[发明专利]高炉炉渣粘度预报方法

权利要求书

1.一种高炉炉渣粘度预报方法，其特征在于，包括：

神经元网络构建步骤，构建的神经元网络结构包含输入层、隐含层和输出层，输入层、隐含层和输出层之间由连接权值连接，隐含层具有阈值，输入层的输入参数为炉渣中各成分的百分含量，输出层的输出参数为不同温度下的炉渣粘度、熔化性温度和脱硫系数；

初始化步骤，获取训练数据，并对训练数据、连接权值和阈值进行初始化，所述训练数据包括参考输入参数和参考输出参数；

神经元网络自学习步骤，提取一个训练数据，将其中的参考输入参数导入神经元网络，经由输入层、隐含层和输出层输出训练输出参数，比较训练输出参数和该训练数据中的参考输出参数，计算各层的误差和局部梯度，根据误差和局部梯度以设定步长调整连接权值和阈值，根据局部梯度调整设定步长，提取下一个训练数据并重复上述过程，直至所有的训练数据都被使用，保存连接权值和阈值的最终值；

炉渣粘度预报步骤，将神经元网络的连接权值和阈值固定在最终值，输入实际的炉渣中各成分的百分含量，输出预报的不同温度下的炉渣粘度、熔化性温度和脱硫系数。

2.如权利要求1所述的高炉炉渣粘度预报方法，其特征在于，

所述炉渣中各成分的百分含量包括SiO₂、Al₂O3、CaO、MgO的百分含量；

所述不同温度下的炉渣粘度包括1500℃的炉渣粘度η1500℃、1475℃的炉渣粘度η1475℃和1450℃的炉渣粘度η1450℃。

3.如权利要求1所述的高炉炉渣粘度预报方法，其特征在于，对训练数据进行初始化包括对训练数据进行归一化处理，对连接权值和阈值进行初始化包括将连接权值和阈值设定为初始值。

4.如权利要求1所述的高炉炉渣粘度预报方法，其特征在于，根据局部梯度调整所述设定步长包括：

对局部梯度连续迭代两次，如果两次符号相同，则增加设定步长；如果两次符号相反，则减小设定步长。