本发明专利技术公开了一种铅锌烧结块的成分预测方法，包括以下步骤：A.建立铅锌烧结块成分的RBF-AR模型；B.设置多组不同的ny和h的值，分别通过非线性参数辨识方法辨识各组ny和h对应RBF-AR模型的参数；C.求得各组ny和h对应的赤信息准则值AIC；D.比较各组ny和h对应的AIC的大小，将最小的AIC对应的ny和h的值、该ny和h对应的RBF-AR模型的参数代入RBF-AR模型，得到铅锌烧结块的成分预测模型；E.采集y(t)、y(t-1)、…、y(t-ny+1)并代入成分预测模型，得到铅锌烧结块的成分预测值y(t+1)。本发明专利技术能够快速地预测出下一时刻铅锌烧结块中的成分，解决了检测时间过长导致检测的结果不能被有效利用的缺点，将预测的结果及时用于调整烧结过程的配料，可以即时指导生产，提高了铅锌烧结块的合格率。
【技术实现步骤摘要】
本专利技术涉及。
技术介绍
烧结工艺是在传统的铅锌冶炼过程中一道非常重要的工艺。 铅锌烧结块的各种化学成分（如铅、锌、硫等）的含量是衡量其质量的重要指标。 铅锌烧结用的原料种类繁多，原料的物理化学性质差异很大，为了使铅锌烧结块 的成分满足下一道工序的要求，需要对铅锌烧结块的成分进行分析，利用分析结果对原料 的配备进行指导。目前，都是等到铅锌烧结块烧结成品之后，对成品进行取样，利用化学方法对样品 进行化验分析，才能得到铅锌烧结块的成分。 由于铅锌烧结过程是一个大滞后环节，从配料到铅锌烧结块成品需要大约2个小 时，因此铅锌烧结厂一般每2个小时对铅锌烧结块的成分进行取样。而化验过程需要1至 2个小时，因此铅锌烧结前的配料等工序产生的效果需要等到3至4个小时后才能知道，导 致铅锌烧结块的成分检测数据滞后严重，检测结果对指导调节烧结前的各种配料比例以控 制铅锌烧结块成品的成分意义不大，即，对实时生产的指导意义价值不大。
技术实现思路
使用现有方法对铅锌烧结快的成分进行检测需要较长时间，检测数据滞后严重， 对实时生产的指导意义价值不大。本专利技术的目的在于，针对上述现有技术的不足，提供一种 铅锌烧结块的成分预测方法。 为解决上述技术问题，本专利技术所采用的技术方案是： -种铅锌烧结块的成分预测方法，包括以下步骤： A.建立铅锌烧结块成分的RBF-AR模型 其中，y (t+Ι)为预测的t+Ι时刻的铅锌烧结块的成分值，t为当前时刻，t-1..... t_ny+l为历史时刻，y (t)为采集的铅锌烧结块成分的当前值，y (t-1)、. . .、y (t_ny+l)为采 集的铅锌烧结块成分的历史值，e (t)为白噪声，\为y对应的阶次，h为RBF神经网络的层 数，X(t)为状态相依变量，X(t) = T， c〇，· · ·，Cm，Eiji,〇，· · ·，&k,m，Zm，i，入出，πι I，2，· · · h，k I，2，· · ·，ny^J 铅锌烧结块成分的RBF-AR模型的参数； B.设置多组不同的ndPh的值，分别通过非线性参数辨识方法辨识各组ndPh对 应RBF-AR模型的参数 c〇，· · ·，Cm，Eiji,〇，· · ·，&k,ni，Zm，i，入出，Hi I，2，· · · h，k I，2，· · ·，riy; C.求得各组\和h对应的噪声方差σ 2,并由此求得各组\和h对应的赤信息准 则值AIC，其中AIC = N log σ 2+2d，N为用于辨识的数据的数目，N > > ny，d是待辨识的参 数个数总和，d = (h+1) (l+ny)+3*h ; D.比较各组\和h对应的AIC的大小，将最小的AIC对应的η ￥和h的值、该η #口 h对应的RBF-AR模型的参数代入步骤A中的RBF-AR模型，得到铅锌烧结块的成分预测模 型； E.采集y(t)、y(t-l).....y(t_ny+l)并代入成分预测模型，得到铅锌烧结块的成 分预测值y(t+l)。 RBF(Radical Basis Function)神经网络代表径向基函数神经网络，是神经网络 的一种；AR(Autoregressive model)模型代表自回归模型。RBF-AR模型则是结合了前二 者的优点的模型，在现有技术中已存在此模型和建模方法。RBF-AR模型是一种自回归模 型，其自回归系数不是固定不变的常数，而是由RBF神经网络表示的一种非线性结构。因此 RBF-AR模型既具有自回归模型的特点又具有RBF神经网络描述非线性的能力。 作为一种优选方式，步骤B中采用Levenberg-Marquardt算法辨识各组\和h对 应的RBF-AR模型的参数，Levenberg-Marquardt算法包括以下步骤： BI.设参数集 焉蠢柄^ 1 s4、海,f以,^ 中的RBF-AR模型可以改成 y (t+1) = f ( θ N, X (t)) +e (t) 设误差指标函数为 其中 τ =ny; Β2·设定θ N中各参数的初始值； B3.记k为迭代的步数，设定最大迭代步数kmax，对于Θ k+1步的迭代值j 更新公式为 霄'：崎· β為 其中dk为搜索方向，β k为步长系数，其中每一次迭代的dk由公式 决定，其中rk控制d 幅度和方向； 如果轉}且k < k_，则继续进行第二步优化；否则迭代停止，此时的 罐为RBF-AR模型的参数；对应的噪声方差〇2=2V(0 N)。 作为一种优选方式，步骤B2中初始值的设定方式为： (ZnuIm = 1，2, · · .h}取y(t)、y(t_l)、· · ·、y(t_ny+l)的平均值； UnJm= l，2，...h}取 0.01 ;随机选取 {c〇，···，Cm，Eiji，〇，···，&k,ni I m I，2，· · · h，k I ? 2? . . . ? ny} 〇 初始值的选择对最终预测的结果影响不大。 作为一种优选方式，步骤B3中心取0.0001。 -般β 14在le-8至0. 1之间取值，β k越小，辨识精度越高，辨识时间越长，考虑时 间和精度的折中，1^取0.0001。 作为一种优选方式，步骤B3中4取0· 01。 rk是一个正数，当其为0时，dk为高斯牛顿方向；当其趋于无穷时，dk为最速下降 方向，折中选取为〇.〇1。 作为一种优选方式，步骤B3中k_取1000。 k_越大，辨识精度越高，辨识时间越长，考虑时间和精度的折中，k_取1000。 与现有技术相比，本专利技术能够快速地预测出下一时刻铅锌烧结块中的成分，解决 了现有技术中检测时间过长导致检测的结果不能被有效利用的缺点，将预测的铅锌烧结块 的成分结果及时用于调整烧结过程的配料，可以即时指导生产，提高了铅锌烧结块的合格 率。【附图说明】 图1为验证数据的实际值与预测值对照图； 图2为验证数据的实际值与预测值的偏差值曲线图。 图1中，虚线为实际值，实线为预测值。【具体实施方式】 本专利技术的一实施方式包括以下步骤： A.建立铅锌烧结块成分的RBF-AR模型 CN 105005670 A W 4/5 页 其中，y (t+1)为预测的t+1时刻的铅锌烧结块的成分值，t为当前时刻，t-1..... t_ny+l为历史时刻，y (t)为采集的铅锌烧结块成分的当前值，y (t-1)、. . .、y (t_ny+l)为采 集的铅锌烧结块成分的历史值，e (t)为白噪声，\为y对应的阶次，h为RBF神经网络的层 数，X(t)为状态相依变量，X(t) = T， c〇，· · ·，Cm，Eiji,〇，· · ·，&k,m，Zm，i，入出，πι I，当前第1页1 2 本文档来自技高网...
【技术保护点】
一种铅锌烧结块的成分预测方法，其特征在于，包括以下步骤：A.建立铅锌烧结块成分的RBF‑AR模型其中，y(t+1)为预测的t+1时刻的铅锌烧结块的成分值，t为当前时刻，t‑1、...、t‑ny+1为历史时刻，y(t)为采集的铅锌烧结块成分的当前值，y(t‑1)、...、y(t‑ny+1)为采集的铅锌烧结块成分的历史值，e(t)为白噪声，ny为y对应的阶次，h为RBF神经网络的层数，X(t)为状态相依变量，X(t)＝[y(t)]T，c0，...，cm，ak，0，...，ak，m，zm，1，λm，m＝1，2，...h，k＝1，2，...，ny为铅锌烧结块成分的RBF‑AR模型的参数；B.设置多组不同的ny和h的值，分别通过非线性参数辨识方法辨识各组ny和h对应RBF‑AR模型的参数c0，...，cm，ak，0，...，ak，m，zm，1，λm，m＝1，2，...h，k＝1，2，...，ny；C.求得各组ny和h对应的噪声方差σ2，并由此求得各组ny和h对应的赤信息准则值AIC，其中AIC＝Nlogσ2+2d，N为用于辨识的数据的数目，N＞＞ny，d是待辨识的参数个数总和，d＝(h+1)(1+ny)+3*h；D.比较各组ny和h对应的AIC的大小，将最小的AIC对应的ny和h的值、该ny和h对应的RBF‑AR模型的参数代入步骤A中的RBF‑AR模型，得到铅锌烧结块的成分预测模型；E.采集y(t)、y(t‑1)、...、y(t‑ny+1)并代入成分预测模型，得到铅锌烧结块的成分预测值y(t+1)。...
【技术特征摘要】
【专利技术属性】
技术研发人员：魏吉敏，杨鸿波，王宇星，罗志辉，刘懿，
申请(专利权)人：长沙有色冶金设计研究院有限公司，
类型：发明
国别省市：湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。