[发明专利]一种基于门控循环单元网络的水泥成品比表面积预测方法在审
申请号: | 202010627073.9 | 申请日: | 2020-07-01 |
公开(公告)号: | CN111950697A | 公开(公告)日: | 2020-11-17 |
发明(设计)人: | 孙超;张宇轩;李泽;郝晓辰;王君微;赵彦涛 | 申请(专利权)人: | 燕山大学 |
主分类号: | G06N3/04 | 分类号: | G06N3/04;G06N3/08;G06F16/22;G06F16/23;G06F16/2458 |
代理公司: | 石家庄众志华清知识产权事务所(特殊普通合伙) 13123 | 代理人: | 张明月 |
地址: | 066004 河北*** | 国省代码: | 河北;13 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 门控 循环 单元 网络 水泥 成品 表面积 预测 方法 | ||
本发明公开了一种基于门控循环单元网络的水泥成品比表面积预测方法,属于水泥成品质量预测技术领域,包括以下步聚:(1)从水泥粉磨系统的数据库中选取与比表面积相关的8个输入变量,按照时间序列排列;(2)采用基于时间的反向传播技术求取神经网络各节点的误差项;(3)采用自适应矩估计算法进行神经网络权值的更新,反复训练得到最小误差,获取最优模型参数集;(4)计算得到比表面积的预测结果。本发明既解决了水泥磨复杂工况多变量、强耦合,难以建立机理模型的特点,又解决了变量数据与水泥成品比表面积指标之间存在的时变实延问题,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。
技术领域
本发明涉及水泥磨水泥成品质量指标-比表面积预测技术领域,尤其是一种基于门控循环单元网络的水泥成品比表面积预测方法,用于水泥磨研磨过程水泥成品比表面积在线预测。
背景技术
水泥工业是我国经济发展、生产建设和人民生活不可或缺的原材料工业,水泥的性能会直接影响到混凝土的性能,而水泥的性能又和水泥的比表面积密切相关。水泥的比表面积就是单位质量的水泥具有的表面积,比表面积可作为评价水泥细度的指标,水泥磨的细,比表面积越大,反之,比表面积越小。通常情况下,如果比表面积过大,将导致水泥的水化速度过快、放热快且集中、混凝土收缩显著提高,将会导致混凝土早期开裂等质量问题。而比表面积太小,水泥颗粒太粗,也会影响到混凝土的质量。因此,比表面积作为评价水泥品质的重要指标应保持在合适的范围内,而实现比表面积的在线预测对于提高混凝土质量具有重要意义。但在水泥成品的比表面积预测方面,由于水泥磨工业流程本身具有时滞和随机性等特点,难以用传统的线性模型来进行预测。
针对上述问题,王贵生等人采用一元线性回归法建立了45μm水泥细度和水泥比表面积的回归方程,水泥细度利用负压筛析仪进行检测,将水泥细度数据带入回归方程中即可求得相应的比表面积。但这种方法仅根据单一指标进行预测,说服力不强,而且没有考虑到水泥磨复杂工况下的变量耦合、时变时延等问题,该方法进行比表面积的预测会产生较大的误差。
发明内容
本发明需要解决的技术问题是提供一种基于门控循环单元网络的水泥成品比表面积预测方法,既能够解决水泥磨复杂工况多变量、强耦合,难以建立机理模型的特点,又能够解决变量数据与水泥成品比表面积指标之间存在的时变时延问题。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于门控循环单元网络的水泥成品比表面积预测方法,包括以下步骤:
步骤1:分析水泥磨工艺流程选取与比表面积相关的8个输入变量,首先将选择的变量数据按照时间序列排列,其次将数据按照GRU的输入格式进行处理,再将数据进行归一化作为GRU的输入数据;
步骤2:将归一化后的训练数据输入到GRU模型中进行训练,输入数据进入到隐层,通过GRU网络结构中的更新门来决定前一时刻和当前时间步的信息有多少需要继续进行传递,通过重置门来决定有多少之前时刻的信息需要进行遗忘,最后将单元状态和输出合并为一个最终状态,从而更新当前序列索引的预测输出,完成门控循环单元网络的前向传播;
步骤3:采用基于时间的反向传播算法计算每个神经元的误差项;从输入数据及权重开始,向着输出层传递,最后求出预测值并和目标值构成代价函数;在反向传播的过程中,以代价函数开始,从输入到输出,求各个节点的偏导数,然后利用自适应矩估计算法更新权重参数和偏置参数,重复反向传播过程,直到代价函数的误差满足要求或者到达指定的迭代次数为止;经过上述过程的反复训练,即可实现误差的最小化;
步骤4:将处理后的水泥磨研磨过程中的过程变量数据输入到步骤3中训练好的门控循环单元网络模型,实现水泥磨研磨过程水泥成品比表面积的在线预测。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于燕山大学,未经燕山大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010627073.9/2.html,转载请声明来源钻瓜专利网。