買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜東北大學(xué)申請(qǐng)的專利一種燒結(jié)動(dòng)態(tài)知識(shí)圖譜構(gòu)建方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN119494395B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-09發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202510083692.9，技術(shù)領(lǐng)域涉及：G06N5/022；該發(fā)明授權(quán)一種燒結(jié)動(dòng)態(tài)知識(shí)圖譜構(gòu)建方法是由唐玨;儲(chǔ)滿生;王茗玉;石泉;張振;張智峰;李澤政;封世龍;王川強(qiáng)設(shè)計(jì)研發(fā)完成，并于2025-01-20向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種燒結(jié)動(dòng)態(tài)知識(shí)圖譜構(gòu)建方法在說明書摘要公布了：本發(fā)明提供一種燒結(jié)動(dòng)態(tài)知識(shí)圖譜構(gòu)建方法，涉及知識(shí)圖譜技術(shù)領(lǐng)域，包括：采集實(shí)時(shí)燒結(jié)過程中的全鏈條數(shù)據(jù)，并進(jìn)行參數(shù)分類，得到燒結(jié)目標(biāo)參數(shù)及燒結(jié)過程參數(shù)；基于預(yù)設(shè)數(shù)據(jù)分析方法進(jìn)行趨勢(shì)性關(guān)系分析，從而建立燒結(jié)趨勢(shì)影響知識(shí)圖譜；基于目標(biāo)配礦周期對(duì)燒結(jié)過程參數(shù)進(jìn)行參數(shù)分類，并匹配對(duì)應(yīng)機(jī)器學(xué)習(xí)算法，構(gòu)建燒結(jié)目標(biāo)參數(shù)預(yù)測(cè)模型；獲取與實(shí)時(shí)配礦結(jié)構(gòu)吻合度最高的第一歷史數(shù)據(jù)點(diǎn)對(duì)應(yīng)的燒結(jié)趨勢(shì)影響知識(shí)圖譜，同時(shí)基于燒結(jié)目標(biāo)參數(shù)預(yù)測(cè)模型獲取與當(dāng)前生產(chǎn)狀態(tài)吻合度最高的第二歷史數(shù)據(jù)點(diǎn)，得到燒結(jié)量化影響知識(shí)圖譜，確定實(shí)時(shí)配礦結(jié)構(gòu)對(duì)應(yīng)的燒結(jié)趨勢(shì)及量化影響知識(shí)圖譜結(jié)果。能夠?qū)崿F(xiàn)機(jī)理數(shù)據(jù)的融合，提高系統(tǒng)處理效率及精準(zhǔn)度。

本發(fā)明授權(quán)一種燒結(jié)動(dòng)態(tài)知識(shí)圖譜構(gòu)建方法在權(quán)利要求書中公布了：1.一種燒結(jié)動(dòng)態(tài)知識(shí)圖譜構(gòu)建方法，其特征在于，包括：步驟1：采集實(shí)時(shí)燒結(jié)過程中的全鏈條數(shù)據(jù)，并進(jìn)行參數(shù)分類，得到燒結(jié)目標(biāo)參數(shù)及燒結(jié)過程參數(shù)；步驟2：基于預(yù)設(shè)數(shù)據(jù)分析方法對(duì)燒結(jié)目標(biāo)參數(shù)及燒結(jié)過程參數(shù)之間的趨勢(shì)性關(guān)系進(jìn)行分析，從而建立燒結(jié)趨勢(shì)影響知識(shí)圖譜；步驟3：基于目標(biāo)配礦周期對(duì)燒結(jié)過程參數(shù)進(jìn)行參數(shù)分類，并基于每一分類結(jié)果匹配對(duì)應(yīng)的機(jī)器學(xué)習(xí)算法，從而構(gòu)建燒結(jié)過程的燒結(jié)目標(biāo)參數(shù)預(yù)測(cè)模型；步驟4：獲取與實(shí)時(shí)配礦結(jié)構(gòu)吻合度最高的第一歷史數(shù)據(jù)點(diǎn)對(duì)應(yīng)的燒結(jié)趨勢(shì)影響知識(shí)圖譜，同時(shí)基于燒結(jié)目標(biāo)參數(shù)預(yù)測(cè)模型獲取與當(dāng)前生產(chǎn)狀態(tài)吻合度最高的第二歷史數(shù)據(jù)點(diǎn)，得到燒結(jié)量化影響知識(shí)圖譜，確定實(shí)時(shí)配礦結(jié)構(gòu)對(duì)應(yīng)的燒結(jié)趨勢(shì)及量化影響知識(shí)圖譜結(jié)果；其中，基于每一分類結(jié)果匹配對(duì)應(yīng)的機(jī)器學(xué)習(xí)算法，從而構(gòu)建燒結(jié)過程的燒結(jié)目標(biāo)參數(shù)預(yù)測(cè)模型，包括：提取每一分類結(jié)果對(duì)應(yīng)的機(jī)器學(xué)習(xí)算法中與目標(biāo)燒結(jié)過程匹配度最高的機(jī)器學(xué)習(xí)算法作為最優(yōu)算法；從燒結(jié)數(shù)據(jù)庫(kù)中提取目標(biāo)燒結(jié)過程的歷史燒結(jié)過程參數(shù)及歷史燒結(jié)目標(biāo)參數(shù)，并結(jié)合最優(yōu)算法得到初始燒結(jié)目標(biāo)參數(shù)預(yù)測(cè)模型，從而進(jìn)行模型驗(yàn)證，得到目標(biāo)燒結(jié)過程的燒結(jié)目標(biāo)參數(shù)預(yù)測(cè)模型；其中，步驟3，包括：步驟31：獲取目標(biāo)燒結(jié)過程的配礦周期，并基于所述配礦周期對(duì)燒結(jié)過程參數(shù)及燒結(jié)目標(biāo)參數(shù)進(jìn)行參數(shù)分類，得到第一周期參數(shù)集合；步驟32：基于第一周期參數(shù)集合中每一第一周期參數(shù)子集合中參數(shù)特性從算法數(shù)據(jù)庫(kù)中提取對(duì)應(yīng)的機(jī)器學(xué)習(xí)算法，得到每一第一周期參數(shù)子集合對(duì)應(yīng)的第一機(jī)器學(xué)習(xí)算法，從而得到目標(biāo)燒結(jié)過程的第一機(jī)器學(xué)習(xí)算法集合；步驟33：將第一機(jī)器學(xué)習(xí)算法集合中每一第一機(jī)器學(xué)習(xí)算法進(jìn)行比較分析，從而確定與目標(biāo)燒結(jié)過程匹配度最高的第一機(jī)器學(xué)習(xí)算法作為最優(yōu)算法，從而得到目標(biāo)燒結(jié)過程的燒結(jié)目標(biāo)參數(shù)預(yù)測(cè)模型；其中，第一機(jī)器學(xué)習(xí)算法集合是指根據(jù)第一周期參數(shù)集合中每一子集合的參數(shù)特性從算法數(shù)據(jù)庫(kù)中提取的機(jī)器學(xué)習(xí)算法構(gòu)成的算法集合；其中，最優(yōu)算法是指在第一機(jī)器學(xué)習(xí)算法集合中，與目標(biāo)燒結(jié)過程匹配度最高的機(jī)器學(xué)習(xí)算法；其中，步驟33，包括：步驟331：基于燒結(jié)生產(chǎn)經(jīng)驗(yàn)對(duì)不同配礦結(jié)構(gòu)進(jìn)行區(qū)分，并獲取每一配礦周期對(duì)應(yīng)的第一周期參數(shù)，從而獲取不同配礦周期內(nèi)不同機(jī)器學(xué)習(xí)算法確定的燒結(jié)目標(biāo)參數(shù)與燒結(jié)過程參數(shù)之間的趨勢(shì)性影響，得到趨勢(shì)性影響集合；步驟332：基于趨勢(shì)影響集合判斷每一燒結(jié)過程參數(shù)對(duì)應(yīng)的趨勢(shì)性影響結(jié)果；若目標(biāo)燒結(jié)過程參數(shù)及對(duì)應(yīng)的燒結(jié)目標(biāo)參數(shù)的趨勢(shì)性影響與機(jī)理知識(shí)圖譜一致，則機(jī)理數(shù)據(jù)匹配指數(shù)加1；若目標(biāo)燒結(jié)過程參數(shù)及對(duì)應(yīng)的燒結(jié)目標(biāo)參數(shù)的趨勢(shì)性影響與機(jī)理知識(shí)圖譜不一致，則機(jī)理數(shù)據(jù)匹配指數(shù)減1，同時(shí)，刪除機(jī)理數(shù)據(jù)匹配指數(shù)較小的方法；步驟333：基于目標(biāo)燒結(jié)過程的歷史燒結(jié)過程參數(shù)及歷史燒結(jié)目標(biāo)參數(shù)確定對(duì)應(yīng)的歷史機(jī)理知識(shí)圖譜；步驟334：基于歷史機(jī)理知識(shí)圖譜的均值確定目標(biāo)燒結(jié)過程的機(jī)理知識(shí)圖譜，從而獲取對(duì)燒結(jié)目標(biāo)參數(shù)影響最大的預(yù)設(shè)組燒結(jié)過程參數(shù)，并基于每一燒結(jié)過程參數(shù)對(duì)應(yīng)第一機(jī)器學(xué)習(xí)算法的相對(duì)排序結(jié)果確定目標(biāo)燒結(jié)過程的最優(yōu)算法；其中，趨勢(shì)性影響指的是燒結(jié)過程參數(shù)與燒結(jié)目標(biāo)參數(shù)之間隨時(shí)間或配礦周期變化的趨勢(shì)關(guān)系。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人東北大學(xué)，其通訊地址為：110819 遼寧省沈陽(yáng)市和平區(qū)文化路3號(hào)巷11號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。