[发明专利]基于深度信念网络模型的水泥熟料游离钙含量预测方法

摘要

本发明涉及一种基于深度信念网络模型来预测水泥熟料fCaO的方法，其内容为：初步选取能反映水泥熟料烧成情况的主要变量为辅助变量集合，预测变量为水泥熟料fCaO的含量；通过现场仪表和操作员记录表分别采集各个辅助变量和水泥熟料fCaO含量的现场数据，采用灰色关联度分析方法对初始辅助变量集合降维；根据深度信念网络的算法及样本数据量确定深度信念网络结构中的参数：训练深度信念网络的参数，进而实现对整个网络权重和偏置的优化；采用反向传播算法对所确定的深度信念网络结构中的参数进行误差校正，进而确定水泥熟料fCaO的预测模型；采集辅助变量集合的实时数据，并将得到的辅助变量集合的实时数据进行3δ准则剔除误差；进而预测出水泥熟料fCaO含量。

主权项

一种基于深度信念网络模型的水泥熟料游离钙含量预测方法，其特征在于：实现该方法所需设备包括测量仪表、数据通讯接口和中控机；所述的测量仪表用于测量水泥熟料游离钙含量的辅助变量，即窑主机电流、二次风温、窑尾温度和烟室NO_x；所述的数据通讯接口用于将现场测量仪表测量的数据传输到中控机，所述的中控机用于运行深度信念网络的水泥熟料游离钙含量预测算法，根据水泥烧成系统的窑主机电流、二次风温、窑尾温度和烟室NO_x，预测出输出变量水泥熟料游离钙含量；该方法内容包括如下步骤：步骤一：根据水泥工艺初步选取能反映水泥熟料烧成情况的主要变量为辅助变量集合，预测变量为水泥熟料游离钙的含量；在步骤一中，所述的辅助变量集合为：窑主机电流、二次风温、窑尾温度、烟室NO_x、二室篦下压力、分解炉出口温度、窑头负压、烟室O₂、烟室CO、窑转速、三次风温和预热器出口温度；由于初步选取的辅助变量集合维度高，故对辅助变量数据进行降维，以降低数据训练和预测的难度；步骤二：数据采集及分类，通过现场仪表和操作员记录表分别采集各个辅助变量和水泥熟料游离钙含量的现场数据，采用灰色关联度分析方法对初始辅助变量集合降维；由于数据样本的单位不尽相同，故在训练之前对数据进行统一单位，对数据进行归一化处理，确保各权值的收敛速度大致相同，得到输入输出都在0到1之间，加快训练网络的收敛速度；在步骤二中，所述采用灰色关联度分析方法对初始辅助变量集合降维，就是对初始辅助变量集合的数据进行灰色关联度计算，删除与游离钙灰色关联度小的变量，进而实现对初始辅助变量集合降维，获得最终的软测量模型输入辅助变量集合为：窑主机电流、二次风温、窑尾温度和烟室NO_x，输出变量为水泥熟料游离钙含量；将最终的软测量模型输入辅助变量集合代入深度信念网络模型进行预训练，训练出水泥熟料游离钙含量的预测模型；步骤三：根据深度信念网络的算法及样本数据量确定深度信念网络结构中的参数：学习率ε、权重w_ij、偏置和隐单元个数，将在步骤二中采集并归一化处理后的数据作为样本进行无监督训练，训练深度信念网络的参数，进而实现对整个网络权重和偏置的优化；步骤四：采用反向传播算法对在步骤三中所确定的深度信念网络结构中的参数进行误差校正，对深度信念网络结构参数中隐含层偏置、输出层偏置和权值矩阵进行全局搜索调整，进而确定水泥熟料游离钙含量的预测模型；所述采用反向传播算法对在步骤三中所确定的深度信念网络结构中的参数进行误差校正，误差校正的过程是：由于步骤三的学习是一个无监督的学习过程，而使用反向传播算法对网络模型参数中隐含层偏置、输出层偏置和权值矩阵进行修正是一个有监督的学习过程；误差反传是采用从输出层到输入层逐层修正的方法，通过这种方法进行误差修正和模型微调，从而确定水泥熟料游离钙含量的预测模型；步骤五：采集在步骤二中所得到辅助变量集合的实时数据，并将得到的辅助变量集合的实时数据进行3δ准则剔除误差；若当前时刻任一辅助变量被剔除，则一并删掉同一时刻其他辅助变量的数据，游离钙保持上一时刻的预测值；若没有辅助变量被删除，则将处理完的数据传输到步骤四得到的水泥熟料游离钙含量的预测模型算法的中控机中，进而预测出水泥熟料游离钙含量。