一种基于RNN模型的难推焦预警方法技术

本发明专利技术公开了一种基于RNN模型的难推焦预警方法，涉及轴承座生产技术领域，包括以下步骤：S1：对焦炉生产过程的操作参数与状态参数进行数据预处理；S2：机理分析结合相关性分析选择推焦电流的主要影响因子；S3：使用主成分分析法对数据进行降维，降维后的数据作为RNN网络的输入。对输出结果进行反归一化处理获得推焦电流预测值；S4：结合历史数据和专家经验设置推焦电流预警阈值，实现难推焦预警；通过利用主成分分析法降低RNN网络模型输入数据之间和耦合度，利用PCA的方法提升了模型的预测精度和预测效率。精度和预测效率。精度和预测效率。

【技术实现步骤摘要】
一种基于RNN模型的难推焦预警方法


[0001]本专利技术涉及炼焦炉
，具体涉及一种基于RNN模型的难推焦预警方法。

技术介绍

[0002]现有的对难推焦工况进行预警的研究大部分从推焦电流的历史数据出发，通过合适的数据驱动方法对推焦电流的历史数据进行处理，利用人工神经网络技术对推焦电流进行预测并基于专家经验设置推焦电流阈值以实现焦炉生产过程的难推焦预警；
[0003]炼焦过程机理复杂，影响因素众多，现有的对难推焦预警的研究缺乏对焦炉生产过程机理的研究，大部分研究在选择预测模型的输入时只考虑了焦炉生产过程的历史数据，导致模型的合理性降低，同时，大部分研究在处理模型运算精度和效率的问题时未考虑模型的输入维度问题，从而导致模型的运算效率和预测精度达不到工业生产要求。

技术实现思路

[0004]为了克服上述的技术问题，本专利技术的目的在于提供一种基于RNN模型的难推焦预警方法，以解决现有技术中对难推焦预警未考虑模型的输入维度问题，从而导致模型的运算效率和预测精度达不到工业生产要求的问题。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种基于RNN模型的难推焦预警方法，该自动落料生产方法包括以下步骤：
[0007]S1：对焦炉生产过程的操作参数与状态参数进行数据预处理。
[0008]S2：机理分析结合相关性分析选择推焦电流的主要影响因子。
[0009]S3：使用主成分分析法对数据进行降维，降维后的数据作为RNN网络的输入。对输出结果进行反归一化处理获得推焦电流预测值。
[0010]S4：结合历史数据和专家经验设置推焦电流预警阈值，实现难推焦预警。
[0011]作为本专利技术进一步的方案：步骤S1还包括以下步骤：
[0012]A1：选取一年内的推焦过程参数数据，使用数据插补方法对由于传感器故障和停机情况引起的异常数据进行处理。
[0013]A2：使用Min
‑
Max归一化的方法将经过异常数据处理后的数据进行归一化，归一化公式如下：
[0014][0015]其中，x
N
为归一化的期望值；x
min
为样本数据中的最小值；x
max
为样本数据中的最大值。
[0016]作为本专利技术进一步的方案：步骤S2还包括以下步骤：
[0017]B1：对推焦过程进行机理分析并考虑专家经验，推焦电流大小的主要影响因素有装煤总转数、平煤电流、结焦时间、配煤斗槽实际配比、焦炉炉温、入炉煤质量、配合煤水分。
[0018]B2：将进行数据预处理后的推焦过程参数数据进行Pearson相关性分析，Pearson
相关性分析可替换为Spearman相关性分析以及Kendall相关性分析，设置相关性阈值ρ＝0.55，结合B1中考虑专家经验的机理分析，将相关性大于ρ且对推焦电流影响大的参数作为PCA处理的对象，Pearson相关系数的计算公式如下：
[0019][0020]式中，x
i
和y
i
分别为待计算变量和炭化室推焦电流的第i个采样值；为待计算变量的平均值；为炭化室推焦电流的平均值。
[0021]作为本专利技术进一步的方案：和计算公式如下所示：
[0022][0023]作为本专利技术进一步的方案：步骤S3还包括以下步骤：
[0024]C1：将筛选出的参数构成矩阵M；
[0025]C2：计算参数x(i)的协方差和相关系数r
ij
，计算公式如下所示：
[0026][0027][0028]其中，cov(x
i
,x
j
)为第i个参数与第j个参数的协方差，)为第i个参数与第j个参数的协方差，n为该参数样本个数，r
ij
为两个参数之间的相关系数；
[0029]C3：计算由r
ij
构成的相关系数矩阵R的特征值λ
i
以及对应的特征向量
[0030][0031]C4：设置主成分近似度阈值θ，计算各个分量的方差贡献率β
i
及累计贡献率γ
v
，选取累计贡献率大于85％的部分参数作为RNN神经网络的输入，计算公式如下所示；
[0032][0033][0034]其中β
i
为第个i参数的方差贡献率，γ
v
为前v个参数的累计方差贡献率，将IMF分量根据β
i
降序排列，当γ
v
≥θ时PCA结束，此时，利用前个参数成矩阵作为推焦电流预测模型的输入。
[0035]本专利技术的有益效果：
[0036]1、本专利技术中，采用数据插补方法与皮尔逊相关系数法筛选高炉煤气发生量影响因素指标，与现有技术方案相比充分考虑了焦炉生产过程的机理。
[0037]2、本专利技术中，利用主成分分析法降低RNN网络模型输入数据之间和耦合度，与现有技术方案相比利用PCA的方法提升了模型的预测精度和预测效率。
[0038]3、本专利技术中，基于历史数据与专家经验来对焦炉难推焦进行判别。
附图说明
[0039]下面结合附图对本专利技术作进一步的说明。
[0040]图1是本专利技术的工艺流程框图。
具体实施方式
[0041]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0042]如图1所示，一种基于RNN模型的难推焦预警方法，该自动落料生产方法包括以下步骤：
[0043]S1：对焦炉生产过程的操作参数与状态参数进行数据预处理；
[0044]具体还包括以下步骤：
[0045]A1：选取一年内的推焦过程参数数据，使用数据插补方法对由于传感器故障和停机情况引起的异常数据进行处理。
[0046]A2：使用Min
‑
Max归一化的方法将经过异常数据处理后的数据进行归一化，归一化公式如下：
[0047][0048]其中，x
N
为归一化的期望值；x
min
为样本数据中的最小值；x
max
为样本数据中的最大值；
[0049]S2：机理分析结合相关性分析选择推焦电流的主要影响因子；
[0050]具体还包括以下步骤：
[0051]B1：对推焦过程进行机理分析并考虑专家经验，推焦电流大小的主要影响因素有装煤总转数、平煤电流、结焦时间、配煤斗槽实际配比、焦炉炉温、入炉煤质量、配合煤水分。
[0052]B2：将进行数据预处理后的推焦过程参数数据进行Pearson相关性分析，Pearson相关性分析可替换为Spearman相关性分析以及Kendall相关性分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RNN模型的难推焦预警方法，其特征在于，该自动落料生产方法包括以下步骤：S1：对焦炉生产过程的操作参数与状态参数进行数据预处理；S2：机理分析结合相关性分析选择推焦电流的主要影响因子；S3：使用主成分分析法对数据进行降维，降维后的数据作为RNN网络的输入。对输出结果进行反归一化处理获得推焦电流预测值；S4：结合历史数据和专家经验设置推焦电流预警阈值，实现难推焦预警。2.根据权利要求1的一种基于RNN模型的难推焦预警方法，其特征在于，步骤S1还包括以下步骤：A1：选取一年内的推焦过程参数数据，使用数据插补方法对由于传感器故障和停机情况引起的异常数据进行处理。A2：使用Min
‑
Max归一化的方法将经过异常数据处理后的数据进行归一化，归一化公式如下：其中，x
N
为归一化的期望值；x
min
为样本数据中的最小值；x
max
为样本数据中的最大值。3.根据权利要求1的一种基于RNN模型的难推焦预警方法，其特征在于，步骤S2还包括以下步骤：B1：对推焦过程进行机理分析；B2：将进行数据预处理后的推焦过程参数数据进行Pearson相关性分析，设置相关性阈值ρ＝0.55，结合B1中机理分析，将相关性大于ρ且对推焦电流影响大的参数作为PCA处理的对象，Pearson相关系数的计算公式如下：式中，x
i
和y
i
分别为待计算变量和炭化室推焦电流的第i个采样值；...

【专利技术属性】
技术研发人员：陈奇福，冯力力，郑键，聂险峰，黄兆军，
申请(专利权)人：湖南华菱涟源钢铁有限公司，
类型：发明
国别省市：