[发明专利]基于混合深度神经网络的回转窑烧结温度预测方法

说明书

本发明公开了一种基于混合深度神经网络的回转窑烧结温度预测方法，从多个热工数据中选取出8个热工变量；对多维原始变量数据进行PCA分析，并从中选取出最优热工变量作为模型输入；对各变量数据标准化处理；通过采集到的样本数据选取相应时间间隔内变量数据得到样本数据集合，分成75％的训练数据集，20％的预测数据集，5％的验证数据集；利用训练数据集训练深度神经网络得到相应的权重与偏置，得到权重与偏置带入验证数据集，计算出验证数据集的预测误差，并保存使训练集预测误差最小的权重和偏置；将使训练集预测误差最小的权重和偏置带入预测集合中计算得到预测值。实现从多元热时间序列中自动提取耦合特征和动态时序特征。

技术领域

本发明属于回转窑工业控制技术领域，特别是涉及一种基于混合深度神经网络的回转窑烧结温度预测方法。

背景技术

工业回转窑是一种典型的高能耗热工设备，在冶金、水泥、等工业领域应用十分广泛，其能耗占生产总能耗60％。生产的关键环节是其窑内烧结温度的稳定控制，通过提前预知燃烧状态，调节被控变量，使窑内保持稳定的生产状态，这些手段对于提高生产率，减少废气和颗粒物排放至关重要。

回转窑烧结过程的工况检测与控制近年受到学者的广泛关注。目前常见的回转窑建模研究主要包括：机理建模和数据驱动建模。由于复杂的物理化学反应，热传递和多相流体流动同时发生，因此很难建立烧结过程的机理模型。随着信息技术的发展，已经使用软测量技术对回转窑中的燃烧进行了许多测量和检测。与机理建模相比，基于数据驱动建模在描述建模烧结过程的复杂行为方面显示出巨大的潜力。

回转窑的燃烧过程是一个复杂的非线性动力学系统，从过程传感器收集的热工数据是具有典型的强耦合和非线性动力学特征的多元时间序列。大多数现有的数据驱动模型都基于静态建模或自回归统计方法实现预测，仅仅考虑变量在空间或时间上分离的信息，并且将信息直接送入统计分类器或回归中，而并不挖掘数据之间的关系和动态依赖性。因此这些方法很难利用现场的热工数据来精确预测烧结温度。

发明内容

本发明实施例的目的在于提供一种基于混合深度神经网络的回转窑烧结温度预测方法，以实现从多元热时间序列中自动提取耦合特征和动态时序特征，从而更精确的预测烧结温度。

为解决上述技术问题，本发明所采用的技术方案是，基于混合深度神经网络的回转窑烧结温度预测方法，包括：

步骤S1，从多个热工数据中选取出8个热工变量，采集间隔为1分钟，并进行预处理；步骤S2，对预处理后的多维原始变量数据进行PCA分析，并从中选取出最优热工变量作为模型输入；

步骤S3，对各变量数据标准化处理；

步骤S4，通过采集到的多个样本数据选取相应时间间隔内变量数据得到样本数据集合，分成75％的训练数据集，20％的预测数据集，5％的验证数据集；

步骤S5，利用训练数据集训练深度神经网络得到相应的权重与偏置，将得到的权重与偏置带入验证数据集，然后计算出验证数据集的预测误差，并保存使训练集预测误差最小的权重和偏置；

步骤S6，将步骤S5中使训练集预测误差最小的权重和偏置带入预测数据集中，计算得到预测值。

进一步的，所述步骤S1，8个热工变量为：窑头温度x₁、窑尾温度x₂、主机负荷x₃、冷却机负荷x₄、鼓风流量x₅、窑体转速x₆、喂煤量x₇、烧结温度y。

进一步的，所述步骤S1，预处理过程为：查找采集到的8个热工变量数据的缺失值，删除缺失值并删除同一时刻采集到的其他变量数据。

进一步的，所述步骤S2为：

步骤S2.1，计算7个热工数据变量X的中心化矩阵X_c；