【技术实现步骤摘要】
本专利技术属于烟化炉燃烧终点预测，具体涉及基于灰色内涵型gm(1,1)的烟化炉冶炼终点预测方法。
技术介绍
1、烟化炉是一种重要冶炼设备，在冶金行业主要用来处理炉渣如铜渣、铅锌渣、锡渣等。一般烟化炉烧结终点采用常规方法很难控制，近年来，大多数对烟化炉冶炼烧结终点的研究，主要运用bp神经网络模型来预测和描述。bp神经网络具有实现性强，预测精度高和很强的线性拟合能力等特点，但bp网络仍存在缺陷，譬如隐含层的选择没有确定性法则、网络易陷入局部最小值、系统泛化能力比较差，这些缺陷使得其应用受到了很大限制。
2、在公开号为cn113919206a的中国专利中，提到了一种炼钢合金化窄成分控制方法，运用了bp神经网络算法预算出钢量，通过统计分析原理拟合合金元素收得率与终点碳含量、终点温度的方程，从而从物料平衡角度建立了钢水合金化最后加料预测模型，采用精确采集炼钢冶炼过程相关生产数据作为变量，以实现最优化的炼钢窄成分控制，提高炼钢生产效率和产品质量的目的，尽管上述方案有益效果诸多，但是该方案中使用bp神经网络的初始权值和网络结构每次都是随机确定的，所以每次训练的次数和其权值都会大大不同，也就是说，唯一的优化很难出现，会陷入局部极小值，另一方面训练时的初始权值出现盲目性选择，出现比较慢的收敛速度，导致预测精确度和效率不理想；
3、申请人在研究时发现，充分利用灰色模型弱化数据的随机性，累加数据的规律性以及bp神经网络的高度非线性，虽然已被广泛应用在电力、交通、社会、农业和其他一些领域，但在冶金行业仍然是一个空白，对此，本专利
技术实现思路
1、本专利技术的目的在于提供基于灰色内涵型gm(1,1)的烟化炉冶炼终点预测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于灰色内涵型gm(1,1)的烟化炉冶炼终点预测方法，包括以下步骤：
4、s1、样本采集，采集多组烟化炉冶炼样本数据；
5、s2、样本处理，将s1中的烟化炉冶炼样本数据进行归一化处理；
6、s3、建立灰色内涵性gm(1,1)模型，建立统一的微分方程模型，微分方程模型具有较高的预测精度，获取其拟合曲线，从而来预测系统的未知部分，对原始数据进行一次累加生成，从而使生成具有一定规律性的序列；
7、s4、分析结果，建立训练过程的均方误差变化mse曲线，将烟化炉冶炼实际输出结果与mse预测输出曲线对比，进行误差分析。
8、优选的，s2中归一化处理样本数据为[-1,1]区间的数值，便于加快网络学习，提升收敛速度。
9、优选的，所述灰色内涵性gm(1,1)模型建模具体如下：
10、设有时间序列x(0)＝(x(0)(1),x(0)(2),......,x(0)(n))作一阶累加生成1-ago，对x(0)作一次累加可以得到新的数据序列x(1)：
11、x(1)＝(x(1)(1),x(1)(2),......,x(1)(n)) (1)
12、式中：
13、构造一阶线性微分方程后，可得该方程的白化微分方程为：
14、
15、最小二乘估计参数列满足求解a,u有：
16、
17、式中
18、得到gm(1,1)模型的时间响应函数序列表达式，即x(1)的灰色预测模型为：
19、
20、式中a为发展系数，b为灰色作用量；
21、x(0)的灰色预测模型为：
22、
23、优选的，其中内涵型gm(1,1)模型的公式推导如下：
24、定义称为内涵型gm(1,1)模型，令则内涵型gm(1，1)可表示为
25、基于gm(1,1)模型定义型
26、x(0)(k)+az(1)(k)＝b (6)
27、以z(1)(k)的表达式z(1)(k)＝0.5(x(1)(k)+x(1)(k))
28、代入，有x(0)(k)+0.5(x(1)(k)+x(1)(k-1))＝b
29、以x(1)(k)的表达式x(1)(k)＝x(0)(k)+x(1)(k-1)
30、代入，有x(0)(k)+0.5a(x(0)(k)+x(1)(k-1)+x(1)(k-1)＝b
31、上式可转化为(1+0.5a)x(0)(k)+ax(1)(k-1)＝b
32、令k＝2，有
33、
34、联立考虑：
35、(1+0.5a)x(0)(k)+ax(1)(k-1)＝b
36、(1+0.5a)x(0)(k-1)+ax(1)(k-2)＝b
37、两式联立得：
38、(1+0.5a)((x(0)(k)-x(0)(k-1))+a(x(1)(k-1)-x(1)(k-2))＝0
39、将x(0)(k-1)＝x(1)(k-1)-x(1)(k-2)代入上式：
40、(1+0.5a)(x(0)(k)-x(0)(k-1))+ax(0)(k-1)＝0
41、(1+0.5a)x(0)(k)-(1-0.5a)x(0)(k-1)＝0
42、
43、利用递推关系可得：
44、
45、得到内涵型gm(1,1)模型模拟序列时间响应式：
46、
47、令x(1)(1)＝x(0)(1)，上式变为
48、
49、内涵型gm(1,1)模型的参数求解公式：
50、
51、
52、优选的，所述均方误差函数mse的数学表达式为：
53、
54、其中，ti为烟化炉冶炼烧结终点实际值，ai为烟化炉冶炼烧结终点预测值。
55、与现有技术相比，本专利技术的有益效果是：
56、本专利技术将提出的灰色内涵型gm(1,1)应用于烟化炉冶炼烧结终点，具有很高的命中率，可以为生产时间进一步调整提供定量依据，对缩短冶炼周期，提高产品质量和产量有重要的现实意义，为进一步节能降耗和绿色钢铁奠定坚实的基础，灰色内涵型gm(1,1)这一新的信息处理和预测模式，充分利用灰色模型弱化数据的随机性，呈现积累数据的规律性和神经网络高度非预测方法，是一种新型、实用、预测精度较高的算法，值得推广和进一步的研究。
本文档来自技高网...【技术保护点】
1.基于灰色内涵型GM(1,1)的烟化炉冶炼终点预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于灰色内涵型GM(1,1)的烟化炉冶炼终点预测方法，其特征在于：S2中归一化处理样本数据为[-1,1]区间的数值，便于加快网络学习，提升收敛速度。
3.根据权利要求1所述的基于灰色内涵型GM(1,1)的烟化炉冶炼终点预测方法，其特征在于：所述灰色内涵性GM(1,1)模型建模具体如下：
4.根据权利要求1所述的基于灰色内涵型GM(1,1)的烟化炉冶炼终点预测方法，其特征在于：其中内涵型GM(1,1)模型的公式推导如下：
5.根据权利要求1所述的基于灰色内涵型GM(1,1)的烟化炉冶炼终点预测方法，其特征在于：所述均方误差函数MSE的数学表达式为：
【技术特征摘要】
1.基于灰色内涵型gm(1,1)的烟化炉冶炼终点预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于灰色内涵型gm(1,1)的烟化炉冶炼终点预测方法，其特征在于：s2中归一化处理样本数据为[-1,1]区间的数值，便于加快网络学习，提升收敛速度。
3.根据权利要求1所述的基于灰色内涵型gm(1,1)的烟化炉冶炼终点预测...
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。