[发明专利]一种瓷土废泥制备轻质保温砖方法

权利要求书

1.一种瓷土废泥制备轻质保温砖的方法，其特征在于，所述瓷土废泥制备轻质保温砖方法包括以下步骤：

步骤一，原料混合；

15～25重量份的污泥粉料、8～16重量份的氧化钙粉料、1～2重量份的硼砂、3～6重量份的硫酸亚铁、9～18重量份的硫酸镁混合均匀进行除臭、消毒杀菌、螯合陈化制成混合粉料，再与35～45重量份的陶瓷废泥粉料、25～35重量份的建筑废渣土粉料、10～18重量份的木屑废渣粉料、10～20重量份的锅炉废渣粉料、6～10份重量的工业煤渣、4-20份重量的钾长石、4-20份重量的钠长石、4-20份重量的石英、0-15份重量的抛光渣、3～6重量份的硫酸钙、4～8重量份的膨润土、2～6重量份的滑石粉和12～22重量份的水的原料混合；

步骤二，采用双轴混合搅拌机搅拌，呈潮湿状后，用全自动真空挤压机挤压切割成型为陶瓷废泥多孔轻质保温砖坯；将轻质保温砖坯送入窑内烧制；

所述窑内安装有多个温度感应器，所述温度感应器通过无线或有线连接安装在窑外部的控制器单元；

所述控制器单元用于对轻质保温砖坯升温的梯度进行控制；具体包括：

1)基于Hadoop构建包含关系型数据库数据、温度传感器数据和控制器数据的工业大数据分析平台，转到步骤2)；

2)、在MapReduce框架下运用Apriori关联规则挖掘算法，在工业大数据分析平台中进行分析和挖掘，得到总梯度升温时间影响因素，转到步骤3)；

3)、结合梯度升温不同阶段时间影响因素和总梯度升温时间历史数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，转到步骤4)；

4)、对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，转到步骤5)；

5)、运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算总梯度升温时间预测值，转到步骤6)；

6)、判断梯度升温不同阶段时间预测值与总梯度升温时间期望值的误差是否满足设定的条件，若是，转到步骤7)；否则重新执行到步骤5)；

7)、输出总完工时间预测值，结束；

步骤1)具体包括以下步骤：

将关系型数据库数据、温度传感器数据和控制器数据通过Sqoop上传至分布式文件系统HDFS，并存储至NoSQL数据库中；利用MapReduce计算框架对关系型数据库数据、温度传感器数据和控制器数据进行挖掘分析，将分析好的数据写入NoSQL数据库，并通过Web展示；

步骤2)中在MapReduce框架下运用Apriori关联规则挖掘算法具体包括以下步骤：

使用MapReduce计算模型得到频繁1项集的集合L₁,产生候选k项集的集合C_k(k≥2)；

在Map函数处理阶段，每个Map任务计算其所处理的事务数据集中每个事务记录中包含在C_k中的项目集的出现次数，对于每个Map任务来说，如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中，则Map函数产生并输出<某个项集，1>键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；

在Reduce函数处理阶段，Reduce函数累加C_k中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集L_k的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入步骤S202；否则，结束运行；

步骤3)中所述产生神经网络模型BP初始权值的方法为以下4种方法中任意一种：

方法一：随机地在区间[-1，1]之间选择初始权值；

方法二：随机地在零附近的一个区间[-0.01，0.01]之间选择初始权值；

方法三：神经网络模型BP中存在两级网络：输入层与隐含层与之间的网络、隐含层与输出层之间的网络，两级网络的初始权值采用不同的选择方式：输入层至隐含层连接权值初始化为随机数，隐含层到输出层的连接权值初始化为-1或1；

方法四：将权值初始化为[a，b]之间的随机数，其中a，b为满足以下方程的整数：

其中H为网络隐含层节点数。

步骤4)具体包括以下步骤：

调整神经网络模型BP隐含层与输出层之间的权值w_kj；

调整w_kj的目的是希望输出节点j的新输出比当前输出o_pj更接近目标值t_pj，定义：

其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：

其中w_kj和分别为更新前后的权值，y_pk为隐含层输出，△w_kj为w_kj的改变量；

根据公式(3)得到△w_kj的求解方程：

其中，

根据最小平方和误差原则求解方程(4)，得到△w_kj的近似解：

对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△w_kj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；

调整神经网络模型BP输入层与隐含层之间的权值v_ik；

调整v_ik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；

不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：

其中δ_pj＝f^-1(y_pk+△y_pk)-f^-1(y_pk)，M为自然数，则隐含层输出y_pk求解公式为：

其中△y_pk为y_pk的改变量，则有：

根据最小平方和误差原则求解公式(6)构建的矩阵方程，可以算出：

综合公式(6)和(10)，计算隐含层与输出层之间权值的动态平均改变量

计算输入层与隐含层之间权值的动态平均改变量

公式(12)中M取10～20之间的自然数，根据公式(11)和(12)获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP；

步骤三，在轻质保温砖坯下方加入耐火垫板，所述坯体与耐火垫板之间铺上至少一层高温粉末；将轻质保温砖坯从常温升温至800℃，升温时间为20-60min；

步骤四，将轻质保温砖坯从800℃缓慢升温至1000℃，升温时间为40-90min，并在温度1000℃的条件下保温，保温时间为20-30min；

步骤五，将轻质保温砖坯从1000℃升温至温度1150-1250℃，升温时间为40-80min；从温度1150-1250℃自然降温至常温，降温时间为2-4h；制成陶瓷废泥烧结多孔轻质保温砖产品。