【技术实现步骤摘要】
本专利技术涉及一种烧结混合料槽料位预测方法，尤其涉及一种基于卷积神经网络的烧结混合料槽料位预测方法、系统及存储器，属于铁矿石烧结生产领域。
技术介绍
1、烧结是钢铁生产流程中的一道重要的工序，其稳定、高效、低耗运行是实现钢铁生产流程降本增效的前提。铁矿混合料经配料、混匀、制粒后输送到混合料槽，再经槽下的圆辊和多辊布料机卸落到烧结机台车上，其中混合料槽起到了贮存和缓冲的作用。维持混合料槽料的料位稳定是关乎烧结生产稳定顺行的关键一环，料位过低容易导致布料不均匀，烧结机台车的料面出现中间高、两边低，增加风机的负荷，同时可能会由于料位亏空需要停机处理；而料位过高会对混合料制粒小球造成挤压破坏，影响混合料的透气性。
2、实际生产过程中，通常需要操作人员时刻关注混合料槽料位变化，并做出操作控制，但由于混合料槽料位的波动较为频繁和快速，且混合料槽料位对各项操作的响应时间较长。因此，有需要建立混合料槽料位的预测模型，对料位变化做出提前预判，及时对操作参数作出及时、准确的调控，减少混合料槽料位的波动。混合料槽料位预测，对提高烧结过程稳定性具有重要的辅助作用。
技术实现思路
1、针对现有技术中存在的问题，本专利技术的第一个目的在于提供一种基于卷积神经网络的烧结混合料槽料位预测方法。该方法通过筛选与混合料槽料位相关的特征参数，选取各特征参数以时间为标尺所得数据，构成二维特征变量矩阵，通过卷积神经网络构建混合料槽料位预测模型，基于烧结特征参数与混合料槽料位的相关性，所得预测方法在保证混合料槽料
2、本专利技术的第二个目的在于提供一种包含计算机程序的可读存储器，用于实施上述烧结混合料槽料位预测方法。
3、本专利技术的第三个目的在于提供一种基于卷积神经网络的烧结混合料槽料位预测系统。该预测系统基于可编程逻辑控制器、处理器和可读存储器之间的协同作用，实现了对于混合料槽料位的精准预测，进而可对混合料槽料位进行实时的监测和调控，无需人工调控混合料槽料位变化，实现了烧结过程的智能化控制。
4、为解决上述技术问题，本专利技术提供了一种基于卷积神经网络的烧结混合料槽料位预测方法，包括：
5、步骤s1：获取烧结过程数据，将数据划分为训练集和测试集后，通过训练集筛选与混合料槽料位相关的i组特征参数；
6、步骤s2：按照时间间隔提取各组特征参数中各特征参数1～t组数据，并堆叠为i*t的二维特征参数矩阵；
7、步骤s3：将所得二维特征变量矩阵输入卷积神经网络模型，构建混合料槽料位预测模型，并通过测试集测试，即得。
8、作为一项优选的方案，所述特征参数的筛选过程包括：
9、步骤s1-1：将烧结过程数据经过预处理和标准化处理后，随机划分为3～4:1的训练集和测试集；
10、步骤s1-2：采用随机森立算法建立包括混合料水分、料层厚度在内的超过18种特征参数，计算每一种特征变量对于混合料槽料位的重要性指数nk；
11、步骤s1-3：将所有特征参数的重要性指数归一化处理后，选取大于阈值的特征即得。随着特征参数个数增加，采用随机森林所建模型的均方误差有明显下降，且趋于平稳时，可以确定适宜的特征参数数量。将特征参数的重要性指数排序，此时特征参数重要性指数最小值可以确定为阈值。
12、作为一项优选的方案，所述重要性指数nk的计算过程为：
13、式1：nk＝wk*gk-wleft*gleft-wright*gright；
14、式2：
15、式1和式2中，wk、wleft和wright分别为节点k以及其左右子节点中训练样本个数与总训练样本数目的比例，gk、gleft和gright分别为节点k以及其左右子节点的基尼指数，ci为某一个特征变量，vij为变量的一个切分值，ns为所有训练样本个数，yleft和yright分别表示切分后左右子节点的训练样本个数。
16、作为一项优选的方案，所述二维特征参数矩阵的构建过程为：
17、步骤s2-1：将筛选得到的特征参数按照时间顺序排列，记为xi,1,xi,2,…,xi,t，其中i为特征参数的编号，t为时间序列；
18、步骤s2-2：按照1～k的时间间隔分别结算各变量的自相关系数，选取自相关系数均大于阈值时(阈值通常为0.6)的时间间隔，即为各特征参数的时间间隔；
19、步骤s2-3：以特征参数种类为纵列，以时间间隔为横列，获取i*t的二维特征参数矩阵。
20、作为一项优选的方案，所述自相关系数ri,k的计算过程为：
21、式3：
22、式3中，为变量i的时间序列均值。
23、作为一项优选的方案，所述卷积神经网络模型的结构由卷积模块和全连接回归模块组成。
24、作为一项优选的方案，所述卷积模块包含了3个卷积-批量归一化-激活函数模块，前2个卷积模块中采用尺寸为3x3、步长为2的卷积核实行卷积操作，最后一个模块采用尺寸为3x3、步长为1的卷积核实行卷积操作。
25、作为一项优选的方案，所述全连接回归模块包含了全局平均池化层和全连接-relu激活函数-dropout层。
26、作为一项优选的方案，所述dropout是指每次训练过程中随机选择10～20％的神经元使其失活。
27、作为一项优选的方案，所述全连接回归模块的神经元个数分别为：64-32-1。
28、本专利技术还提供了一种计算机可读存储器，包含计算机程序，所述计算机程序可实现上述任一项所述的基于卷积神经网络的烧结混合料槽料位预测方法。
29、本专利技术还提供了一种基于卷积神经网络的烧结混合料槽料位预测系统，包括：可编程逻辑控制器(100)、权利要求9所述的存储器(200)和处理器(300)。
30、相对于现有技术，本专利技术技术方案的有益技术效果为：
31、1)本专利技术所提供的预测方法通过筛选与混合料槽料位相关的特征参数，选取各特征参数以时间为标尺所得数据，构成二维特征变量矩阵，通过卷积神经网络构建混合料槽料位预测模型，基于烧结特征参数与混合料槽料位的相关性，所得预测方法在保证混合料槽料位预测结果速率的同时，还大幅降低输入变量波动对预测结果的影响，进而大幅提高预测的准确率。
32、2)本专利技术所提供的技术方案在对变量进行时间序列重构的基础上采用卷积神经网络进行特征提取，深度挖掘过程变量及其时序关系与混合料槽料位之间的关联关系，充分利用过程检测参数的时序特征，提高混合料槽料位预测的准确性。
33、3)本专利技术所提供的预测系统基于可编程逻辑控制器、处理器和可读存储器之间的协同作用，实现了对于混合料槽料位的精准预测，进而可对混合料槽料位进行实时的监测和调控，无需人工调控混合料槽料位变化，实现了烧结过程的智能化控制。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述特征参数的筛选过程包括：
3.根据权利要求2所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述重要性指数nk的计算过程为：
4.根据权利要求1所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述二维特征参数矩阵的构建过程为：
5.根据权利要求4所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述自相关系数ri,k的计算过程为：
6.根据权利要求1所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述卷积神经网络模型的结构由卷积模块和全连接回归模块组成。
7.根据权利要求6所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述卷积模块包含了3个卷积-批量归一化-激活函数模块，前2个卷积模块中采用尺寸为3x3、步长为2的卷积核实行卷积操作，最后一个模块采用尺寸为3x3、
8.根据权利要求6所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述全连接回归模块包含了全局平均池化层和全连接-Relu激活函数-Dropout层；所述Dropout是指每次训练过程中随机选择10～20％的神经元使其失活；所述全连接回归模块的神经元个数分别为：64-32-1。
9.一种计算机可读存储器，包含计算机程序，其特征在于：所述计算机程序可实现权利要求1～8任一项所述的基于卷积神经网络的烧结混合料槽料位预测方法。
10.一种基于卷积神经网络的烧结混合料槽料位预测系统，其特征在于，包括：可编程逻辑控制器(100)、权利要求9所述的存储器(200)和处理器(300)。
...【技术特征摘要】
1.一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述特征参数的筛选过程包括：
3.根据权利要求2所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述重要性指数nk的计算过程为：
4.根据权利要求1所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述二维特征参数矩阵的构建过程为：
5.根据权利要求4所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述自相关系数ri,k的计算过程为：
6.根据权利要求1所述的一种基于卷积神经网络的烧结混合料槽料位预测方法，其特征在于：所述卷积神经网络模型的结构由卷积模块和全连接回归模块组成。
7.根据权利要求6所述的一种基于卷积神经网络的烧结混合料槽料位预测方...
【专利技术属性】
技术研发人员：向家发，范晓慧，周茂军，彭梓塘，安菁翠，黄晓贤，胡滨，陈许玲，
申请(专利权)人：中南大学，
类型：发明
国别省市：
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。