[發明專利]一種多源信息和長短時記憶網絡的燒結礦FeO含量預測方法

在審

• 申請號: 202110368301.X
• 申請日: 2021-04-06
• 公開（公告）號: CN113095561A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 白雪含;陳彩蓮;楊博;關新平
• 申請（專利權）人: 上海交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06K9/46;G06K9/54;G06Q50/04
• 代理公司: 上海旭誠知識產權代理有限公司 31220
• 代理人: 鄭立

本發明公開了一種多源信息和長短時記憶網絡的燒結礦FeO含量預測方法，涉及鋼鐵生產領域。通過多源信息和長短時記憶(Long Short?Term Memory，LSTM)網絡進行燒結礦FeO含量的預測。首先，基于燒結機理，提取包括圖像，振動和溫度信息在內的多源信息，并對其進行處理和特征提取，同時考慮到工藝流程的處理過程，獲取燒結機尾的燒結的參考FeO值作為目標輸出從而減少流程造成的誤差；最后，將多源信息和參考FeO值分別作為輸入和目標輸出，利用LSTM網絡進行燒結礦FeO含量的定量預測。

技術領域

本發明涉及鋼鐵生產領域，尤其涉及一種多源信息和長短時記憶網絡的燒結礦FeO含量預測方法。

背景技術

高爐煉鐵是現代鋼鐵制造的關鍵前端生產過程，占煉鋼過程能耗的60％。作為大多數高爐最重要的基本含鐵原料之一，與球團礦和塊礦相比，燒結礦在成本和可獲得性方面都表現出優越性。近年來，高爐中使用的燒結礦比例不斷提高，對燒結礦質量的要求也越來越高。在燒結礦質量指標中，FeO含量是最重要的指標之一，因為合適的FeO含量不僅可以對高爐的生產在質量和數量上產生積極影響，而且可以幫助降低成本。

考慮到燒結過程中由于化學，物理和機械引起的非線性，燒結過程的不可見性和復雜的大時滯性，對FeO含量的預測較為復雜。目前，隨著人工智能的發展，諸如深度學習的機器學習模型方法越來越多的被應用在產品質量預測方面，另外，燒結機尾的圖像和振動信息以及燒結過程中的溫度信息可以反應燒結礦的FeO含量。因此，可以利用多源信息和深度學習網絡，進行燒結礦FeO含量的定量預測。

經對現有文獻檢索發現，最相近似的實現方案為中國專利申請號為：201010597200.1，名稱為：一種燒結機尾紅斷面有效圖像自動捕捉方法，其具體做法為：對機尾紅斷面圖像進行實時提取，然后對每一幅目標圖像分別進行處理，包括轉紅光處理。但是采用固定的時間周期沒有考慮到實際生產中變化的燒結機速等情況，而且在轉紅光的過程中丟失了G通道和B通道的值，導致信息的缺失。專利申請號為：201410307470.2，名稱為：一種燒結礦機尾斷面FeO含量的控制方法，其具體做法為：將可見光圖像和紅外圖像同時作為輸入，提取特征送入模糊聚類系統和神經網絡系統以獲得FeO含量等級。但此方法特征簡單，網絡結構簡單，只能對FeO含量進行定性的預測，無法做到定量的預測。專利申請號為：201910642094.5，名稱為：一種燒結礦FeO含量檢測方法及系統，其具體做法為：利用紅外圖像，并結合燒結機機尾部粉塵變化規律提取關鍵幀圖像，之后通過多相熱力學模型等進行及FeO含量分類判斷。但此方法只考慮圖像信息，未考慮參數信息。

綜上，現有技術有以下缺點：

(1)僅考慮了參數信息或圖像信息，未綜合考慮參數和圖像信息從而更好的表征燒結礦FeO含量進行燒結礦FeO含量定量的預測。

(2)通常是利用燒結機尾后經過復雜的工藝流程后獲取FeO值，而復雜的工業流程會引入誤差，進而影響FeO含量的預測。

(3)網絡多為簡單的BP網絡，相比與深度學習模型，在學習和擬合方面存在差距，從而影響了預測精度。

因此，本領域的技術人員致力于開發一種基于多源信息和長短時記憶絡的燒結礦FeO含量預測方法，結合了多源信息，同時獲取機尾的FeO含量，將二者分別作為輸入和目標輸出，利用深度學習模型LSTM進行FeO含量的預測，可實現對燒結礦的FeO含量進行定量預測。

發明內容

有鑒于現有技術的上述缺陷，本發明所要解決的技術問題是如何更全面地提取信息特征來表征燒結礦的質量，并構建模型來對FeO含量進行準確的定量預測。

為實現上述目的，本發明提供了一種多源信息和長短時記憶網絡的燒結礦FeO含量預測方法，包括以下步驟：

步驟1、多源信息的預處理；

步驟2、特征提取；