基于深度置信网络的烧结矿化学成分预测方法技术

本发明专利技术公开了一种基于深度置信网络的烧结矿化学成分预测方法。该方法根据烧结混合料化学成分，采用基于DBN算法的预测方法来预测烧结矿化学成分；具体包括以下步骤：首先获取烧结厂实际生产的历史数据，剔除异常数据并归一化处理；然后确定影响烧结矿质量的输入输出参数，使用灰色关联分析法来检验输入参数的合理性；再建立基于DBN的烧结矿化学成分预测模型，并使用历史数据数据训练、优化预测模型；最后以此预测模型来预测烧结矿化学成分，并对结果反归一化处理，得到烧结矿化学成分预测值。与现有技术相比，本发明专利技术基于DBN的预测模型能更精确实现复杂非线性函数的逼近，提高烧结矿化学成分预测精度，在实际生产中具有应用推广价值。

Prediction method of sinter chemical composition based on deep belief network

The invention discloses a prediction method for sinter chemical composition based on deep belief network. According to the chemical composition of sinter mixture, the method uses the prediction method based on DBN algorithm to predict the chemical composition of sinter. It includes the following steps: firstly, obtain the historical data of actual production in sintering plant, eliminate the abnormal data and normalize them; then determine the input and output parameters that affect the sinter quality, and use ash. Color correlation analysis is used to verify the rationality of the input parameters, and then a prediction model of sinter chemical composition based on DBN is established, and the prediction model is trained and optimized by using historical data. Finally, the prediction model is used to predict the sinter chemical composition, and the results are inversely normalized to obtain the predicted value of sinter chemical composition. Compared with the prior art, the prediction model based on DBN can more accurately realize the approximation of complex nonlinear functions, improve the prediction accuracy of sinter chemical composition, and has the application and popularization value in actual production.

【技术实现步骤摘要】
基于深度置信网络的烧结矿化学成分预测方法
本专利技术属于钢铁冶炼
，涉及一种烧结矿化学成分预测方法，特别涉及一种基于深度置信网络的烧结矿化学成分预测方法。
技术介绍
烧结矿是高炉炼铁的主要原料，烧结矿的化学成分是评测烧结矿质量的重要指标。配料是烧结生产的首道工序，对烧结矿的化学成分具有重大影响。由于烧结矿化学原料来源广、品种多、成分复杂，烧结过程具有长时间滞后、强耦合、非线性等特点使得烧结矿化学成分很难准确控制。通过在配料配比制定过程中，对烧结矿化学成分进行精确预测，及时调整原料配比，提高烧结矿质量具有重要意义。在烧结矿化学成分预测研究中，随着计算机技术的发展，一些浅层智能预测模型近些年得到了较广泛的研究和应用，提高了预测精度。龙红明等人采用带动量项的线性再励自适应变步长BP神经网络算法，建立了基于多周期运行模式的烧结矿化学成分预报模型；范晓慧等人结合灰色预测和神经网络预测方法的优点，建立了基于灰色神经网络的烧结矿化学成分预测模型；宋强等人提出了基于最小二乘支持向量机的烧结矿化学成分的软测量模型的研究,利用支持向量机建立烧结矿化学成分的预报模型。上述文献中提到的神经网络，灰色理论和支持向量机等属于浅层学习算法，浅层学习算法在给定有限数量的样本时是很难有效地表示非线性复杂函数，泛化能力受到了限制，进而影响烧结矿化学成分预测结果。深度学习是一种模拟人类大脑的多层感知结构算法。相对于浅层学习方法，深度学习通过学习一种深层非线性网络结构，能更精确实现复杂非线性函数的逼近，近年来已经在许多领域得到了有效应用。深度置信网络(DeepBeliefNetwork，简称DBN)是一种常用的深度学习的框架。
技术实现思路
本专利技术的目的在于，克服上述现有技术的不足，提供一种基于深度置信网络的烧结矿化学成分预测方法。该方法通过建立DBN预测模型，可充分发掘烧结过程的本质特征，提高烧结矿化学成分预测精度。本专利技术的目的是通过以下技术方案实现的：一种基于深度置信网络(即DBN)的烧结矿化学成分预测方法，该方法是：在烧结原料配料完成后，得到混合料，根据混合料化学成分，采用基于深度置信网络(即DBN)算法的预测方法来预测烧结矿化学成分，以检验烧结配料过程中配比的准确性，及时调整配比，达到改进烧结矿质量的目的。该方法具体包括以下步骤：S1：获取烧结厂实际生产的历史数据，对获取的数据进行预处理，剔除异常数据并进行归一化处理；S2：确定影响烧结矿质量的输入输出参数，使用灰色关联分析法来检验输入参数的合理性；S3：建立基于DBN的烧结矿化学成分预测模型，使用步骤S1中的数据对预测模型进行训练，优化预测模型；S4：以步骤S3得到的预测模型来预测烧结矿化学成分，预测结束后得到的数据在[0,1]之间，再对这些得到的数据进行反归一化处理，得到烧结矿化学成分预测值。进一步的，所述步骤S1中：获取烧结厂实际生产的历史数据包括混合料化学成分及其对应的烧结矿化学成分。异常数据分为两类，一类是由于系统通讯错误或者软件错误等引起的异常采集数据。这个时候烧结过程可能正常运行，但是系统采集到的数据已经不具有参考意义，所以剔除这部分数据。另一类是异常工况引起的异常数据。本专利技术的预测模型是建立在正常工况下所采集的数据，异常工况会对烧结过程产生影响，异常工况下的化验结果(异常数据)不能正常反映混合料和烧结矿之间的关系。上述两类异常数据都需要剔除。针对上述情况，剔除上述两类异常数据后得到正常工况下的数据。考虑到输入和输出数据之间数据级和数据量纲的差别，为了保证预测模型的效率和精度，对数据统一进行归一化处理。归一化公式为：式中，X′为归一化处理后各数据序列，X为归一化处理前各数据序列，Xmax为数据序列中最大值，Xmin为数据序列中最小值。对数据进行归一化处理，是将数据变换到[0,1]之间。DBN算法在使用softmax函数时，为避免网络工作在函数的平坦区域，将数据变换到[0.1,0.9]，运用以下公式：进一步的，所述步骤S2中：根据实际生产经验和查阅资料，选择直接影响烧结矿质量的化学成分，确定输出参数以及影响输出参数的输入参数。为增加预测模型输入参数选择的可靠性，本专利技术采用灰色关联分析方法对上述参数和预测参数进行分析，来验证上述日常检测参数是否合理，并去掉不合理的参数来确定输入参数。灰色关联分析方法直接忽略无法得到的信息，采用关联度来衡量不同系统随时间变化的相关性大小，反映的是两个序列之间的变化趋势，若两个序列变化趋势具有一致性，那么两者关联程度较高，反之关联程度则较低。灰色关联分析方法为模型输入参数的确定提供了理论基础。灰色关联分析公式如下所示：式中，r代表不同数据序列的关联度，取值0到1之间，其反映了两个数据序列的相关程度，r值越接近1，说明相关性越好。y(k)为参考数据序列，为比较数据序列，ρ为分辨系数，用来削弱参考数据序列与比较数据序列差异较大时的关联度失真影响。序列y(k)和分别为原始参考数据序列x(k)和原始比较数据序列均值化处理后的数据序列，均值化处理可以消除数据序列中数据量纲的影响，均值化处理公式如下：进一步的，所述步骤S3中，建立基于DBN的烧结矿化学成分预测模型的方法如下：首先确定DBN模型网络结构。DBN模型尚无最优网络结构相关的理论，实际实验研究发现使用3-6层RBM(限制性波尔兹曼机)结构效果较好，通过反复调试对比可获得最优模型层数。其次是设置DBN模型参数。模型参数包括隐层节点数、迭代次数、批量大小、学习效率、训练步数和激励函数等，参数设计是综合考虑预测精度和训练时间的结果。最后对DBN模型进行训练。利用步骤S1中的数据对DBN模型进行训练，训练方法为：先使用无监督贪婪算法预训练模型；然后再通过BP算法反向传播优化整个模型(即权值微调)。亦即：该模型训练过程主要分为以下2步，每一步的具体过程如下：Step1：模型预训练:采用Hinton提出的无监督贪婪算法充分训练第一层RBM得到权重w1，可以得到一个与输入数据类似分布的输出，这一过程即是特征提取。保持w1不变，将第一层RBM隐藏层输出作为第二层RBM可视层的输入，继续训练第二个RBM。重复此过程直至所有的RBM训练完成，得到权重w2和w3，确保在特征映射过程中特征向量映射到不同的特征空间时，尽可能多的保留特征信息。最后映射到输出层，输出层激励函数为softmax函数，通过和数据标签对比，随机初始化输出层权值w。Step2：权值微调:经过Step1预训练之后，得到了网络的初始权值w1，w2，w3，w。通过在DBN的最后一层设置BP网络，根据样本数据标签反向传播有监督地微调初始权值。微调过程中，使用以下目标函数：其中，θ＝{w1w2w3w}，即需要微调的权值，yi为样本标签，yi′为预测结果。因为w是随机初始化的，所以微调过程中需要先调整w的值，若干次迭代后，再微调w1，w2，w3的值。DBN训练每一层RBM时，只保证该RBM内映射权值最优化，而不管其他RBM权值，因此，BP算法将预测值与样本数据标签误差反向传播至整个网络，逐层优化DBN模型。DBN训练过程可以看作对一个深层BP网络权值参数的初始化，该过程防止了DBN网络出现BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络的烧结矿化学成分预测方法，其特征在于，在烧结原料配料完成后，得到混合料，根据混合料化学成分，采用基于深度置信网络即DBN算法的预测方法来预测烧结矿化学成分，以检验烧结配料过程中配比的准确性，及时调整配比，改进烧结矿质量；该方法具体包括以下步骤：S1：获取烧结厂实际生产的历史数据，对获取的数据进行预处理，剔除异常数据并进行归一化处理；S2：确定影响烧结矿质量的输入输出参数，使用灰色关联分析法来检验输入参数的合理性；S3：建立基于DBN的烧结矿化学成分预测模型，使用步骤S1中的数据对预测模型进行训练，优化预测模型；S4：以步骤S3得到的预测模型来预测烧结矿化学成分，预测结束后得到的数据在[0,1]之间，再对这些得到的数据进行反归一化处理，得到烧结矿化学成分预测值。

【技术特征摘要】
1.一种基于深度置信网络的烧结矿化学成分预测方法，其特征在于，在烧结原料配料完成后，得到混合料，根据混合料化学成分，采用基于深度置信网络即DBN算法的预测方法来预测烧结矿化学成分，以检验烧结配料过程中配比的准确性，及时调整配比，改进烧结矿质量；该方法具体包括以下步骤：S1：获取烧结厂实际生产的历史数据，对获取的数据进行预处理，剔除异常数据并进行归一化处理；S2：确定影响烧结矿质量的输入输出参数，使用灰色关联分析法来检验输入参数的合理性；S3：建立基于DBN的烧结矿化学成分预测模型，使用步骤S1中的数据对预测模型进行训练，优化预测模型；S4：以步骤S3得到的预测模型来预测烧结矿化学成分，预测结束后得到的数据在[0,1]之间，再对这些得到的数据进行反归一化处理，得到烧结矿化学成分预测值。2.根据权利要求1所述的基于深度置信网络的烧结矿化学成分预测方法，其特征在于，所述步骤S1中：获取烧结厂实际生产的历史数据包括混合料化学成分及其对应的烧结矿化学成分；异常数据包括两类，一类是由于系统通讯错误或者软件错误引起的异常采集数据；另一类是异常工况引起的异常数据；上述两类异常数据都要剔除；对数据进行归一化处理，是将数据变换到[0,1]之间；DBN算法在使用softmax函数时，为避免网络工作在函数的平坦区域，将数据变换到[0.1,0.9]，运用以下公式：式中，X′为归一化处理后各数据序列，X为归一化处理前各数据序列，Xmax为数据序列中最大值，Xmin为数据序列中最小值。3.根据权利要求1所述的基于深度置信网络的烧结矿化学成分预测方法，其特征在于，所述步骤S2中：根据实际生产经验和查阅资料，选择直接影响烧结矿质量的化学成分，确定输入、输出参数；采用以下灰色关联分析公式来验证输入参数是否合理：式中，r代表不同数据序列的关联度，其反映了两个数据序列的紧密程度，y(k)为参考数据序列，为比较数据序列，ρ为分辨系数，用来削弱参考数据序列与比较数据序列差异较大时的关联度失真影响；序列y(k)和分别为原始参考数据序列x(k)和原始比较数据序列均值化处理后的数据序列，均值化处理可以消除数据序列中数据量纲的影响，均值化处理公式如下：4.根据权利要求1所述的基于深度置信网络的烧结矿化学成分预测方法，其特征在于，所述步骤S3中，建立基于DBN的烧结矿化学成分预测模型的方法如下：首先确定DBN模型网络结构；通过反复调试获得DBN模型层数，采用3-6层RBM结构；其次是设置DBN模型参数；模型参数包括隐层节点数、迭代次数、批量大小、学习效率、训练步数和激励函数，参数设计...

【专利技术属性】
技术研发人员：王斌，袁致强，张良力，梁开，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北,42