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 ...
【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
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。