一种基于PSO-ELM算法的烧结矿质量预报方法技术

一种基于PSO‑ELM算法的烧结矿质量预报方法，属于计算机应用技术领域，其特征是包括以下步骤：通过在烧结现场采集大量的数据，建立基于PSO‑ELM神经网络的烧结矿质量预报模型，选用烧结混合料作为输入，以TFe、CaO、SiO2作为输出，采用灰色关联方法对上述数据和预测参数进行分析，并对模型分别进行训练和仿真。该预报模型为科学指导烧结配矿提供了理论依据。依据本方法可实现优化配矿，为生产出高质量、高产量的烧结矿提供参考。

【技术实现步骤摘要】
一种基于PSO-ELM算法的烧结矿质量预报方法
本专利技术涉及计算机在冶金生产中应用
，尤其涉及一种基于PSO-ELM算法的烧结矿质量预报方法。
技术介绍
炼铁生产中烧结矿的生产是其关键工艺之一，烧结矿的质量直接关系到以后炼铁和炼钢产品质量，所以烧结矿质量预测方法的确立和完善对于烧结矿质量的有效提高和优化烧结工艺过程都会有很好的影响，应该充分做到科学化，理想化。传统的对铁矿石烧结矿质量预报的实验方法，所需时间长、耗材多、费用高。为了正确把握铁矿石在烧结过程中高温条件下的行为及其相互作用，实现烧结生产的合理配矿，为工艺参数的合理选择、优化提供理论依据，对铁矿石的烧结矿质量进行快速、准确的预报，其意义重大。
技术实现思路
(一)要解决的技术问题针对现有存在的技术问题，本专利技术提供了一种基于PSO-ELM算法的烧结矿质量预测预报方法，具有效率高、成本低、且精度高的优点。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：一种基于PSO-ELM算法的烧结矿质量预报方法，包括包括以下步骤：(1)获取待检测的烧结矿样本数据，包括化学成分、物理特性；(2)对所述烧结矿数据进行处理，建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型。优选地，在前面所述的烧结矿质量预报模型，需要依据以下步骤进行建立(1)设置粒子群算法优化的极限学习机神经网络的参数，其中，设置输入层的节点个数为n，设置输出层的节点为1；(2)将烧结矿混合料成分作为所述粒子群算法优化的极限学习机神经网络的输入数据；(3)将所述烧结矿的TFe、CaO、SiO2数据分别作为所述每个粒子群算法优化的极限学习机神经网络的输出数据；(4)使用粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量；(5)将所述最优权重矩阵设置为所述粒子群算法优化的极限学习机神经网络的权重矩阵；(6)将所述最优偏置向量设置为所述粒子群算法优化的极限学习机神经网络的偏置向量；以此获得的基于粒子群算法优化的极限学习机神经网络即为烧结矿质量预报模型。优选的，在前面所述的烧结矿质量预报方法中，确定方法中所述粒子群算法优化的极限学习机神经网络的最优权重矩阵和最优偏置向量时，在每一轮迭代中：(1)根据第一公式获取惯性权重ω(k)，所述第一公式为：ω(k)＝ωstart-(ωstart-ωend)·k/Tmax，其中：ωstart＝0.9，ωend＝0.4，k为当前迭代次数，Tmax为最大迭代次数。(2)根据第二公式更新粒子的个体极值Pib和群体极值Pg，所述第二公式为：其中，Pi为第i个粒子的位置，f(·)为粒子的适应度函数。优选地，在前面所述的烧结矿质量预报方法中，所述改进粒子群算法优化的极限学习机神经网络采用Sigmoid函数作为激活函数使用。(三)有益效果本专利技术的有益效果是：本专利技术中基于烧结矿质量预报方法，采用具有最优权重矩阵、最优偏置向量粒子群算法优化的极限学习机神经网络对烧结混合料以及烧损进行处理，得到的烧结矿样品的质量较高且该方法效率高、成本低。附图说明在本项申请的附图中：图1为基于PSO-ELM算法的烧结矿质量预报方法示意图。具体实施方式为了更好的解释本专利技术，以便于理解，下面结合附图1，通过具体实施方式，对本专利技术作详细描述。本实施例公开了一种基于PSO-ELM算法的烧结矿质量预报方法，包括以下步骤：1、获取待检测的烧结矿样品数据包括化学成分，其中，每个烧结矿样品的化学成分包含n个特征；2、将获取的烧结矿样品数据输入烧结矿质量预报模型之中；3、烧结矿质量预报模型根据输入的化学成分可以预测并输出烧结矿样品的质量。其中，所述烧结矿质量预报模型为预先采用质量已知的多个烧结矿样品的化学成分所建立起来的，所述烧结矿质量预报模型为粒子群算法优化的极限学习机神经网络，所述烧结矿质量预报模型具有经过粒子群算法优化后的最优权重矩阵和最优偏置向量，所述烧结矿质量预报模型用于处理包含n个特征的烧结混合料的烧结矿数据以获得所对应的烧结矿质量。进一步地，所述方法在采用烧结矿质量预报模型对所述烧结混合料进行处理之前，还包括：采用多组包括烧结混合料与相对应的质量的烧结矿的综合数据，建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型。具体地，获取待检测的烧结矿样品数据在建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型步骤之前，适应于在模型建立阶段。具体地，得到获得的烧结矿样品的化学成分以及其对应的质量数据。并将这些烧结矿样品随机的选择出一部分作为建立模型的训练样品，一部分作为样品用作验证模型的测试样品。具体地，获取待检测的烧结矿样品的数据，是在建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型的步骤之后，适应于在模型建立之后使用模型进行对烧结矿质量预报的阶段。具体地，在建立基于粒子群算法优化的极限学习机神经网络的烧结矿质量预报模型之后，对获得的质量未知的烧结矿样品，采用得到的与其对应的烧结矿的化学成分数据和烧损。采用建立的烧结矿质量预报模型处理这些预测样品的化学成分，得到预测样品对应的质量。经过前述的训练步骤和验证步骤，预测样品质量的预测值误差较小，可以满足生产实际需要。具体地，所述的方法中，采用多组包括烧结混合料和烧损以及相对应的质量的烧结矿的综合数据，建立基于粒子群算法优化的极限学习机神经网络的烧结矿的质量预测模型，包括：获取多组包括烧结混合料和与所述化学成分相对应的质量的烧结矿的综合数据，其中，每组综合数据的烧结混合料中包含n个特征以及烧损数据。设置粒子群算法优化的极限学习机神经网络的参数，其中，设置输入层的节点个数为n+1，设置输出层的节点为1。将所述烧结矿综合数据中的烧结混合料作为所述粒子群算法优化的极限学习机神经网络的输入数据。将所述烧结矿综合数据中的质量数据作为所述粒子群算法优化的极限学习机神经网络的输出数据。使用粒子群算法得到所述极限学习机神经网络的最优权重矩阵、最优偏置向量。将所述最优权重矩阵设置为所述粒子群算法优化的极限学习机神经网络的权重矩阵。将所述最优偏置向量设置为所述粒子群算法优化的极限学习机神经网络的偏置向量。获得的粒子群算法优化的极限学习机神经网络即为烧结矿质量预报模型。对极限学习机神经网络说明如下：假设极限学习机神经网络有L个隐含层节点，有N个训练样本数据(xi,ti)。其中，xi＝[xi1xi2Lxin]T∈Rn，ti＝[ti1ti2Ltim]T∈Rm。则该神经网络的输出为：其中，ωi＝[ωi1ωi2…ωin]T为连接第i个隐藏层节点与输入节点的输入权值。βi为连接第i个隐藏层节点与输出节点的本文档来自技高网...

【技术保护点】
1.一种基于PSO-ELM算法的烧结矿质量预报方法，其特征在于本方法包括以下步骤：/n(1)获取待检测的烧结矿样本数据，包括化学成分、物理特性；/n(2)对所述烧结矿数据进行处理，建立基于粒子群算法优化的极限学习机神经网络烧结矿质量预报模型。/n

【技术特征摘要】
1.一种基于PSO-ELM算法的烧结矿质量预报方法，其特征在于本方法包括以下步骤：
(1)获取待检测的烧结矿样本数据，包括化学成分、物理特性；
(2)对所述烧结矿数据进行处理，建立基于粒子群算法优化的极限学习机神经网络烧结矿质量预报模型。


2.根据权利要求1所述的一种基于PSO-ELM算法的烧结矿质量预报方法，其特征在于基于粒子群算法优化的极限学习机神经网络烧结矿质量预报模型依据以下步骤进行建立：
(1)设置粒子群算法优化的极限学习机神经网络的参数，其中，设置输入层的节点个数为n，设置输出层的节点为1；
(2)将烧结矿混合料成分作为所述粒子群算法优化的极限学习机神经网络的输入...

【专利技术属性】
技术研发人员：张爽，胡悦嫣，胡清河，
申请(专利权)人：无锡东研信科科技研发有限公司，东北大学无锡研究院，无锡东研智能科技有限公司，
类型：发明
国别省市：江苏;32