一种基于R-WGAN的水泥熟料游离钙样本数据增强及预测方法技术

本发明专利技术提供一种基于R

【技术实现步骤摘要】
一种基于R
‑
WGAN的水泥熟料游离钙样本数据增强及预测方法


[0001]本专利技术涉及水泥烧成系统熟料游离钙的预测领域，特别的涉及一种基于R
‑
WGAN的水泥熟料游离钙样本数据增强及预测方法。

技术介绍

[0002]目前，新型干法水泥制造方法被广泛应用于我国主要的水泥生产企业，其生产工艺流程通常可分为生料制备、熟料煅烧和水泥制备三个环节。其中，熟料煅烧是水泥生产的核心工艺，直接影响水泥熟料的性能，其中水泥熟料游离氧化钙(fCaO)的含量是评价水泥质量的一个重要指标。水泥熟料fCaO含量很难在线监测，主要是离线人工采样化验，每小时采样化验一次，离线测量结果对水泥烧成过程的指导具有明显的滞后性，导致难以实现水泥烧成过程的实时控制和优化。水泥熟料烧成过程具有大惯性、大时滞、多耦合等特性，从而导致难以建立一个精确的水泥熟料fCaO预测模型。随着科学技术的进步与发展，软测量技术被引入到水泥制造业熟料在线检测的研究中，软测量技术是通过建立易测变量(或称辅助变量、输入变量)与主导变量(或称输出变量，一般不易测量)之间的软测量模型，实现主导变量的在线预测，该技术不但经济可靠，不需要进行设备的维护，而且动态响应迅速，有利于水泥熟料fCaO烧成过程的实时控制和优化，但是在生产过程中水泥熟料fCaO含量样本数据是离线测量，单纯的应用软测量模型时并不能解决由离线测量导致的水泥熟料fCaO含量样本数据量小的问题，水泥熟料fCaO难以准确预测的问题依然存在。

技术实现思路

[0003]为了解决上述提到的现有技术的不足，本专利技术提出一种种基于R
‑
WGAN的水泥熟料游离钙样本数据增强及预测方法，即一种基于回归
‑
Wasserstein生成对抗网络(R
‑
WGAN)的水泥熟料fCaO样本数据增强及预测方法，采用将WGAN与回归预测网络结合的方法，将WGAN应用于流程工业时序序列数据的生成，利用WGAN生成的数据扩充数据集，用来训练回归预测网络，既解决了水泥熟料fCaO含量离线检测造成的数据量小的问题，又解决了应用软测量模型时水泥熟料fCaO含量难以准确预测的问题。
[0004]为实现上述目的，本专利技术提供一种基于R
‑
WGAN的水泥熟料游离钙样本数据增强及预测方法，其包括以下步骤：
[0005]S1、对水泥生产工艺进行分析，选取与水泥熟料fCaO含量相关的12个变量为辅助的输入变量，水泥熟料fCaO含量为需要预测的输出变量，每个辅助变量的时间序列作为回归预测网络的输入，之后将所选的每个变量时间序列进行归一化处理，具体包括以下子步骤：
[0006]S11、分析水泥回转窑的生产工艺，结合水泥熟料fCaO产生的机理选取12个影响水泥熟料fCaO含量的变量作为输入变量，12个输入变量的测量时间步长为t，将60t内12个变量的时间序列组成的二维数据作为输入变量，其中，列代表一个变量的采样数据，行代表60t内的12个变量与其对应时刻水泥熟料fCaO含量值，12输入变量分别为窑主机电流X1、二
次风温X2、窑尾温度X3、烟室NOX X4、二室篦下压力X5、分解炉出口温度X6、窑头负压X7、烟室O
2 X8、烟室COX9、窑转速X
10
、三次风温X
11
和预热器出口温度X
12
，将上述12个变量数据作为回归预测模型的输入层数据水泥熟料fCaO含量Y为输出变量；
[0007]S12、从水泥回转窑数据库中导出相关变量数据并进行归一化处理；
[0008]S2、将归一化后的数据输入回归预测网络进行预训练，并将网络结构和参数进行保存，具体包括以下子步骤：
[0009]S21、对输入数据进行卷积运算，并对经过卷积运算的输入数据进行池化，从中提取时空特征，将输出的特征图谱输入到全连接层中；
[0010]S22、通过全连接层将局部特征连接为全局特征，提高网络的特征提取能力和预测精度，完成基于卷积神经网络的回归预测模型的前向训练过程；
[0011]S23、通过反向传播更新卷积层的权值和偏置，实现输出误差最小化；
[0012]S24、借助于全连接层综合所有的特征信息，构建基于卷积神经网络的水泥熟料fCaO回归预测模型，将归一化后的数据输入到基于卷积神经网络的回归预测模型中，并将预训练的网络进行保存；
[0013]S3、将步骤S1中选择的12个变量与水泥熟料fCaO含量数据拼接为WGAN的真实数据集，作为WGAN中判别器的输入，判别器的输入数据集为
[0014]在步骤S3中，将每个小时内12个变量的时间序列和水泥熟料fCaO含量数据拼接作为一组子数据，真实数据集中包含1234组子数据；
[0015]S4、搭建WGAN网络，网络包含生成器和判别器，采用Wasserstein距离作为判别器的损失函数；将步骤S3中整合好的真实数据集输入判别器，并将随机噪声输入生成器，训练WGAN网络，每训练20000次，生成n组数据，n为实验中的自定义值；
[0016]S5、搭建R
‑
WGAN模型，结合WGAN网络与回归预测网络，将WGAN网络的生成数据与真实数据混合作为回归预测网络的训练数据集，并进行训练，具体为，将步骤S4中WGAN生成的数据与真实数据的混合，将生成数据中生成的n组的12个变量的时间序列排列为与真实数据相同的二维数组的形式，与真实数据混合为回归预测网络的训练集，调用步骤S2中保存好的回归预测网络进行训练；
[0017]S6、应用R
‑
WGAN中训练好的回归预测网络，实现水泥熟料游离氧化钙的预测。
[0018]优选地，在步骤S5中，建立R
‑
WGAN模型，采用WGAN和回归预测神经网络结合的方式，将WGAN网络生成的数据与真实数据混合，增大了回归预测模型的训练集，使得水泥熟料fCaO预测更加准确。
[0019]优选地，步骤S4中，生成器持续学习真实数据的概率分布特征，并利用学习到的分布规律生成新的数据，判别器区分出真实数据与生成器生成的数据进行对抗训练，分别提高生成和判别能力，其中生成器为多层反卷积神经网络的结构，判别器为多层卷积神经网络结构，生成器的输入为随机噪声，输出为生成数据，判别器的输入包括两部分，分别是生成数据和真实数据，输出为生成数据和真实数据分布之间的距离。
[0020]优选地，步骤S4具体包括以下子步骤：
[0021]S41、生成器结构采用卷积核尺寸为3*3的卷积，步长为1，卷积计算后进行批标准化处理；
[0022]S42、批标准化处理后用激活函数relu激活，随后再进入下一层卷积结构中，生成器的最后一层激活函数使用tanh；生成器和判别器的学习率设置为0.01，生成器的输入为服从正态分布的随机噪声，最后输出为生成的数据
[0023]S43、判别器由与生成器相同层数的卷积神经网络组成，判别器结构采用卷积核尺寸为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于R
‑
WGAN的水泥熟料游离钙样本数据增强及预测方法，其特征在于：其包括以下步骤：S1、对水泥生产工艺进行分析，选取与水泥熟料fCaO含量相关的12个变量为辅助的输入变量，水泥熟料fCaO含量为需要预测的输出变量，每个辅助变量的时间序列作为回归预测网络的输入，之后将所选的每个变量时间序列进行归一化处理，具体包括以下子步骤：S11、分析水泥回转窑的生产工艺，结合水泥熟料fCaO产生的机理选取12个影响水泥熟料fCaO含量的变量作为输入变量，12个输入变量的测量时间步长为t，将60t内12个变量的时间序列组成的二维数据作为输入变量，其中，列代表一个变量的采样数据，行代表60t内的12个变量与其对应时刻水泥熟料fCaO含量值，12输入变量分别为窑主机电流X1、二次风温X2、窑尾温度X3、烟室NOX X4、二室篦下压力X5、分解炉出口温度X6、窑头负压X7、烟室O
2 X8、烟室COX9、窑转速X
10
、三次风温X
11
和预热器出口温度X
12
，将上述12个变量数据作为回归预测模型的输入层数据水泥熟料fCaO含量Y为输出变量；S12、从水泥回转窑数据库中导出相关变量数据并进行归一化处理；S2、将归一化后的数据输入回归预测网络进行预训练，并将网络结构和参数进行保存，具体包括以下子步骤：S21、对输入数据进行卷积运算，并对经过卷积运算的输入数据进行池化，从中提取时空特征，将输出的特征图谱输入到全连接层中；S22、通过全连接层将局部特征连接为全局特征，提高网络的特征提取能力和预测精度，完成基于卷积神经网络的回归预测模型的前向训练过程；S23、通过反向传播更新卷积层的权值和偏置，实现输出误差最小化；S24、借助于全连接层综合所有的特征信息，构建基于卷积神经网络的水泥熟料fCaO回归预测模型，将归一化后的数据输入到基于卷积神经网络的回归预测模型中，并将预训练的网络进行保存；S3、将步骤S1中选择的12个变量与水泥熟料fCaO含量数据拼接为WGAN的真实数据集，作为WGAN中判别器的输入，判别器的输入数据集为在步骤S3中，将每个小时内12个变量的时间序列和水泥熟料fCaO含量数据拼接作为一组子数据，真实数据集中包含1234组子数据；S4、搭建WGAN网络，网络包含生成器和判别器，采用Wasserstein距离作为判别器的损失函数；将步骤S3中整合好的真实数据集输入判别器，并将随机噪声输入生成器，训练WGAN网络，每训练20000次，生成n组数据，n为实验中的自定义值；S5、搭建R
...

【专利技术属性】
技术研发人员：郝晓辰，刘林，黄高路，张宇轩，党辉，张逸夫，赵彦涛，
申请(专利权)人：燕山大学，
类型：发明
国别省市：