[发明专利]基于长短时记忆网络的水泥成品比表面积预测方法及系统

说明书

本发明公开了一种基于长短时记忆网络的水泥成品比表面积预测方法及系统。该方法包括：对训练输入集中的训练输入数据按照时间序列进行排序；将排序后的训练输入集输入到预先构建好的长短时记忆网络模型中，得到各个时刻的水泥成品比表面积预测值；依据训练输出集和水泥成品比表面积预测值，采用基于时间的反向传播算法计算每个神经元的节点误差项；节点误差项包括遗忘门误差项、输入们误差项和输出门误差项；依据节点误差项，采用随机梯度下降法对待训练参量进行训练，得到训练好的长短时记忆网络模型；将待测试输入集输入到训练好的长短时记忆网络模型中，得到待测试的水泥成品比表面积预测值。本发明能够提高水泥成品比表面积预测的准确度。

技术领域

本发明涉及水泥成品比表面积预测技术领域，特别是涉及一种基于长短时记忆网络的水泥成品比表面积预测方法及系统。

背景技术

水泥工业是我国国民经济建设的重要基础材料产业，为国民经济建设提供原材料。由辊压机与球磨机等设备组成的水泥磨系统在当代水泥生产中已经被广泛应用。水泥成品比表面积就是单位面积水泥粉末的总表面积，如果水泥比表面积过大，则说明水泥粉末颗粒过细，会产生水化速度过快，混凝土表面出现裂缝等问题；如果水泥比表面积过小，则说明水泥粉末颗粒过粗，水化速度降低，导致水泥收料活性丧失，以上问题都会影响混凝土使用寿命。因此，将水泥成品比表面作为评价水泥性能，品质的重要指标，对其进行在线预测，有利于指导水泥磨系统生产调度，将水泥成品比表面积控制在合适的范围内，提高水泥成品性能。

在水泥成品比表面积检测方面，针对水泥成品比表面积的检测主要有离线检测和在线检测两种，前者所取样本小，滞后性大，后者虽然能及时、快速的检测，但其成本高，保养、维修工作量大。在水泥成品比表面积预测方面，由于水泥磨工艺流程具有复杂随机性和动态时滞性等特点，难以用传统的数学方法建立精确的水泥成品比表面积预测模型。

针对上述问题，袁铸钢等人针对带有水泥粒度的联合粉磨系统建模问题，给出一种分工况的联合粉磨粒度建模方法，采用回归分析算法建立多输入单输出的粒度模型和最小二乘支持向量机(LS_SVM)进行了相应建模。通过回归分析建模精度较差，LS_SVM建模虽具有较高精度，但适用于较小样本数据集的预测，对于水泥成品比表面积相关的过程参量构成的工业大数据则不适用。王贵生采用一元线性回归法45μm细度快速预测水泥比表面积，通过负压筛析法检测水泥45μm筛余量及水泥比表面积的测定，对得到的数据进行回归分析，建立45μm水泥细度与比表面积的一元线性方程，实现比表面积的预测。但该方法并未考虑水泥磨复杂工况多变量之间强耦合的特点，以及数据的时延特征，仅根据单一指标来预测水泥成品比表面积，容易造成较大误差，实用性不强。

发明内容

基于此，有必要提供一种基于长短时记忆网络的水泥成品比表面积预测方法及系统，既解决水泥磨复杂工况多变量、强耦合，难以建立机理模型的问题，又解决变量数据与水泥成品比表面积指标之间存在时变实延，预测准确度差的问题。

为实现上述目的，本发明提供了如下方案：

基于长短时记忆网络的水泥成品比表面积预测方法，包括：

获取训练输入集和训练输出集；所述训练输入集包括多个时刻的训练输入数据；所述训练输出集包括多个时刻的训练输出数据；一个时刻的训练输入数据对应一个时刻的训练输出数据；所述训练输入数据包括辊压机挡板开度、喂料量、选粉机电流、选粉机转速、循环风机挡板开度、循环风机变频反馈、水泥磨主机电流和出磨提升机电流；所述训练输出数据为水泥成品比表面积实际值；

对所述训练输入集中的训练输入数据按照时间序列进行排序，得到排序后的训练输入集；

将所述排序后的训练输入集输入到预先构建好的长短时记忆网络模型中，得到各个时刻的水泥成品比表面积预测值；所述长短时记忆网络模型包括输入层、隐含层和输出层；所述隐含层包括多个神经元；每个所述神经元包均由遗忘门、输入门和输出门组成；一个所述神经元对应一组待训练参量；所述待训练参量包括遗忘门权重、遗忘门偏置、输入门权重、输入门偏置、输出门权重和输出门偏置；