[发明专利]一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法

权利要求书

1.一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法，其特征在于：其包括以下步骤：

S1：选取与水泥烧成过程能耗相关的12个输入变量，然后对选取后的变量数据进行归一化处理，将处理后的变量数据按时间序列排列作为输入数据，构建12个变量时间序列输入层；

S2：对输入的变量数据进行卷积池化及全连接运算，首先对输入数据进行卷积运算，并对经过卷积运算的输入数据进行池化，进过多次卷积池化后对输出数据进行全连接运算，完成CNN预测模型前向训练；

S3：采用反向传播技术更新权值参数以提高预测精度，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，更新卷积层的权值和偏置，完成参数微调，实现输出误差最小化；

S4：利用步骤S3中训练好的CNN模型进行水泥烧成系统的单位电耗及吨煤耗实时预测；

在步骤S2中，对输入层的变量数据进行不同方向的卷积运算，纵向卷积提取变量间特征，横向卷积提取同一变量不同时刻的数据特征，每次卷积计算后进行池化运算，减少运算参数；

对输入层的变量数据进行不同方向的卷积运算，具体包括以下步骤：

S21、采用n₁个卷积核对输入层变量数据进行纵向卷积，纵向卷积利用下述公式进行计算：

a_i,j＝f(w_mx_i,j+b_m),m＝1,2,···n₁

其中用x_i,j表示输入层数据第i行第j列元素；w_m表示卷积核权重，用b_m表示卷积核的偏置项；a_i,j表示卷积后数据的第i行第j列元素；f表示激活函数；

S22、输入层数据经过n₁个卷积核卷积计算后由relu函数激活，激活后输出n₁个神经元，每个神经元中包含一个数据矩阵；

S23、对n₁个神经元进行平均池化，具体公式如下：

其中，q表示池化区域的大小，a_i,j卷积层输出的神经元的第i行第j列元素，D和F为单个神经元数据矩阵长度与宽度，由于池化核是纵向池化，神经元矩阵只有长度会减小，p_i/q,j表示池化层输出神经元矩阵元素的第i/q行第j列元素；

S24、池化层输出的神经元再由n₂个卷积核进行横向卷积和并再次进行平均池化，输出n₂个神经元；

S25、经过两次卷积池化后输出的神经元作为连接层的输入，连接层将所有神经元矩阵的元素所代表的特征信息整合到连接层的神经元当中，设连接层神经元个数为T，经过多次卷积池化后输出的每个神经元中包含k行l列元素，连接层每个神经元由n₂个[k,l]的卷积核对每个神经元矩阵中的元素进行卷积，具体公式如下：

其中，x_k,l表示输入层数据第k行第l列元素；w_n表示卷积核权重，用b_n表示卷积核的偏置项；卷积核大小与神经元矩阵大小相同，卷积后输出一个数值，y_u表示全连接层每个神经元中的数值，即卷积后的n₂个数值相加得到的数值。

2.根据权利要求1所述的基于卷积神经网络的水泥烧成过程多能耗指标预测方法，其特征在于：在步骤S1中，首先分析整个水泥烧成过程的工艺流程，确定生产过程中主要的能耗来源，选取与能耗相关的12个输入变量，并从水泥烧成系统的数据库当中提取相关变量数据，然后对选取的各变量进行归一化处理。

3.根据权利要求1所述的基于卷积神经网络的水泥烧成过程多能耗指标预测方法，其特征在于：步骤S3具体为计算梯度的指数移动平均数、计算梯度平方的指数移动平均数以及对梯度均值及梯度平方均值进行偏差纠正。