(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110481339.8 (22)申请日 2021.04.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 113177358 A (43)申请公布日 2021.07.27 (73)专利权人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 赵彦涛　张策　丁伯川　张玉玲　 王正坤　闫欢　郝晓辰　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 专利代理师 张建 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06F 111/10(2020.01) (56)对比文件 CN 102693452 A,2012.09.26 CN 105528636 A,2016.04.27 CN 105022990 A,2015.1 1.04 CN 106444377 A,2017.02.2 2 CN 110444257 A,2019.1 1.12 US 20170 61305 A1,2017.0 3.02 周鹏.基于 CNN-XGBoost 的 PTA 平均粒径 动态软测量模型. 《人工智能》 .2018,第61- 65页. Yichuan Tang 等.De ep Learn ing using Linear Sup port Vector Mac hines. 《arXiv: 1306.0239v4 [cs.LG ]》 .2015,第1- 6页. 审查员 王轩 (54)发明名称 一种基于模糊细粒度特征提取的水泥质量 软测量方法 (57)摘要 本发明公开了一种基于模糊细粒度特征提 取的水泥质量软测量方法， 属于水泥生产质量预 测领域， 首先选用互信息的方法选取与水泥游离 钙含量相关的十二个变量作为辅助变量， 对样本 数据进行预处理， 构建模糊细粒度特征提取软测 量模型， 将处理后的训练数据使用模糊隶属度函 数对样本标签进行隶属度纠正， 训练模糊隶属度 预测模型， 根据样本数据计算出的隶属度划分不 同类别的数据集， 分别对后续特征提取和预测模 型进行训练， 完成模糊细粒度特征提取软测量模 型的训练， 将水泥实时数据输入到模糊隶属度预 测模型中， 根据预测出的隶属度决定输入到哪个 模型进行特征提取和预测， 最后对模 型的输出进 行汇总， 根据隶属度进行加权处理， 得到游离钙 的预测值。 权利要求书2页 说明书6页 附图2页 CN 113177358 B 2022.06.03 CN 113177358 B 1.一种基于模糊细粒度 特征提取的水泥质量软测量方法， 其特征在于所述方法内容包 括以下步骤： 步骤S1： 选择辅助变量采集数据并且进行 数据处理： 通过对水泥生产流程工艺的分析， 选取关联度高的前12个变量作为软测量模型的辅助 变量， 从水泥生产数据库中调取相应的水泥数据， 对数据进行 预处理； 步骤S2： 构建模糊分类模型： 将步骤S1中处理完后的样本数据按水泥熟料游离氧化钙(f ‑CaO)含量的高中低分布情 况设定相应的阈值， 根据设定的阈值将样本数据分为三类， 设定模糊隶属度规则， 根据样本 的f‑CaO含量计算出样本属于每类的模糊隶属度值， 将计算出的隶属度值作为样本对应的 新标签， 使用卷积神经网络(CNN)进行训练， 样本经过模型预测出其对应的隶属度值， 根据 隶属度值所 涉及到的类别选择后续的模型进行输入， 完成样本数据的模糊分类训练； 步骤S3： 构建细粒度特 征提取模型： 将步骤S2中分类后的三类样本数据， 分别使用CNN对数据进行特征提取， 提取出的特征 向量使用回归模 型预测f‑CaO含量， 其中分类标签为低含量和中含量的样 本使用XGBoost回 归模型进行回归训练， 高含量的样本数据使用SVM回归 模型进行训练； 步骤S4： 模型的在线应用： 使用训练数据完成整体模型的训练后， 将经过处理后的水泥实时数据输入到软测量模 型中， 实时样本数据经过模糊分类模型得到样本相应的类别， 然后根据类别选择对应的细 粒度特征提取模型得出预测结果， 基于模糊隶属度的值对预测结果进行加权处理， 实现模 型结果的解模糊化， 最终得到f ‑CaO含量预测值。 2.根据权利要求1所述的一种基于模糊细粒度特征提取的水泥质量软测量方法， 其特 征在于： 步骤S1中根据对 水泥生产流程工艺的分析初步选取可以推导出其它难测变量的易 测变量， 采用互信息的方法表征现有的易测变量与难测变量之间的关联程度， 根据关联程 度的大小选取12个辅助变量作为软测量模型的输入， 根据筛选出的输入变量从水泥生产数 据库中调取相应的数据， 对 数据集进 行预处理， 对 数据进行最大值最小值归一化处理， 然后 使用 3σ 准则剔除数据中异常值。 3.根据权利要求1或2所述的一种基于模糊 细粒度特征提取的水泥质量软测量方法， 其 特征在于： 所述的12个辅助变量包括： 喂料量反馈、 一级筒出口温度反馈、 高温风机频率反 馈、 分解炉出口温度、 窑尾负压反馈、 窑尾温度、 窑电流反馈、 二次风温反馈、 二次篦下压力 反馈、 硅率(SM)、 铝率(IM)、 水硬率(H M)。 4.根据权利要求1所述的一种基于模糊细粒度特征提取的水泥质量软测量方法， 其特 征在于： 在步骤S2中， 根据采集数据标签值的分布， 设定 分类界限， 设定模糊规则， 将选取的 阈值邻近范围设定为模糊区域， 根据三角隶属度函数规则计算样本的隶属度， 选择合适的 结构层数、 卷积核大小以及学习率， 对卷积神经网络进行训练， 实现水泥样本的分类。 5.根据权利要求1所述的一种基于模糊细粒度特征提取的水泥质量软测量方法， 其特 征在于： 构建细粒度特征提取模型， 在步骤S2中分好类的数据， 使用适合当前样本数据特点 的特征提取模型以及回归模型分别对样本数据进行处理， 确定模型中的各项参数， 使得每 一类别的预测效果达 到最优。 6.根据权利要求1所述的一种基于模糊细粒度特征提取的水泥质量软测量方法， 其特权　利　要　求　书 1/2 页 2 CN 113177358 B 2征在于： 在步骤S2和S3中完成了模糊分类模型和细粒度特征提取模型的训练， 在经过数据 处理后的实时数据输入到模糊分类模型时实现样本数据的类别模糊化， 根据样本所属类别 选择相应的特征提取模型得出f ‑CaO含量的预测结果， 最后根据模糊隶属度对子模型的预 测结果进行加权处 理， 实现模型 结果的解模糊化， 得到最终的预测值。权　利　要　求　书 2/2 页 3 CN 113177358 B 3