本发明属于钢铁冶炼
技术领域：
，涉及一种烧结矿化学成分预测方法，特别涉及一种基于深度置信网络的烧结矿化学成分预测方法。
背景技术：
：烧结矿是高炉炼铁的主要原料，烧结矿的化学成分是评测烧结矿质量的重要指标。配料是烧结生产的首道工序，对烧结矿的化学成分具有重大影响。由于烧结矿化学原料来源广、品种多、成分复杂，烧结过程具有长时间滞后、强耦合、非线性等特点使得烧结矿化学成分很难准确控制。通过在配料配比制定过程中，对烧结矿化学成分进行精确预测，及时调整原料配比，提高烧结矿质量具有重要意义。在烧结矿化学成分预测研究中，随着计算机技术的发展，一些浅层智能预测模型近些年得到了较广泛的研究和应用，提高了预测精度。龙红明等人采用带动量项的线性再励自适应变步长bp神经网络算法，建立了基于多周期运行模式的烧结矿化学成分预报模型；范晓慧等人结合灰色预测和神经网络预测方法的优点，建立了基于灰色神经网络的烧结矿化学成分预测模型；宋强等人提出了基于最小二乘支持向量机的烧结矿化学成分的软测量模型的研究,利用支持向量机建立烧结矿化学成分的预报模型。上述文献中提到的神经网络，灰色理论和支持向量机等属于浅层学习算法，浅层学习算法在给定有限数量的样本时是很难有效地表示非线性复杂函数，泛化能力受到了限制，进而影响烧结矿化学成分预测结果。深度学习是一种模拟人类大脑的多层感知结构算法。相对于浅层学习方法，深度学习通过学习一种深层非线性网络结构，能更精确实现复杂非线性函数的逼近，近年来已经在许多领域得到了有效应用。深度置信网络(deepbeliefnetwork，简称dbn)是一种常用的深度学习的框架。技术实现要素：本发明的目的在于，克服上述现有技术的不足，提供一种基于深度置信网络的烧结矿化学成分预测方法。该方法通过建立dbn预测模型，可充分发掘烧结过程的本质特征，提高烧结矿化学成分预测精度。本发明的目的是通过以下技术方案实现的：一种基于深度置信网络(即dbn)的烧结矿化学成分预测方法，该方法是：在烧结原料配料完成后，得到混合料，根据混合料化学成分，采用基于深度置信网络(即dbn)算法的预测方法来预测烧结矿化学成分，以检验烧结配料过程中配比的准确性，及时调整配比，达到改进烧结矿质量的目的。该方法具体包括以下步骤：s1：获取烧结厂实际生产的历史数据，对获取的数据进行预处理，剔除异常数据并进行归一化处理；s2：确定影响烧结矿质量的输入输出参数，使用灰色关联分析法来检验输入参数的合理性；s3：建立基于dbn的烧结矿化学成分预测模型，使用步骤s1中的数据对预测模型进行训练，优化预测模型；s4：以步骤s3得到的预测模型来预测烧结矿化学成分，预测结束后得到的数据在[0,1]之间，再对这些得到的数据进行反归一化处理，得到烧结矿化学成分预测值。进一步的，所述步骤s1中：获取烧结厂实际生产的历史数据包括混合料化学成分及其对应的烧结矿化学成分。异常数据分为两类，一类是由于系统通讯错误或者软件错误等引起的异常采集数据。这个时候烧结过程可能正常运行，但是系统采集到的数据已经不具有参考意义，所以剔除这部分数据。另一类是异常工况引起的异常数据。本发明的预测模型是建立在正常工况下所采集的数据，异常工况会对烧结过程产生影响，异常工况下的化验结果(异常数据)不能正常反映混合料和烧结矿之间的关系。上述两类异常数据都需要剔除。针对上述情况，剔除上述两类异常数据后得到正常工况下的数据。考虑到输入和输出数据之间数据级和数据量纲的差别，为了保证预测模型的效率和精度，对数据统一进行归一化处理。归一化公式为：式中，x′为归一化处理后各数据序列，x为归一化处理前各数据序列，xmax为数据序列中最大值，xmin为数据序列中最小值。对数据进行归一化处理，是将数据变换到[0,1]之间。dbn算法在使用softmax函数时，为避免网络工作在函数的平坦区域，将数据变换到[0.1,0.9]，运用以下公式：进一步的，所述步骤s2中：根据实际生产经验和查阅资料，选择直接影响烧结矿质量的化学成分，确定输出参数以及影响输出参数的输入参数。为增加预测模型输入参数选择的可靠性，本发明采用灰色关联分析方法对上述参数和预测参数进行分析，来验证上述日常检测参数是否合理，并去掉不合理的参数来确定输入参数。灰色关联分析方法直接忽略无法得到的信息，采用关联度来衡量不同系统随时间变化的相关性大小，反映的是两个序列之间的变化趋势，若两个序列变化趋势具有一致性，那么两者关联程度较高，反之关联程度则较低。灰色关联分析方法为模型输入参数的确定提供了理论基础。灰色关联分析公式如下所示：式中，r代表不同数据序列的关联度，取值0到1之间，其反映了两个数据序列的相关程度，r值越接近1，说明相关性越好。y(k)为参考数据序列，为比较数据序列，ρ为分辨系数，用来削弱参考数据序列与比较数据序列差异较大时的关联度失真影响。序列y(k)和分别为原始参考数据序列x(k)和原始比较数据序列均值化处理后的数据序列，均值化处理可以消除数据序列中数据量纲的影响，均值化处理公式如下：进一步的，所述步骤s3中，建立基于dbn的烧结矿化学成分预测模型的方法如下：首先确定dbn模型网络结构。dbn模型尚无最优网络结构相关的理论，实际实验研究发现使用3-6层rbm(限制性波尔兹曼机)结构效果较好，通过反复调试对比可获得最优模型层数。其次是设置dbn模型参数。模型参数包括隐层节点数、迭代次数、批量大小、学习效率、训练步数和激励函数等，参数设计是综合考虑预测精度和训练时间的结果。最后对dbn模型进行训练。利用步骤s1中的数据对dbn模型进行训练，训练方法为：先使用无监督贪婪算法预训练模型；然后再通过bp算法反向传播优化整个模型(即权值微调)。亦即：该模型训练过程主要分为以下2步，每一步的具体过程如下：step1：模型预训练:采用hinton提出的无监督贪婪算法充分训练第一层rbm得到权重w1，可以得到一个与输入数据类似分布的输出，这一过程即是特征提取。保持w1不变，将第一层rbm隐藏层输出作为第二层rbm可视层的输入，继续训练第二个rbm。重复此过程直至所有的rbm训练完成，得到权重w2和w3，确保在特征映射过程中特征向量映射到不同的特征空间时，尽可能多的保留特征信息。最后映射到输出层，输出层激励函数为softmax函数，通过和数据标签对比，随机初始化输出层权值w。step2：权值微调:经过step1预训练之后，得到了网络的初始权值w1，w2，w3，w。通过在dbn的最后一层设置bp网络，根据样本数据标签反向传播有监督地微调初始权值。微调过程中，使用以下目标函数：其中，θ＝{w1w2w3w}，即需要微调的权值，yi为样本标签，yi′为预测结果。因为w是随机初始化的，所以微调过程中需要先调整w的值，若干次迭代后，再微调w1，w2，w3的值。dbn训练每一层rbm时，只保证该rbm内映射权值最优化，而不管其他rbm权值，因此，bp算法将预测值与样本数据标签误差反向传播至整个网络，逐层优化dbn模型。dbn训练过程可以看作对一个深层bp网络权值参数的初始化，该过程防止了dbn网络出现bp网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。进一步的，所述步骤s4中，当以步骤s3的dbn模型预测结束后，得到的数据在[0,1]之间，再通过对这些数据进行反归一化处理，得到烧结矿化学成分的预测值(预测数据)。反归一化处理公式为：式中，x′为归一化处理后各数据序列，x为归一化处理前各数据序列，xmax为数据序列中最大值，xmin为数据序列中最小值。进一步的，最后使用步骤s1中的测试样本数据来验证预测模型，分别采用预测值和原始值拟合曲线、预测相对误差曲线来验证预测模型的预测精度。本发明的有益效果：与现有技术相比，本发明的优势如下：(1)通过对烧结过程机理分析，对训练数据进行异常数据剔除和归一化处理，提高了训练数据的可靠性。(2)采用灰色关联分析方法对输入参数和输出参数进行关联度分析，验证了输入参数选择的合理性。(3)基于深度学习技术dbn的预测方法，利用深层网络较传统浅层网络能更加近似地拟合复杂非线性函数的优势，提高了烧结矿化学成分的预测精度。附图说明图1为本发明的烧结矿化学成分预测方法流程图；图2为本发明中的烧结矿化学成分预测系统结构图；图3为本发明中的dbn预测模型图；图4为本发明中的dbn预测结果tfe拟合曲线图；图5为本发明中的dbn预测结果tfe误差相对曲线图。具体实施方式下面结合附图和具体实施例对本发明作进一步说明。本实施例以本发明技术方案为前提进行实施，但不限制本发明的保护范围。如图1、图2所示，本发明实施例提供一种基于深度置信网络(即dbn)的烧结矿化学成分预测方法，该方法是：在烧结原料配料完成后，得到混合料(即烧结原料混合料，亦称烧结混合料)，根据混合料化学成分，采用基于dbn算法的预测方法来预测烧结矿化学成分，以检验烧结配料过程中配比的准确性。该方法在烧结过程中，根据烧结混合料成分来提前预报烧结矿化学成分，来及时调整配料配比，提高烧结矿质量。该方法具体步骤如下：s1：获取烧结厂实际生产的历史数据，对获取的数据进行预处理，剔除异常数据并进行归一化处理。获取国内某大型钢厂烧结厂实际生产的历史数据，包括烧结混合料化学成分及其对应的烧结矿化学成分。由实际生产现场采集到的数据包含异常数据，需要剔除。异常数据分为两类，一类是由于系统通讯错误或者软件错误等引起的数据采集异常。这个时候烧结过程可能正常运行，但是系统采集到的数据已经不具有参考意义，所以剔除这部分数据。另一类是异常工况引起的数据异常。本发明的预测模型是建立在正常工况下所采集的数据，异常工况会对烧结过程产生影响，异常工况下的化验结果(异常数据)不能正常反映混合料和烧结矿之间的关系。异常工况包括如下几种：烧结过程中设备故障下采集的数据属于异常工况数据；主管工作负压正常范围为16.5～17kpa，若出现大幅波动，不在此范围之内则属于异常工况；烧结时台车速度小于1m/s是不正常工况，视为停车；一混加水量为20吨/t～25吨/t之间，如果不在这个范围的数据属于异常工况数据；二混加水量正常范围是5吨/t～15吨/t，大于15吨/t和小于5吨/t的都属于异常工况数据；点火温度小于800℃就属于不正常范围，这种异常工况下采集的数据需要剔除。经过数据筛选后，共得到905组数据，部分数据如下表1所示。将其中700组数据用于模型训练，其余205组数据用于测试样本。表1部分建模仿真数据针对上述情况剔除两类异常数据后得到正常工况下的数据。考虑到输入和输出数据之间数据级和数据量纲的差别，为了保证预测模型的效率和精度，对数据统一进行归一化处理。归一化公式为：式中，x′为归一化处理后各数据序列，x为归一化处理前各数据序列，xmax为数据序列中最大值，xmin为数据序列中最小值。归一化处理是将数据变换到[0,1]之间。dbn算法在使用softmax函数时，为避免网络工作在函数的平坦区域，将数据变换到[0.1,0.9]，运用以下公式：s2：确定影响烧结矿质量的输入输出参数，使用灰色关联分析法来检验输入参数的合理性。根据实际生产经验和查阅相关资料选择输入输出参数，选择直接影响烧结矿质量的烧结矿化学成分作为输出参数。烧结矿的tfe含量是高炉生产的重要指标，直接关系到高炉产能、能耗消耗等，对高炉生产起着重要作用。tfe含量的波动会直接影响高炉冶炼生产炉况的波动，因此，将烧结矿tfe含量作为预测模型的预测参数之一。烧结矿碱度是评价烧结矿质量的另一个重要指标，烧结矿碱度的高低与炉渣的碱度息息相关，碱度的计算公式为cao/sio2，烧结矿碱度是由cao含量和sio2含量共同决定的，因此，本发明将cao含量和sio2含量作为预测模型的另外两个预测参数。并且在烧结厂的生产规范中，都明确要求控制全铁含量和碱度的稳定性，tfe含量、cao含量和sio2含量能够比较全面的反映烧结矿质量的好坏。因此，将烧结矿中tfe含量、cao含量和sio2含量作为烧结矿化学成分预测模型的预测参数是合适的。烧结矿的化学成分是由烧结混合料成分决定的，根据实际生产数据和查阅相关资料可知，tfe、feo、cao、sio2、炭、mgo、al2o3、s、p等混合料成分作为烧结厂实际生产过程中日常检测项目，和烧结矿中tfe、cao、sio2含量有关。为了增加预测模型输入参数选择的可靠性，本发明采用灰色关联分析方法对上述参数和预测参数进行分析，来验证上述日常检测参数是否合理，并去掉不合理的参数来确定输入参数。灰色关联分析方法直接忽略无法得到的信息，采用关联度来衡量不同系统随时间变化的相关性大小，反映的是两个序列之间的变化趋势，若两个序列变化趋势具有一致性，那么两者关联程度较高，反之关联程度则较低。灰色关联分析方法为模型输入参数的确定提供了理论基础。灰色关联分析公式如下所示：式中，r代表不同数据序列的关联度，其反映了两个数据序列的紧密程度，y(k)为参考数据序列，为比较数据序列，ρ为分辨系数，用来削弱参考数据序列与比较数据序列差异较大时的关联度失真影响，本实施例ρ取0.5。其中，序列y(k)和分别为原始参考数据序列x(k)和原始比较数据序列均值化处理后的数据序列，均值化处理公式如下：在本实施例中，参考数据序列y(k)分别为烧结矿化学成分tfe含量、cao含量和sio2含量原始参考数据序列经过均值化处理后得到的数据序列，比较数据序列则分别是混合料成分tfe含量、feo含量、cao含量、sio2含量、炭含量、mgo含量、al2o3含量、s含量、p含量原始比较数据序列经均质化处理后得到的数据序列。采用s1中经筛选后的数据序列根据以上公式计算灰色关联度(r)，结果如表2所示：表2混合料成分与烧结矿化学成分灰色关联度(r)tfefeocaosio2炭mgoal2o3sptfe0.76020.73240.71020.72390.75300.6360.61010.57670.5465cao0.72100.70270.78590.72680.71590.64030.57690.50180.4755sio20.71760.70150.72860.79630.70970.64510.56580.46380.4963从上表可以看出，混合料成分中tfe含量、feo含量、cao含量、sio2含量、炭含量和mgo含量分别和烧结矿化学成分中tfe含量、cao含量和sio2含量的关联度值都达0.7以上，相关程度较大，而其余成分的关联度值小于0.7。灰色系统理论认为，当关联度达到0.7以上时，可以认为两者是强相关的，故本实施例中，选择混合料成分中tfe含量、feo含量、cao含量、sio2含量和炭含量作为预测模型输入参数。s3：建立基于dbn的烧结矿化学成分预测模型(简称dbn预测模型)，使用步骤s1的数据对模型进行训练，优化预测模型。建立基于dbn的烧结矿化学成分预测模型的方法如下：首先，确定模型网络结构。dbn模型尚无最优网络结构相关的理论，实际实验研究发现使用3-6层rbm结构效果较好。本发明在反复调试过程中发现，在相同烧结数据条件下，采用3层rbm结构的dbn模型预测精度较采用2层rbm结构的dbn模型预测精度提升明显，而当采用4层或更多层rbm结构时，预测精度几乎没有变化甚至下降，且会增加训练时间。故本模型采用3层rbm结构，dbn预测模型如图3所示。其次是设置dbn模型参数。本模型使用matlab进行仿真实验，dbn模型参数设计如下，隐藏层节点数dbn.sizes设置为[555]，即一共3层rbm，每层隐藏层节点个数为5；迭代次数dbn.numepochs设为1；批量大小dbn.batchsize设为50；学习率dbn.alpha设为0.1；激励函数选为更适合用于多分类的softmax函数。参数设计是综合考虑预测精度和训练时间的结果。最后，采用步骤s1中700组训练数据对模型进行训练。利用步骤s1中的数据对模型进行训练，该模型训练过程主要分为2步：step1：模型预训练:采用hinton提出的无监督贪婪算法充分训练第一层rbm得到权重w1，可以得到一个与输入数据类似分布的输出，这一过程即是特征提取。保持w1不变，将第一层rbm隐藏层输出作为第二层rbm可视层的输入，继续训练第二个rbm。重复此过程直至所有的rbm训练完成，得到权重w2和w3，确保在特征映射过程中特征向量映射到不同的特征空间时，尽可能多地保留特征信息。最后映射到输出层，输出层激励函数为softmax函数，通过和数据标签对比，随机初始化输出层权值w。step2：权值微调:经过step1模型预训练之后，得到了网络的初始权值w1，w2，w3，w。通过在dbn的最后一层设置bp网络，根据样本数据标签反向传播有监督地微调初始权值。微调过程中，使用以下目标函数：其中，θ＝{w1w2w3w}，即需要微调的权值，yi为样本标签，yi′为预测结果。因为w是随机初始化的，所以微调过程中需要先调整w的值，若干次迭代后，再微调w1，w2，w3的值。dbn训练每一层rbm时，只保证该rbm内映射权值最优化，而不管其它rbm权值，因此，bp算法将预测值与样本标签误差反向传播至整个网络，逐层优化dbn模型(逐层微调权值)。dbn训练过程可以看作对一个深层bp网络权值参数的初始化，该过程防止了dbn网络出现bp网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。s4：以步骤s3得到的预测模型来预测烧结矿化学成分，预测结束后得到的数据在[0,1]之间，再对这些得到的数据进行反归一化处理，得到烧结矿化学成分预测值。反归一化处理公式为：式中，x′为归一化处理后各数据序列，x为归一化处理前各数据序列，xmax为数据序列中最大值，xmin为数据序列中最小值。为说明和比较预测模型的预测精度和有效性，本实施例使用步骤s1中的测试样本数据来验证预测模型，分别采用预测值和原始值拟合曲线、预测相对误差曲线来验证预测模型的结果。以tfe(tfe是特种生铁,指含其它合金元素的铁合金)预测结果为例，其预测值和原始值拟合曲线、预测相对误差曲线如图4和图5所示。从图5可以看出，tfe的预测相对误差绝对值在2％以内，可见tfe的预测精度较高。为进一步验证所提出的dbn预测模型的有效性，使用同样的数据将本dbn预测模型的预测结果与bp神经网络模型和支持向量机(svm)模型进行对比。其中，bp神经网络模型参数设置如下：动量因子设为0.30，学习初始速率设为0.70，初始权值与初始阀值都设为0.50，激励函数采用函数。对于svm模型，本发明选用在svm中获得最广泛应用的rbf核函数并采用交叉验证法选择误差惩罚因子和rbf核函数宽度最佳值。在预测结束后，分别计算了三种预测模型结果的均方误差(mse)和平均绝对百分比误差(mape)这两种较为常用的评价指标。mse和mape定义如下：(1)均方误差(mse)其中yk为原始值，为预测值。mse能够反映大误差的影响，可以评价数据的变化程度，mse值越小则误差越小，该指标是评价模型性能最常用的指标之一。(2)平均绝对百分比误差(mape)其中ek为相对误差。mape反映的是模型的预测精度，其值越小说明预测精度越高。以tfe预测结果为例，各模型计算结果对比如下表所示：表3tfe预测模型性能指标对比表模型dbnbp神经网络svmmse0.17960.62010.2310mape0.00590.01310.0083从上表可以看出，本发明提出的基于dbn的深层网络预测模型误差指标要优于svm和bp神经网络的浅层网络预测模型，这表明dbn在烧结矿化学成分预测中的有效性，且预测效果良好。当前第1页12