[发明专利]一种基于LSTMDNN的高炉铁水硅含量预测方法及装置

说明书

本发明公开了一种基于LSTMDNN的高炉铁水硅含量预测方法及装置，该方法基于皮尔森相关系数划分时滞属性、相关属性及冗余属性；并利用划分后的属性数据分别构建LSTM高炉硅含量模型和DNN高炉硅含量模型；通过BP神经网络加权融合LSTM模型和DNN模型，获得高炉铁水硅含量预测模型；该方法基于皮尔森相关系数进行属性划分，通过剔除冗余属性，并将相关属性剥离，可有效缓解LSTM模型压力，提高计算速度，并提高模型预测效果；利用LSTM网络的长短时记忆能力，有效解决高炉数据的大时滞特征；利用DNN模型挖掘相关属性的高维特征，使得基于LSTMDNN的高炉铁水硅含量预测模型具备记忆能力和泛化能力。

技术领域

本发明属于高炉铁水硅含量预测领域，特别涉及一种基于LSTM＆DNN的高炉铁水硅含量预测方法及装置。

背景技术

在高炉炼铁过程中，高炉热状态是生铁质量的决定因素，但现有技术难以准确测量复杂高炉系统的内部热状态。高炉热状态与铁水中的硅含量呈线性相关，因此，掌握硅含量的变化动向具有重要的意义。然而，受高炉内部恶劣环境及生产工艺的限制，铁水中的硅含量无法实时测量，不利于对高炉作业参数做出及时的调整。为了高炉的平稳运行，硅含量的预测就显得尤为重要。近年来，针对高炉系统的非线性、大时滞等特征，研究者们采取了多种高炉铁水硅含量预测方法，例如，为适应高炉数据的非线性特征，高绪东运用BP神经网络对硅含量进行预测，参见文献：高绪东.BP神经网络在高炉铁水硅预报中的应用[J].中国冶金,2014,24(06):24-26+39.，刘家奇等人基于BP神经网络建立动态预测模型，参见文献：刘家奇,赵原,杨文韬,陈应天.基于BP神经网络的硅含量动态预测模型[J].中国战略新兴产业,2017(28):92.，该类模型往往能够在平稳炉况下表现良好，且模型收敛速度快，但难以解决大时滞问题；为了更好地适应大时滞特征，中国专利CN106096637A公开了一种基于Elman-Adaboost强预测器的铁水硅含量预测方法，采用Elman神经网络用于表达输入与输出间的时间延迟，具有较好的动态性能；另有李泽龙等人基于LSTM-RNN模型的铁水硅含量预测，利用单一LSTM模型预测铁水硅含量，同样致力于反映动态系统的特性，参见文献：李泽龙,杨春节,刘文辉,et al.基于LSTM-RNN模型的铁水硅含量预测[J].化工学报,2018(3):992-997.。

对于高炉系统的预测，单一神经网络具有良好的泛化能力，适合解决非线性问题，但由于神经网络信息向上传递，因而不具备记忆能力，难以处理高炉数据中的大时滞特征；适用于动态系统的预测模型具有良好的记忆能力，能够解决高炉数据的大时滞特征，但通常具有复杂的网络结构，处理速度较慢、泛化能力弱，不利于满足实际生产的实时需求。

发明内容

本发明的目的在于提出一种基于LSTM＆DNN的高炉铁水硅含量预测方法及装置，主要针对高炉数据的非线性、大时滞等特征，克服单一模型无法兼顾的困难，使预测模型同时具备动态系统模型的记忆能力和深度神经网络的泛化能力，并确保模型具有良好的预测精度和处理速度。

本发明提供的技术方案如下：

一种基于LSTM＆DNN的高炉铁水硅含量预测方法，包括：

步骤1：获取高炉数据样本集，并对高炉数据样本进行属性划分，再分别对各类属性数据样本进行归一化处理，其中数据样本属性包括时滞属性、相关属性以及冗余属性；

步骤2：构建基于LSTM＆DNN的高炉硅含量预测模型，并利用归一化处理后的属性数据进行训练；

所述基于LSTM＆DNN的高炉硅含量预测模型由BP神经网络连接LSTM高炉硅含量模型和DNN高炉硅含量模型，将时滞属性数据时间序列样本和相关属性数据样本分别输入LSTM高炉硅含量模型和DNN高炉硅含量模型，将两个模型的输出结果合并，作为BP神经网络的输入数据，经BP神经网络加权变换得到BP神经网络的输出数据，利用损失函数计算基于LSTM＆DNN的高炉硅含量预测模型的硅含量输出值与实际值之间的误差，对基于LSTM＆DNN的高炉硅含量预测模型进行训练；