System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及富氧底吹铜熔炼,具体为一种lstm融合机理模型预测富氧底吹铜熔炼关键参数的方法。
技术介绍
1、富氧底吹炉是一种结构紧凑、原料适应性强、熔炼效率高、符合当前环保要求的先进熔炼炉。在铜冶炼的过程中,主要有三个状态参数尤为重要,分别是铜锍品位、铜锍温度以及渣中铁硅比。铜锍品位的高低直接影响了冶炼效率和产品质量,是衡量铜冶炼过程效果的关键指标。铜锍温度过高或过低都会影响冶炼过程中的热力学平衡和能源消耗。渣中铁硅比影响渣的流动性和化学性质。在实际生产中,目前对于这三个参数的测量主要是采用比较昂贵的设备对其进行检测,如在对冰铜温度检测时,采用辐射高温计来测量,对于铜锍以及渣中铁硅比则是利用昂贵的化验仪器来确定其中的主要成分,这种方法的检测手段效率较低,需要耗费大量的资金,而且,由于富氧底吹铜熔炼过程是在高温的环境下进行,在检测的时候需要花费一段时间对其进行一定程度的降温处理才能直接测量,检测结果存在一定的滞后性,这种滞后检测结果会使实际的数据存在误差较大、数据丢失等问题,不利于实时指导生产过程。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本专利技术提供了一种lstm融合机理模型预测富氧底吹铜熔炼关键参数的方法,具备提高预测精度等优点,解决了上述技术问题。
3、(二)技术方案
4、为实现上述目的,本专利技术提供如下技术方案:一种lstm融合机理模型预测富氧底吹铜熔炼关键参数的方法,包括以下步骤:
5、s1、构建
6、s2、通过vmd算法对铜熔炼过程中的历史过程参数集进行分解;
7、s3、通过fa算法对vmd算法处理后的数据进行因子分析,用于减少特征维度;
8、s4、构建lstm模型,将机理模型的输出与vmd算法和fa算法的结果结合形成一个综合特征集,用于对lstm模型进行约束;
9、s5、将生产的实时数据输入lstm模型,对关键工艺参数进行预测。
10、作为本专利技术的优选技术方案,所述步骤s1构建的机理模型包括物料平衡分析、化学反应动力学分析和热力学分析,所述物料平衡分析包括入炉原矿石物料、入炉溶剂物料、烟尘、炉渣以及技术指标的平均值,所述化学反应动力学分析包括富氧底吹铜熔炼过程中入炉的物质及化学反应方程进行建立,所述热力学分析包括对生产过程中的多相反应体系中对系统的自由度进行计算。
11、作为本专利技术的优选技术方案,所述系统的自由度表达式如下:
12、f=nc-np+2
13、其中,f表示系统自由度,nc表示组分数,np表示相数。
14、作为本专利技术的优选技术方案,所述步骤s2中的vmd算法处理历史数据的具体过程如下:
15、s2.1、确定历史数据的特性确定分解层数k、选择罚因子α、设置收敛条件ε和拉格朗日乘子更新参数τ;
16、s2.2、在确定信号f(t)分解层数为k的情况下,初始化k个模态分量的初始幅值集合中心频率合集和拉格朗日乘子的初始值λ;
17、s2.3、确定重构信号和原始信号之间的约束条件,具体表达式如下:
18、
19、
20、其中,min{*}表示最小值运算,表示分解后得到的k个imf分量,uk(t)表示imf分量关于时间t的变化,表示各个imf分量的中心频率,j表示虚数单位,*表示卷积,表示时间导数,δ(t)表示单位脉冲函数,表示二范数,s.t.表示对该式的约束,e表示自然对数;
21、s2.4、引入拉格朗日乘子λ(t)和罚因子α,并构建增广拉格朗日函数la,具体表达式如下:
22、
23、其中,la({uk},{ωk},λ)表示根据分解后得到的k个imf分量{uk}、各个imf分量的中心频率{ωk}和拉格朗日乘子的初始值λ构建的增广拉格朗日函数,<λ(t),f(t)-∑kuk>表示拉格朗日乘数法中的约束部分,f(t)-∑kuk表示残差;
24、s2.5、通过迭代法对增广拉格朗日函数的鞍点进行求解,表达式如下:
25、
26、其中,表示信号f(t)的傅里叶变换,表示拉格朗日乘子λ(t)的傅里叶变换,ω表示角频率与信号的振荡速度相关,ωk表示中心频率,表示对除i=k之外的数据进行求和,表示第i个模态分量的傅里叶变换;
27、s2.6对k个模态分量{uk}、中心频率{ωk}以及拉格朗日乘子λ(t)进行迭代求解,直到满足收敛条件ε,完成信号分解。
28、作为本专利技术的优选技术方案,所述fa算法的具体步骤如下:
29、s3.1、对样本进行标准化处理,对原始数据中的n个样本,和数据中的变量m,分别为x1,x2,…,xm,且第i个样本的第j个变量的值为aij,标准化处理后的值为
30、s3.2、计算相关系数矩阵r,具体计算公式如下:
31、r=(rij)m×m
32、
33、其中,和分别表示k个样本在第i个变量上的标准化值和k个样本在第j个变量上的标准化值,rij表示第i个变量和第j个变量的相关系数;
34、s3.3、根据相关系数矩阵r的特征值和特征向量,得出因子载荷矩阵λ1,具体表达式如下:
35、
36、其中,λ1、λ2、…、λm分别为m个特征值,η1、η2、…、ηm分别为对应特征值的特征向量;
37、s3.4、确定主因子数量p,且根据主因子数量p对因子载荷矩阵λ1进行旋转,得到旋转后的矩阵λ2,具体表达式如下:
38、
39、其中,λ1(p)表示因子载荷矩阵λ1前p列,t表示正交矩阵,αmp表示经过旋转的第m个变量在第p个因子上的因子载荷,接着构建因子模型,具体表达式如下:
40、
41、其中,f1、f2、…、fp表示不同的因子,分别表示标准化后的样本;
42、s3.5、计算因子得分具体表达式如下:
43、
44、
45、其中,r-1表示相关系数矩阵的逆矩阵,βjm表示第m个变量对第j个因子的回归系数,βpm表示第m个变量对第p个因子的回归系数。
46、作为本专利技术的优选技术方案,所述s4中lstm模型将综合特征集分为训练集和测试集,利用训练集对模型进行训练,在预测结束后通过反归一化将预测结果反归一化到原始数据的尺度,并对误差进行计算,完成lstm模型的构建。
47、与现有技术相比,本专利技术提供了一种lstm融合机理模型预测富氧底吹铜熔炼关键参数的方法,具备以下有益效果:
48、1、本专利技术通过lstm可以有效捕捉时间序列数据中的长期依赖关系和复杂模式,而机理模型可以提供对过程物理和化学原理的深入理解。这种融合可以整合两种方法的优势,提高预测的准确性。
49、2、本专利技术通过铜冶炼是一个复杂和高度非线性本文档来自技高网...
【技术保护点】
1.一种LSTM融合机理模型预测富氧底吹铜熔炼关键参数的方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种LSTM融合机理模型预测富氧底吹铜熔炼关键参数的方法,其特征在于:所述步骤S1构建的机理模型包括物料平衡分析、化学反应动力学分析和热力学分析,所述物料平衡分析包括入炉原矿石物料、入炉溶剂物料、烟尘、炉渣以及技术指标的平均值,所述化学反应动力学分析包括富氧底吹铜熔炼过程中入炉的物质及化学反应方程进行建立,所述热力学分析包括对生产过程中的多相反应体系中对系统的自由度进行计算。
3.根据权利要求2所述的一种LSTM融合机理模型预测富氧底吹铜熔炼关键参数的方法,其特征在于:所述系统的自由度表达式如下:
4.根据权利要求1所述的一种LSTM融合机理模型预测富氧底吹铜熔炼关键参数的方法,其特征在于:所述步骤S2中的VMD算法对铜熔炼过程中的历史过程参数集进行分解,具体过程如下:
5.根据权利要求4所述的一种LSTM融合机理模型预测富氧底吹铜熔炼关键参数的方法,其特征在于:所述FA算法的具体步骤如下:
6.根据权利要求
...【技术特征摘要】
1.一种lstm融合机理模型预测富氧底吹铜熔炼关键参数的方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种lstm融合机理模型预测富氧底吹铜熔炼关键参数的方法,其特征在于:所述步骤s1构建的机理模型包括物料平衡分析、化学反应动力学分析和热力学分析,所述物料平衡分析包括入炉原矿石物料、入炉溶剂物料、烟尘、炉渣以及技术指标的平均值,所述化学反应动力学分析包括富氧底吹铜熔炼过程中入炉的物质及化学反应方程进行建立,所述热力学分析包括对生产过程中的多相反应体系中对系统的自由度进行计算。
3.根据权利要求2所述的一种lstm融合机理模型预测富氧底吹铜熔炼关键参数的方法,其特征在于:所述系统的自由度...
【专利技术属性】
技术研发人员:张晓龙,张国淼,马骥,张檠,李惟骞,钟珑昕,郭泊源,赵培新,
申请(专利权)人:昆明理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。