[发明专利]一种基于PSO-ELM算法的烧结矿质量预测方法、装置及设备

说明书

本发明公开了一种基于PSO‑ELM算法的烧结矿质量预测方法、装置、设备及计算机可读存储介质，利用经典烧结矿样本数据库对极限学习机神经网络模型进行训练，并采用粒子群优化算法对极限学习机神经网络模型的权重矩阵和偏置向量进行全局优化，得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型，进一步在训练迭代时验证烧结矿质量预测模型的精度，在精度不满足要求时进行自适应重构，最终得到最优烧结矿质量预测模型，以便对待检测的烧结矿进行质量预测，与现有技术相比，能够对烧结矿的质量进行准确预测，提高工作效率，降低生产成本。

技术领域

本发明涉及高炉炼铁技术领域，尤其涉及一种基于PSO-ELM算法的烧结矿质量预测方法、装置及设备。

背景技术

高炉炼铁中烧结矿的生产是其关键工艺之一，烧结过程是将粉状铁矿石、烧结燃料、烧结熔剂和烧结过程循环利用物按照一定的成分均匀混合，加水搅拌并点火燃烧，使原料在不完全熔化的状态下烧结成块的过程。由于烧结矿占高炉入炉原料的70％以上，因此烧结矿的质量直接关系到以后炼铁和炼钢产品质量。

现有技术中，由于烧结矿的质量指标参数与其原料参数之间关系密切，因此钢铁厂一般根据烧结配料方案进行烧结杯实验，通过烧结杯实验得到烧结矿的质量指标参数，而后对烧结配料方案进行调整，从而保证烧结配料方案合理。但是，烧结杯实验的周期往往较长，而且耗材多、费用高，导致增加额外的生产成本。

因此，如何对烧结矿的质量进行准确预测，提高工作效率，降低生产成本，是本领域技术人员需要解决的技术问题。

公开于该背景技术部分的信息仅仅旨在加深对本发明总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

本发明的目的是：提供一种基于PSO-ELM算法的烧结矿质量预测方法、装置、设备及计算机可读存储介质，能够对烧结矿的质量进行准确预测，提高工作效率，降低生产成本。

为了达到上述目的，本发明一方面提供一种基于PSO-ELM算法的烧结矿质量预测方法，包括：

构建经典烧结矿样本数据库；其中，所述经典烧结矿样本数据库中的每组样本数据均包括烧结矿的化学成分数据、烧损数据和对应的烧结矿的质量数据；

随机将所述经典烧结矿样本数据库中的样本数据分成训练集和测试集；

建立极限学习机神经网络模型，并利用所述训练集通过粒子群优化算法得到所述极限学习机神经网络模型的最优权重矩阵和最优偏置向量，根据所述最优权重矩阵和所述最优偏置向量得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型；

利用所述测试集对所述烧结矿质量预测模型的精度进行验证，并判断所述烧结矿质量预测模型的精度是否满足要求；

若精度不满足要求，则对所述烧结矿质量预测模型进行数据自适应重构，直至精度满足要求后输出最优烧结矿质量预测模型；若满足要求，则直接输出最优烧结矿质量预测模型；

通过所述最优烧结矿质量预测模型对待检测的烧结矿进行质量预测。

优选地，所述烧结矿的化学成分数据包括铁料配比、全铁含量、二氧化硅含量、水分含量和粒度，所述烧结矿的质量数据包括同化性、品味、碱度和转鼓强度。

优选地，所述随机将所述经典烧结矿样本数据库中的样本数据分成训练集和测试集，包括：

随机将所述经典烧结矿样本数据库中的70％样本数据作为训练集，30％样本数据作为测试集。

优选地，所述建立极限学习机神经网络模型，并利用所述训练集通过粒子群优化算法得到所述极限学习机神经网络模型的最优权重矩阵和最优偏置向量，根据所述最优权重矩阵和所述最优偏置向量得到基于粒子群算法优化的极限学习机神经网络的烧结矿质量预测模型，包括：