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！

龙图腾网获悉中国地质大学(武汉)申请的专利烧结过程碳耗自适应加权宽度回声状态学习系统建模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：CN119398964B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411542119.1，技术领域涉及：G06Q50/04；该发明授权烧结过程碳耗自适应加权宽度回声状态学习系统建模方法是由胡杰;刘俊勇;吴敏;陈略峰;曹卫华;李鸿翔设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本烧结过程碳耗自适应加权宽度回声状态学习系统建模方法在说明书摘要公布了：本发明提供了一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，涉及钢铁烧结过程生产节能降耗领域，该方法包括：基于烧结过程机理分析和数据相关性分析，确定直接影响烧结碳耗的过程参数：BRP、BRP温度、BTP、BTP温度、风箱负压、垂直燃烧速度、台车速度、料层厚度、返矿、焦粉配比、FeT含量、SiO2含量、CaO含量和MgO含量；然后以一种自适应加权宽度回声状态学习系统建立烧结碳耗智能预测模型；最后，根据实际生产数据，以影响烧结碳耗直接相关的过程参数为输入，烧结碳耗为输出，进行烧结碳耗的动态预测。本发明的有益效果是：该烧结碳耗智能预测方法能够实现碳耗的准确动态预测，提高碳的利用率，进而为实现钢铁工业绿色制造和智能制造奠定基础。

本发明授权烧结过程碳耗自适应加权宽度回声状态学习系统建模方法在权利要求书中公布了：1.一种烧结过程碳耗自适应加权宽度回声状态学习系统建模方法，其特征在于：包括以下步骤： S1：基于烧结过程机理分析和数据相关性分析，确定直接影响烧结碳耗的过程参数，该过程参数包括：BRP、BRP温度、BTP、BTP温度、风箱负压、垂直燃烧速度、台车速度、料层厚度、返矿、焦粉配比、FeT含量、SiO2含量、CaO含量和MgO含量； S2：根据自适应加权宽度回声状态学习系统，建立烧结碳耗智能预测模型并训练；所述烧结碳耗智能预测模型包括特征节点层和储层； 建立烧结碳耗智能预测模型的过程如下： S2.1：由直接影响烧结碳耗的过程参数及对应的烧结碳耗组成的训练样本数据集为{xt,Yt,t＝1,2,...,N}，xt为第t个训练样本，作为烧结碳耗智能预测模型的输入，Yt为第t个烧结碳耗，N表示训练样本数据集的总样本数；输入数据集将X随机映射到n组特征上，第i个映射的特征Fi记为： 其中，是激励函数；是权值向量；是偏差向量；n表示特征映射次数； 将输入数据集X经过n次特征映射转化后得到： F＝[F1,F2,…,Fn] 其中，F表示特征节点层输出的映射特征向量； S2.2：为捕捉自适应加权宽度回声状态学习系统的动态特征，将F通过非线性变换传递到储层，得到储层状态更新方程表示为： 其中，是双曲正切函数，Win和Wback通过回声状态网络学习随机生成；En表示第n次特征映射的储层状态，Fn表示第n次映射的特征，En-1表示第n-1次特征映射的储层状态； S2.3：储层的输出与特征节点层的所有输出相结合： A＝[F|E] 其中，E表示储层的输出；F表示特征节点层的输出，即映射特征向量； S2.4：求解系统的优化问题： argmin:||θAW-Y||2+λ||W||2 其中，θ是与每个输入样本和相关的对角矩阵，λ表示权衡参数，W为输出层中的权值，Y表示烧结碳耗； S2.5：当得到W时，自适应加权宽度回声状态学习系统训练完成，形成烧结碳耗智能预测模型： 其中，表示烧结碳耗智能预测模型的预测值； S3：根据实际生产数据，以直接影响烧结碳耗的过程参数为输入，烧结碳耗为输出，利用训练好的烧结碳耗智能预测模型进行烧结碳耗的动态预测。

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中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388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。