[发明专利]一种在线检测铝粉细粉率的软测量方法

说明书

 

技术领域

    本发明涉及一种软测量方法，特别是涉及一种在线检测铝粉细粉率的软测量方法。

背景技术

铝粉厂在应用氮气雾化方法制备铝粉的生产过程中，铝粉细粉率是衡量产品质量的主要标准。目前测量铝粉细粉率的方法主要有直接观察法、激光法等。但这些测量方法不仅测量滞后大、不能进行实时在线自动测量、不能为自动控制提供检测数据，而且测量仪器价格较贵，测量成本较高。

发明内容

本发明的目的在于提供一种在线检测铝粉细粉率的软测量方法，该检测方法不仅能够解决测量滞后较大、不能实现在线自动测量的问题，而且检测成本较低、方便快捷，而且能够实现在线实时自动检测。

本发明的目的是通过以下技术方案实现的：

一种在线检测铝粉细粉率的软测量方法，所述方法包括以下步骤：

   （1）采集样本数据：

    现场采集铝粉生产过程中不同工况下的铝液温度(T_L)、雾化氮气压力(P_W)、雾化氮气温度(T_W)、环境氮气压力(P_E)、环境氮气温度(T_E)和铝粉细粉率(L_X)数据；

   （2）、样本数据预处理：

1）异常数据的处理：对所采集到的n组铝液温度值、雾化氮气压力值、雾化氮气温度值、环境氮气压力值、环境氮气温度和铝粉细粉率值，分别计算其算术平均值，然后分别计算其偏差值，按照Bessel公式计算铝液温度(T_L)的标准偏差；

      2）随机误差的处理：将经过                                               误差处理后剩余的r组铝液温度(T_L)、雾化氮气压力(P_W)、雾化氮气温度(T_W)、环境氮气压力(P_E)、环境氮气温度(T_E) 和铝粉细粉率(L_X)数据分别采用平均值滤波算法，以去除采样数据中的随机误差；

 3）采样数据归一化处理：将经过随机误差处理后的r个铝液温度(T_L)数据归一化到[0, 1]区间内；

    （3）建立DRNN神经网络模型：

对角递归DRNN (Diagonal Recurrent Neural Network) 神经网络的数学模型为：

；

    （4）训练DRNN神经网络：

将归一化处理后的r个样本数据分成两组：一组作为各单一神经网络模型的共同初始训练数据集，分别对各单一DRNN神经网络进行训练；另一组作为校验数据集，用于校验所建立的DRNN神经网络模型；

   （5）建立组合DRNN神经网络模型：

将多个DRNN神经网络模型组合在一起，构成组合神经网络模型；

   （6）利用组合DRNN神经网络模型计算铝粉细粉率：

当组合DRNN模型输入为归一化后的铝液温度、雾化氮气压力、雾化氮气温度、环境氮气压力 、环境氮气温度数据时，利用该组合模型即可计算出相应的归一化后的铝粉细粉率值，对值进行反归一化处理后，便得到铝粉细粉率值。   

    所述的一种在线检测铝粉细粉率的软测量方法所述采集样本数据，将相同工况下的所采集的铝液温度(T_L)、雾化氮气压力(P_W)、雾化氮气温度(T_W)、环境氮气压力(P_E)、环境氮气温度(T_E) 和铝粉细粉率(L_X)数据作为一组样本数据(T_L，P_W，T_W，P_E，T_E，L_X)，改变工况，重复此操作，直到采集到所需要的样本数为止。

    所述的一种在线检测铝粉细粉率的软测量方法，其特征在于，所述样本数据预处理中异常数据的处理按照Bessel公式计算铝液温度(T_L)的标准偏差：                                   

                       。