期内回转窑的辅助变量数据中截取从开始到停留时间为止的数据段； 在第i个采样周期内预热分解系统的辅助变量数据中匹配的时间段为，并在第i个采样周期内预热分解系统的辅助变量数据中截取从至为止的数据，其中，，表示持续时间系数，且、1； 步骤2.3、按照步骤2.2的过程对p个采样周期下篦冷机的辅助变量数据分别进行截取后，再通过分段取均值法将所截取的p个篦冷机数据压缩成长度为q的篦冷机矩阵；同理得到长度为q的回转窑矩阵和预热分解系统矩阵；从而由篦冷机矩阵、回转窑矩阵和预热分解系统矩阵构成维度为的辅助变量单通道矩阵； 步骤3、构建基于分设备融合注意力的辅助变量特征提取网络，依次包括：时间点数据加权模块，通道转换层，分设备加权模块和LSTM网络； 步骤3.1、所述时间点数据加权模块依次包括：二维卷积层、时间点数据加权层； 所述辅助变量单通道矩阵输入所述辅助变量特征提取网络中，并经过卷积核大小为的二维卷积层的处理后，得到维度为的特征图，其中，表示截取压缩后的时间段长度； 所述时间点数据加权层利用三个卷积核为的卷积层分别对特征图进行处理，相应得到三个特征图，，，再分别对，，在辅助变量个数维度和时间段维度上进行重构，得到维度为的三个特征图，，； 利用式1得到中第k个时间点数据和中第j个时间点数据的相关程度，从而得到辅助变量的相关程度矩阵； 1 式1中，表示所有辅助变量的时间点数据的个数，且； 将和的转置相乘得到特征图矩阵，然后对进行重构后得到与维度相同的时间点权值特征图，最终将和相加后得到加权后的辅助变量的特征图； 步骤3.2、所述通道转换层利用transpose函数对的通道维度和辅助变量个数维度进行交换，得到形状为的多变量通道特征图； 步骤3.3、所述分设备加权模块依次包括分组融合模块、设备注意力机制模块； 所述分组融合模块包括：分组卷积层和深度可分离卷积层； 所述分组卷积层对多变量通道特征图进行划分，得到预热分解系统特征图，回转窑通征图和篦冷机特征图； 所述深度可分离卷积层利用逐点卷积将、、进行处理，得到融合后的预热分解系统特征图、融合后的回转窑通征图、融合后的篦冷机特征图； 将、、中任意第u个设备和第v个设备的特征图分别记为和，所述设备注意力机制模块分别将和进行转置和重构后，得到第u个设备的特征图矩阵和第v个设备的特征图矩阵；从而利用式2得到第u个设备对第v个设备的影响，进而得到设备影响特征图： 2 利用式3得到加权后的第u个设备的特征图，从而得到设备加权后的时序特征特征图： 3 式3中，表示尺度系数； 步骤3.4、将时序特征特征图送入LSTM网络中进行预测，得到维度为的辅助变量预测结果； 步骤4、最优持续时间的确定和水泥熟料f-CaO预测； 将辅助变量矩阵和水泥熟料f-Cao向量输入模型辅助变量特征提取网络中，并选取不同的，后，通过Adam优化器对网络进行训练，同时计算均方差损失函数以更新网络参数，直至达到最大训练次数为止，从而得到最优模型辅助变量特征提取网络及最优持续时间系数和，用于对辅助变量矩阵进行水泥熟料f-Cao的预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。