[發明專利]一種沸騰焙燒爐產品質量軟測量方法及裝置

有效

• 申請號: 202110582132.X
• 申請日: 2021-05-27
• 公開（公告）號: CN113239565B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 李勇剛;馮振湘;孫備;陽春華;黃忠民;桂衛華;朱紅求;龍雙;劉衛平
• 申請（專利權）人: 中南大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F119/14
• 代理公司: 長沙啟昊知識產權代理事務所(普通合伙) 43266
• 代理人: 張海應

1.一種沸騰焙燒爐產品質量軟測量方法，其特征在于，包括：

獲取沸騰焙燒爐的多組生產數據，其中，所述生產數據是所述沸騰焙燒爐在生產時的多個參數；

建立所述沸騰焙燒爐的機理模型，其中，所述機理模型用于指示所述沸騰焙燒爐的生產特性，所述機理模型為包括未知模型參數的函數；

將所述多組生產數據代入到所述機理模型中，通過迭代優化獲取所述未知模型參數的最優值，并將所述未知模型參數的最優值代入到所述機理模型中；

根據所述機理模型得到每組生產數據對應的質量分數的預測序列；

根據多組訓練數據構建神經網絡模型，其中，每組所述訓練數據包括：一組生產數據以及根據所述機理模型得到的該組生產數據對應的質量分數的預測序列；所述神經網絡模型用于根據生產數據輸出預測的質量分數；其中，根據所述多組訓練數據構建所述神經網絡模型包括：對于每一組生產數據構建第一特征變量；根據所述第一特征變量以及該組生產數據對應的質量分數的化驗值得到所述神經網絡模型的沸騰焙燒爐的特征變量；根據所述沸騰焙燒爐的特征變量以及根據所述機理模型得到的該組生產數據對應的質量分數的預測序列構建所述神經網絡模型。

2.根據權利要求1所述的方法，其特征在于，建立所述沸騰焙燒爐的機理模型包括：

建立所述沸騰焙燒爐的動力學模型和質量守恒模型，其中，所述動力學模型是根據所述沸騰焙燒爐中的化學反應建立的，所述質量守恒模型是根據所述沸騰焙燒爐的進料和出料的質量守恒建立的；

根據所述動力學模型和所述質量守恒模型建立所述機理模型。

3.根據權利要求1所述的方法，其特征在于，所述神經網絡模型為長短時記憶網絡模型。

4.根據權利要求1所述的方法，其特征在于，所述生產參數至少包括以下參數：

進入所述沸騰焙燒爐原料中硫化物的質量分數、同一采樣時刻原料中被氧化物的質量分數、下一采樣時刻原料中被氧化物的質量分數、溫度檢測點的檢測到溫度的平均值、鼓風機壓力、所述沸騰焙燒爐的爐床壓力、煙氣中所含硫元素的體積分數。

5.一種沸騰焙燒爐產品質量軟測量裝置，其特征在于，包括：

第一獲取模塊，用于獲取沸騰焙燒爐的多組生產數據，其中，所述生產數據是所述沸騰焙燒爐在生產時的多個參數；

建立模塊，用于建立所述沸騰焙燒爐的機理模型，其中，所述機理模型用于指示所述沸騰焙燒爐的生產特性，所述機理模型為包括未知模型參數的函數；

第二獲取模塊，用于將所述多組生產數據代入到所述機理模型中，通過迭代優化獲取所述未知模型參數的最優值，并將所述未知模型參數的最優值代入到所述機理模型中；

得到模塊，用于根據所述機理模型得到每組生產數據對應的質量分數的預測序列；

構建模塊，用于根據多組訓練數據構建神經網絡模型，其中，每組所述訓練數據包括：一組生產數據以及根據所述機理模型得到的該組生產數據對應的質量分數的預測序列；所述神經網絡模型用于根據生產數據輸出預測的質量分數；其中，根據所述多組訓練數據構建所述神經網絡模型包括：對于每一組生產數據構建第一特征變量；根據所述第一特征變量以及該組生產數據對應的質量分數的化驗值得到所述神經網絡模型的沸騰焙燒爐的特征變量；根據所述沸騰焙燒爐的特征變量以及根據所述機理模型得到的該組生產數據對應的質量分數的預測序列構建所述神經網絡模型。

6.根據權利要求5所述的裝置，其特征在于，所述建立模塊用于：

建立所述沸騰焙燒爐的動力學模型和質量守恒模型，其中，所述動力學模型是根據所述沸騰焙燒爐中的化學反應建立的，所述質量守恒模型是根據所述沸騰焙燒爐的進料和出料的質量守恒建立的；

根據所述動力學模型和所述質量守恒模型建立所述機理模型。

7.根據權利要求5所述的裝置，其特征在于，所述神經網絡模型為長短時記憶網絡模型。

8.根據權利要求5所述的裝置，其特征在于，所述生產參數至少包括以下參數：

進入所述沸騰焙燒爐原料中硫化物的質量分數、同一采樣時刻原料中被氧化物的質量分數、下一采樣時刻原料中被氧化物的質量分數、溫度檢測點的檢測到溫度的平均值、鼓風機壓力、所述沸騰焙燒爐的爐床壓力、煙氣中所含硫元素的體積分數。