[發明專利]基于深度置信網絡的燒結礦化學成分預測方法

在審

• 申請號: 201810188530.1
• 申請日: 2018-03-07
• 公開（公告）號: CN108388762A
• 公開（公告）日: 2018-08-10
• 發明（設計）人: 王斌;袁致強;張良力;梁開
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06N3/08
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 肖愛華

本發明公開了一種基于深度置信網絡的燒結礦化學成分預測方法。該方法根據燒結混合料化學成分，采用基于DBN算法的預測方法來預測燒結礦化學成分；具體包括以下步驟：首先獲取燒結廠實際生產的歷史數據，剔除異常數據并歸一化處理；然后確定影響燒結礦質量的輸入輸出參數，使用灰色關聯分析法來檢驗輸入參數的合理性；再建立基于DBN的燒結礦化學成分預測模型，并使用歷史數據數據訓練、優化預測模型；最后以此預測模型來預測燒結礦化學成分，并對結果反歸一化處理，得到燒結礦化學成分預測值。與現有技術相比，本發明基于DBN的預測模型能更精確實現復雜非線性函數的逼近，提高燒結礦化學成分預測精度，在實際生產中具有應用推廣價值。

技術領域

本發明屬于鋼鐵冶煉技術領域，涉及一種燒結礦化學成分預測方法，特別涉及一種基于深度置信網絡的燒結礦化學成分預測方法。

背景技術

燒結礦是高爐煉鐵的主要原料，燒結礦的化學成分是評測燒結礦質量的重要指標。配料是燒結生產的首道工序，對燒結礦的化學成分具有重大影響。由于燒結礦化學原料來源廣、品種多、成分復雜，燒結過程具有長時間滯后、強耦合、非線性等特點使得燒結礦化學成分很難準確控制。通過在配料配比制定過程中，對燒結礦化學成分進行精確預測，及時調整原料配比，提高燒結礦質量具有重要意義。

在燒結礦化學成分預測研究中，隨著計算機技術的發展，一些淺層智能預測模型近些年得到了較廣泛的研究和應用，提高了預測精度。龍紅明等人采用帶動量項的線性再勵自適應變步長BP神經網絡算法，建立了基于多周期運行模式的燒結礦化學成分預報模型；范曉慧等人結合灰色預測和神經網絡預測方法的優點，建立了基于灰色神經網絡的燒結礦化學成分預測模型；宋強等人提出了基于最小二乘支持向量機的燒結礦化學成分的軟測量模型的研究,利用支持向量機建立燒結礦化學成分的預報模型。上述文獻中提到的神經網絡，灰色理論和支持向量機等屬于淺層學習算法，淺層學習算法在給定有限數量的樣本時是很難有效地表示非線性復雜函數，泛化能力受到了限制，進而影響燒結礦化學成分預測結果。

深度學習是一種模擬人類大腦的多層感知結構算法。相對于淺層學習方法，深度學習通過學習一種深層非線性網絡結構，能更精確實現復雜非線性函數的逼近，近年來已經在許多領域得到了有效應用。深度置信網絡(Deep Belief Network，簡稱DBN)是一種常用的深度學習的框架。

發明內容

本發明的目的在于，克服上述現有技術的不足，提供一種基于深度置信網絡的燒結礦化學成分預測方法。該方法通過建立DBN預測模型，可充分發掘燒結過程的本質特征，提高燒結礦化學成分預測精度。

本發明的目的是通過以下技術方案實現的：

一種基于深度置信網絡(即DBN)的燒結礦化學成分預測方法，該方法是：在燒結原料配料完成后，得到混合料，根據混合料化學成分，采用基于深度置信網絡(即DBN)算法的預測方法來預測燒結礦化學成分，以檢驗燒結配料過程中配比的準確性，及時調整配比，達到改進燒結礦質量的目的。該方法具體包括以下步驟：

S1：獲取燒結廠實際生產的歷史數據，對獲取的數據進行預處理，剔除異常數據并進行歸一化處理；

S2：確定影響燒結礦質量的輸入輸出參數，使用灰色關聯分析法來檢驗輸入參數的合理性；

S3：建立基于DBN的燒結礦化學成分預測模型，使用步驟S1中的數據對預測模型進行訓練，優化預測模型；

S4：以步驟S3得到的預測模型來預測燒結礦化學成分，預測結束后得到的數據在[0,1]之間，再對這些得到的數據進行反歸一化處理，得到燒結礦化學成分預測值。