[發明專利]一種在線檢測鋁粉細粉率的軟測量方法

無效

• 申請號: 201310441670.2
• 申請日: 2013-09-26
• 公開（公告）號: CN103471971A
• 公開（公告）日: 2013-12-25
• 發明（設計）人: 刁芬;孟麗
• 申請（專利權）人: 沈陽大學
• 主分類號: G01N15/02
• 分類號: G01N15/02;G06N3/02
• 代理公司: 沈陽技聯專利代理有限公司 21205
• 代理人: 趙越

1.一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述方法包括以下步驟：

???（1）采集樣本數據：

????現場采集鋁粉生產過程中不同工況下的鋁液溫度(T_L)、霧化氮氣壓力(P_W)、霧化氮氣溫度(T_W)、環境氮氣壓力(P_E)、環境氮氣溫度(T_E)和鋁粉細粉率(L_X)數據；

???（2）、樣本數據預處理：

1）異常數據的處理：對所采集到的n組鋁液溫度值、霧化氮氣壓力值、霧化氮氣溫度值、環境氮氣壓力值、環境氮氣溫度和鋁粉細粉率值，分別計算其算術平均值，然后分別計算其偏差值，按照Bessel公式計算鋁液溫度(T_L)的標準偏差；

??????2）隨機誤差的處理：將經過???????????????????????????????????????????????誤差處理后剩余的r組鋁液溫度(T_L)、霧化氮氣壓力(P_W)、霧化氮氣溫度(T_W)、環境氮氣壓力(P_E)、環境氮氣溫度(T_E)?和鋁粉細粉率(L_X)數據分別采用平均值濾波算法，以去除采樣數據中的隨機誤差；

?3）采樣數據歸一化處理：將經過隨機誤差處理后的r個鋁液溫度(T_L)數據歸一化到[0,?1]區間內；

????（3）建立DRNN神經網絡模型：

對角遞歸DRNN?(Diagonal?Recurrent?Neural?Network)?神經網絡的數學模型為：

；

????（4）訓練DRNN神經網絡：

將歸一化處理后的r個樣本數據分成兩組：一組作為各單一神經網絡模型的共同初始訓練數據集，分別對各單一DRNN神經網絡進行訓練；另一組作為校驗數據集，用于校驗所建立的DRNN神經網絡模型；

???（5）建立組合DRNN神經網絡模型：

將多個DRNN神經網絡模型組合在一起，構成組合神經網絡模型；

???（6）利用組合DRNN神經網絡模型計算鋁粉細粉率：

當組合DRNN模型輸入為歸一化后的鋁液溫度、霧化氮氣壓力、霧化氮氣溫度、環境氮氣壓力?、環境氮氣溫度數據時，利用該組合模型即可計算出相應的歸一化后的鋁粉細粉率值，對值進行反歸一化處理后，便得到鋁粉細粉率值。

2.根據權利要求1所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述采集樣本數據，將相同工況下的所采集的鋁液溫度(T_L)、霧化氮氣壓力(P_W)、霧化氮氣溫度(T_W)、環境氮氣壓力(P_E)、環境氮氣溫度(T_E)?和鋁粉細粉率(L_X)數據作為一組樣本數據(T_L，P_W，T_W，P_E，T_E，L_X)，改變工況，重復此操作，直到采集到所需要的樣本數為止。

3.根據權利要求1所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述樣本數據預處理中異常數據的處理按照Bessel公式計算鋁液溫度(T_L)的標準偏差：???????????????????????????????????

???????????????????????。

4.根據權利要求1所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述區間內為：

???????????????????????。

5.根據權利要求1所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述組合神經網絡模型的輸出是m個DRNN神經網絡輸出的加權和，即：

?????????????????????。