Abnormality Monitoring in the Blast Furnace Ironmaking Process Based on Stacked Dynamic Target-Driven Denoising Autoencoders

Accurate monitoring of abnormalities is of great significance to the stable operation of the blast furnace ironmaking process. This article proposes a data-driven model to accurately monitor the abnormal conditions of blast furnaces. Generally, data-driven models primarily rely on feature extraction...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on industrial informatics Ročník 18; číslo 3; s. 1854 - 1863
Hlavní autoři:	Jiang, Ke, Jiang, Zhaohui, Xie, Yongfang, Pan, Dong, Gui, Weihua
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Piscataway IEEE 01.03.2022 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Abnormalities Blast furnace (BF) Blast furnace practice Blast furnaces Data models Deep learning denoising autoencoder (DAE) Design factors dynamic target-driven denoising autoencoder (D-DAE) Feature extraction Iron Ironmaking Machine learning Monitoring Noise reduction process monitoring
ISSN:	1551-3203, 1941-0050
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!