基于深度神经网络的球团焙烧参数确定方法及系统与流程

1.本发明涉及大数据处理技术领域，尤其涉及一种基于深度神经网络的球团焙烧参数确定方法及系统。


背景技术：

2.为了保证供给高炉的铁矿石中铁含量均匀，以及高炉的透气性，需要把选矿工艺产出的铁精矿制成块状原料。烧结球团是提炼铁矿石的常用工艺，球团质量的好坏直接影响高炉炼铁的品质。影响成品球团质量的因素有很多，例如上料量、冷却风机转速、风箱温度、鼓干段烟罩温度、二冷段烟罩温度等等。在实际生产过程中，一般由人工把控影响因素，将影响因素控制在合理的范围内，从而得到质量较好的球团。这种方式不仅耗费时间、人力，也难以对每个影响因素进行定量分析，不利于球团质量的优化。


技术实现要素：

3.本发明提供一种球团焙烧参数综合评价智能建模方法及系统，用以解决烧结球团的成品质量难以优化的缺陷，实现对成品质量的精准控制。
4.本发明提供一种基于深度神经网络的球团焙烧参数确定方法，包括：确定焙烧参数，并获取每个所述焙烧参数的候选参数值；将所述候选参数值输入至训练后的质量指标评价模型中，基于所述质量指标评价模型确定所述候选参数值的预测评分；其中，所述预测评分是所述质量指标评价模型确定的在所述候选参数值的情况下焙烧生产出的球团的质量指标的分值；所述质量指标评价模型是基于深度神经网络构建得到的；基于所述预测评分，确定所述焙烧参数的目标值。
5.根据本发明提供的一种实施方式，所述基于所述质量指标评价模型确定所述候选参数值的预测评分，包括；确定球团质量指标的多个评价维度，基于所述质量指标评价模型从所述多个评价维度确定所述候选参数值的预测评分；其中，所述评价维度包括亚铁含量、抗压强度、转鼓指数、料面平整和环境参数。
6.根据本发明提供的一种实施方式，所述质量指标评价模型由多个深度神经网络构成，所述深度神经网络与所述评价维度一一对应；所述基于所述质量指标评价模型从所述多个评价维度确定所述候选参数值的预测评分，包括：确定每个所述评价维度对应的焙烧参数；将每个所述评价维度对应的焙烧参数的候选参数值输入对应的深度神经网络中，得到每个所述评价维度的评价得分；基于每个所述评价维度的评价得分，确定所述预测评分；其中，所述亚铁含量对应的焙烧参数包括焙烧机上料量、成品矿平均粒度、焙烧段
烟罩压力、鼓干鼓风机温度、鼓干段烟罩温度、回热风机转速、冷却风机转速、主引风机温度、台车料厚、台车料厚偏差、二冷段烟罩温度、抽干段压力、预热段烟罩温度；所述抗压强度对应的焙烧参数包括风箱温度、鼓干鼓风机压力、烧嘴温度、焙烧机机速、焙烧机上料量、回热风机转速、冷却风机转速、主引风机转速、成品矿平均粒度、台车料厚、台车料厚偏差、主引风机温度、回热风机温度；所述转鼓指数对应的焙烧参数包括焙烧机机速、风箱温度、成品矿平均粒度、焙烧机上料量、回热风机转速、冷却风机转速、主引风机转速、主引风机温度、回热风机温度、烧嘴温度；所述料面平整对应的焙烧参数包括台车料厚、台车料厚偏差、鼓干鼓风机压力；所述环境参数评价维度对应的焙烧参数包括铺底料重、卸料仓料量、烧嘴温度、皂土配加量、瞬时湿返率、干燥后水分、混合后水分、风箱压力。
7.根据本发明提供的一种实施方式，所述基于每个所述评价维度对应的评价得分，确定所述预测评分，包括：确定每个所述评价维度对应的权重；基于所述权重，对每个所述评价维度的评价得分进行加权求和，得到所述预测评分。
8.根据本发明提供的一种实施方式，所述基于所述预测评分，确定所述焙烧参数的目标值，包括：在所述预测评分大于预设值时，将所述候选参数值作为所述焙烧参数的目标值；在所述预测评分不大于所述预设值时，显示提示信息，所述提示信息用于提示用户调整所述候选参数值。
9.根据本发明提供的一种实施方式，所述方法还包括：获取球团生产过程中的历史数据，其中，所述历史数据中包括所述焙烧参数的历史参数值，以及在所述历史参数值的情况下生产的成品球团的每个所述评价维度的质量评分；通过所述历史数据训练所述质量指标评价模型。
10.本发明还提供一种基于深度神经网络的球团焙烧参数确定系统，包括：参数获取模块，用于确定焙烧参数，并获取每个所述焙烧参数的候选参数值；参数评分模块，用于将所述候选参数值输入至训练后的质量指标评价模型中，基于所述质量指标评价模型确定所述候选参数值的预测评分；其中，所述预测评分是所述质量指标评价模型确定的在所述候选参数值的情况下焙烧生产出的球团的质量指标的分值；所述质量指标评价模型是基于深度神经网络构建得到的；参数确定模块，用于基于所述预测评分，确定所述焙烧参数的目标值。
11.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度神经网络的球团焙烧参数确定方法。
12.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度神经网络的球团焙烧参数确定方法。
13.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于深度神经网络的球团焙烧参数确定方法。
14.本发明提供的基于深度神经网络的球团焙烧参数确定方法、基于深度神经网络的球团焙烧参数确定系统和电子设备，通过质量指标评价模型可以预测将焙烧参数设置为候选参数值时，焙烧熟料的质量，并给出质量的预测评分。根据该预测评分可以确定焙烧参数的值是否有误，从而实现对生产过程的自动监控，节省人力时间成本。并且，预先对焙烧参数对应的产品的质量进行预测，能够精准控制生产的成品质量，有利于成品矿的质量优化。
附图说明
15.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1是本发明提供的基于深度神经网络的球团焙烧参数确定方法的流程示意图；图2是本发明提供的基于深度神经网络的球团焙烧参数确定方法中质量指标评价模型的结构示意图；图3是本发明提供的基于深度神经网络的球团焙烧参数确定方法中的显示效果示意图；图4是本发明提供的基于深度神经网络的球团焙烧参数确定系统的结构示意图；图5是本发明提供的电子设备的结构示意图。
具体实施方式
17.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
19.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
20.本说明书中，用语“第一”、“第二”、“第三”等仅作为标记使用，不是对其对象的数量或顺序限制。
21.下面结合附图描述本发明的基于深度神经网络的球团焙烧参数确定方法、基于深度神经网络的球团焙烧参数确定系统和电子设备。
22.本发明实施例首先提供一种基于深度神经网络的球团焙烧参数确定方法。示例性的，该基于深度神经网络的球团焙烧参数确定方法可以应用于手机、平板电脑、个人计算机（personal computer，pc）等具有显示功能的电子设备，本技术实施例对此不作任何限制。
23.图1示出了该基于深度神经网络的球团焙烧参数确定方法的一种流程图。如图1所示，该方法可以包括以下步骤：步骤10：确定焙烧参数，并获取每个焙烧参数的候选参数值。
24.其中，焙烧参数指的是烧结球团生产工艺的影响因素，例如焙烧机上料量、皂土配加量、铺底料重等，本实施例对此不作任何限定。烧结球团生产工艺指的是将粉矿通过烧结法或球团焙烧法制成适合高炉冶炼的块矿的工艺过程。生产得到的产品为焙烧熟料，可以包括球团法生产的得到的球团矿（也称为熟球、成品球团等），也可以包括烧结法生产得到的烧结矿。以下以球团矿为例。
25.根据生产经验可以列举出生产球团矿所需要控制的影响因素，作为焙烧参数。焙烧参数的不同取值会影响成品球团的质量。成品球团的质量可以分为化学特性、物理性能及冶金性能三部分，具体可以包括亚铁含量、抗压强度、转鼓指数等指标。
26.示例性的，根据焙烧参数对成品球团质量的影响，焙烧参数可以分为亚铁含量相关参数、抗压强度相关参数、转鼓指数相关参数、料面平整相关参数和环境参数五种类型。每一种类型中均可以包括多个参数，不同类型中可以包括相同的参数，本实施例对此不作任何限定。
27.具体的，亚铁含量相关参数指的是影响成品球团的亚铁含量的影响因素。例如，亚铁含量相关参数可以包括焙烧机上料量、焙烧段烟罩压力、鼓干段烟罩温度、冷却风机转速、成品矿平均粒度、二冷段烟罩温度、鼓干鼓风机温度、抽干段压力、预热段烟罩温度、主引风机转速、主引风机温度、回热风机转速等、台车料厚、台车料厚偏差。
28.抗压强度相关参数指的是影响成品球团的抗压轻度的影响因素。例如，抗压强度相关参数可以包括风箱温度、鼓干鼓风机压力、烧嘴温度、焙烧机机速、焙烧机上料量、回热风机转速、冷却风机转速、主引风机转速、成品矿平均粒度、台车料厚、台车料厚偏差、主引风机温度、回热风机温度等等。
29.转鼓指数相关参数指的是影响成品球团的转鼓指数的影响因素。例如，转鼓指数相关参数可以包括焙烧机机速、风箱温度、成品矿平均粒度、焙烧机上料量、回热风机转速、冷却风机转速、主引风机转速、主引风机温度、回热风机温度、烧嘴温度等。
30.料面平整相关参数指的是影响成品球团的料面平整的因素。例如，料面平整相关参数可以包括台车料厚、台车料厚偏差、鼓干鼓风机压力等。
31.环境参数指的是影响成品球团质量的其他因素，例如铺底料重、卸料仓料量、烧嘴温度、皂土配加量、瞬时湿返率、干燥后水分、混合后水分、风箱压力等。
32.根据生产要求可以为每个焙烧参数设置对应的取值，作为候选参数值。例如，焙烧机上料量可以设置为440吨、风箱温度可以设置为300摄氏度等。示例性的，本实施例还提供设置焙烧参数取值的页面，生产人员可以在该页面中设置每个参数的候选参数值。电子设备接收到设置候选参数值的操作后，可以获取该页面中输入的候选参数值。
33.步骤20：将所述候选参数值输入至训练后的质量指标评价模型中，基于所述质量指标评价模型确定所述候选参数值的预测评分。
34.该质量指标评价模型可以预测在焙烧参数为候选参数值的情况下，进行焙烧得到的成品球团的质量好坏。质量好坏可以通过预测评分来体现，预测评分越高则焙烧得到的成品球团的质量越好。预先构建好质量指标评价模型，在进行成品球团生产时将每个焙烧
参数的候选参数值输入至该质量指标评价模型中，可以得到该质量指标评价模型输出的预测评分。通过该预测评分技术人员可以检测焙烧参数的取值是否合理，从而保证实际生产时成品球团的质量。
35.为了提高对成品球团质量评价的准确性，质量指标评价模型可以从多个评价维度确定候选参数值的预测评分。预先可以确定多个评价维度，示例性的，从球团的质量影响因素来说，评价维度可以包括亚铁含量、抗压强度、转鼓指数、料面平整等，还可以包括环境维度。确定球团质量指标的多个评价维度后，可以通过深度神经网络从多个评价维度来确定预测评分。
36.示例性的，质量指标评价模型可以包括多个深度神经网络（deep neural networks，dnn），每个深度神经网络负责预测其中一个评价维度的分数。将对成品质量的影响因素进行细分，分别通过不同的模型进行预测，可以提高预测的准确性。举例来说，评价维度可以包括亚铁含量、抗压强度、转鼓指数、料面平整四种类型，也可以包括亚铁含量、抗压强度、转鼓指数、料面平整、环境参数五种类型。以该五种评价维度为例，可以构建对应的第一深度神经网络、第二深度神经网络、第三深度神经网络、第四深度神经网络以及第五深度神经网络，由这五个深度神经网络共同构成质量指标评价模型。
37.不同的评价维度可以对应不同的焙烧参数，也就是说，每个深度神经网络可以以不同的焙烧参数作为输入，来预测每个评价维度的评价得分。预先可以确定每个评价维度对应的焙烧参数，将焙烧参数与评价维度进行对应。例如，亚铁含量评价维度可以对应亚铁含量相关参数、抗压强度评价维度可以对应抗压强度相关参数、转鼓指数评价维度可以对应转鼓指数相关参数、料面平整评价维度可以对应料面平整相关参数、环境参数评价维度可以对应上述环境参数。举例来说，第一深度神经网络的评价维度为亚铁含量，则可以将对应的亚铁含量相关参数的候选参数值输入该第一深度神经网络，可以得到该第一深度神经网络输出的亚铁含量的评价得分。
38.质量指标评价模型在实际使用前需要先进行训练。具体的，预先获取一定数量的历史数据，该历史数据是历史生产球团的过程中记录的数据。举例来说，记录生产一批球团矿的过程中需要控制的焙烧参数，以及每个焙烧参数的历史参数值。生产得到球团矿后检测成品球团矿的质量指标，例如转鼓指数、亚铁含量、料面平整等，记录每个评价维度的质量评分。记录得到的数据可以作为历史数据，也就是说，历史数据中可以包括每个焙烧参数的历史参数值，以及在该历史参数值的情况下，得到的球团矿的每个评价维度的质量评分。
39.将获取的历史数据可以作为训练样本，输入至质量指标评价模型中，质量指标评价模型可以根据历史数据中各个焙烧参数的历史参数值，预测历史数据对应的质量评分。为了区分，将由质量指标评价模型预测得到质量评分记为预测分值。然后计算预测分值与历史数据中实际的质量评分之间的损失，通过损失反向传播来调整质量指标评价模型的各个参数。依次迭代，直到质量指标评价模型对历史数据预测出的预测分值与该历史数据对应的质量评分之间的损失满足预设条件，则训练完成，保存训练好的质量指标评价模型。
40.示例性的，图2示出了本实施例中的质量指标评价模型的一种结构图。如图所示，质量指标评价模型200可以包括dnn 201（第一深度神经网络）、dnn 202（第二深度神经网络）、dnn 203（第三深度神经网络）、dnn 204（第四深度神经网络）以及dnn 205（第五深度神经网络）。历史数据可以包括多个焙烧参数，例如焙烧机上料量、成品矿平均粒度、焙烧段烟
罩压力、鼓干鼓风机温度、鼓干段烟罩温度、回热风机转速、冷却风机转速、主引风机温度、台车料厚、台车料厚偏差、二冷段烟罩温度、抽干段压力、预热段烟罩温度、回热风机温度、焙烧机机速、皂土配加量、瞬时湿返率、干燥后水分、混合后水分、风箱压力、铺底料量等。这些焙烧参数可以分为亚铁含量相关参数、抗压强度相关参数、转鼓指数相关参数、料面平整相关参数、环境参数等五个类型的影响因素。此外，历史数据还包括对焙烧得到的成品球团的每个评价维度的质量评分，例如亚铁含量、抗压强度、转鼓指数、料面平整等。每个类型对应一个评价维度，每个评价维度的dnn可以根据对应类型的影响因素，确定该评价维度的质量评分。
41.将历史数据输入至该质量指标评价模型中，dnn 201可以基于历史数据中的亚铁含量相关参数来确定历史数据对应的亚铁含量评价维度的预测分值。dnn 202可以基于历史数据中的抗压强度相关参数来确定历史数据对应的抗压强度评价维度的预测分值。同理的，dnn 203基于历史数据中的转鼓指数相关参数来确定历史数据对应的转鼓指数评价维度的预测分值；dnn 204基于历史数据中料面平整相关参数来确定历史数据对应的料面平整评价维度的预测分值；dnn 205基于历史数据中的环境参数来确定历史数据的环境预测分值。dnn 201可以根据预测得到的预测分值与历史数据中包括的亚铁含量进行损失计算，得到预测分值与实际的亚铁含量之间的损失，来反向调整模型的参数。然后基于调整后的模型再对下一历史数据进行预测，反复迭代，直到dnn 201针对某历史数据输出的预测分值与该历史数据中实际的亚铁含量之间的损失满足预设条件为止，dnn 201训练完成，保存训练完成的dnn 201。其中，损失的预设条件可以为损失小于预设值，例如损失小于0.3等等，本实施方式对此不作限定。同理的，dnn 202可以根据预测得到的抗压强度的预测分值与历史数据中实际成品球团的抗压轻度之间的损失进行训练；dnn 203可以根据其自身预测得到的转鼓指数的预测分值与历史数据中实际的转鼓指数之间的损失进行训练；dnn 204则根据其确定的预测分值与历史数据中实际的成品球团的料面平整度之间的损失来训练；dnn 205则可以根据其确定的环境预测分值与历史数据中的实际环境得分之间的损失来进行训练。
42.其中，通过多种方式可以计算预测分值与质量评分之间的损失，例如均方差函数、交叉熵函数等等；调整质量指标评价模型的参数的方式可以包括随机梯度下降法、动量梯度下降法、adam算法等等；本实施方式对以上均不作任何限定。
43.将训练好的质量指标评价模型可以应用于对步骤10中的焙烧参数进行检测。具体的，继续参数图2，需要检测的焙烧参数如参数206所示，其中可以包括多个参数，每个参数的值为候选参数值，例如焙烧机上料量、焙烧段烟罩压力等等。然后将包括候选参数值的参数206输入至训练好的质量指标评价模型200中。基于该质量指标评价模型200中的dnn 201（即第一深度神经网络）可以对参数206对应的亚铁含量进行预测，得到参数206的亚铁含量的评价得分（以下简称为亚铁含量得分）。基于dnn 202（第二深度神经网络）可以得到参数206的抗压强度的评价得分（以下简称为抗压强度得分）；基于dnn 203可以得到参数206的转鼓指数的评价得分（以下简称为转鼓指数得分）；基于dnn 204可以得到参数206的料面平整的评价得分（以下简称为料面平整得分）；基于dnn 205可以得到参数206的环境参数的评价得分（以下简称为环境得分）。
44.基于上述每个dnn输出的结果可以确定焙烧参数为候选参数值时的整体的预测评
分207。示例性的，整体的预测评分207可以为上述亚铁含量得分、抗压强度得分、转鼓指数得分、料面平整得分以及环境得分之和。举例来说，第一深度神经网络（即dnn 201）输出的亚铁含量得分可以表示为：其中，为第一深度神经网络输出的结果，即亚铁含量的预测分值；表示第一深度神经网络模型；为参数206中的亚铁含量相关参数，例如焙烧机上料量、成品矿平均粒度等；为亚铁含量相关参数的数量。
45.第二深度神经网络输出的抗压强度得分可以表示为：其中，为抗压强度相关参数，例如风箱温度、鼓干鼓风机压力等；为抗压强度相关参数的数量；为第二神经网络。第三深度神经网络输出的转鼓指数得分可以表示为：其中，为转鼓指数相关参数，例如焙烧机机速、风箱温度等；为转鼓指数相关参数的数量；为第三深度神经网络。
46.第四深度神经网络输出的料面平整得分可以表示为：其中，表示料面平整相关参数，例如台车料厚、台车料厚偏差等；表示料面平整相关参数的数量；为第四深度神经网络。
47.第五深度神经网络输出的环境得分可以表示为：其中，为环境影响参数，例如铺底料重、卸料仓料量等；为环境影响参数的数量；为第五深度神经网络模型。
48.质量指标评价模型可以利用上述深度神经网络模型输出的结果来确定整体的预测评分207。该预测评分207可以表示为：。
49.此外，预测评分还可以通过其他方式确定。示例性的，预先确定每个质量指标的权重，例如亚铁含量的权重为0.3、抗压强度的权重为0.3、转鼓指数的权重为0.3等，然后基于亚铁含量得分、抗压强度得分、转鼓指数得分、料面平整得分以及环境得分各自对应的权重，确定预测评分。举例来说，根据技术人员的经验可以设置质量指标评价模型中每个深度神经网络对应的权重，权重的取值范围可以为0到1之间。然后采用加权求和的方式来计算预测评分。预测评分可以表示为：其中，分别为亚铁含量得分、抗压强度得分
、转鼓指数得分、料面平整得分、环境得分的权重。所有质量指标的权重之和可以为1，即。
50.不同的生产场景中，技术人员可以灵活地调整每个质量指标的权重，使得预测评分更加具有针对性，能够适用于不同的场景。质量指标评价模型200输出的预测评分207可以通过显示页面进行显示，供用户查看。
51.接下来，步骤30：基于所述预测评分，确定所述焙烧参数的目标值。
52.得到焙烧参数的预测评分，该预测评分可以上报给目标终端，供技术人员查看预测评分。技术人员可以在目标终端查看焙烧参数的预测评分，并根据预测评分检查焙烧参数设置的是否合理。示例性的，确定预测评分后，可以确定预测评分是否大于预设值，如果预测评分大于该预设值，则将候选参数值作为焙烧参数的目标值。根据焙烧参数的目标值技术人员可以启动焙烧生产，从而对精矿粉进行焙烧，得到球团矿。
53.如果预测评分不大于上述预设值，则可以显示提示信息。该提示信息可以用于提示用户调整候选参数值，以便于根据调整后的候选参数值，确定目标值。例如，提示信息可以为“焙烧参数设置有误”等。在预测评分不大于上述预设值的情况下，则说明焙烧参数的值设置的可能存在异常，显示提示信息使技术人员进一步检查焙烧参数的设置，或调整焙烧参数的设置，能够避免焙烧参数设置异常而导致生产效果差的问题。其中，预设值可以根据实际生产经验确定，例如若预测评分为百分制，则预设值可以为80、90等，本实施方式对此不作特殊限定。
54.示例性的，通过用户页面可以接收目标参数调整后的参数值，将该参数值可以更新为目标参数的候选参数值，然后与其他焙烧参数共同输入至质量指标评价模型中，再次对该组候选参数值进行检测，确定预测评分。当该组候选参数值的预测评分大于预设值时，将候选参数值作为焙烧参数的目标值。将每个焙烧参数的目标值进行保存，以便于在生产过程中使用。
55.本实施方式中，通过亚铁含量得分、抗压强度得分、转鼓指数得分、料面平整得分以及环境得分五个维度来预测焙烧得到的成品球团的质量，在预测出质量的评分符合条件时再启动生产，可以减少不合格的产品，提高成品球团的合格率和质量。
56.本实施例还提供一种基于深度神经网络的球团焙烧参数确定系统，该基于深度神经网络的球团焙烧参数确定系统可以包括多个用户页面。通过用户页面可以来获取技术人员输入的焙烧参数的值（即候选参数值），并且通过用户页面还可以显示预测评分。举例来说，如图3所示，用户页面300中可以包括控件301，该控件301可用于显示预测评分，例如控件301可以显示为“焙烧综合评分”和“分数”，该“分数”即为预测评分。用户页面300中还可以包括控件302、控件303、控件304、控件305和控件306，分别用于显示亚铁含量得分、抗压强度得分、转鼓指数得分、料面平整得分以及环境得分。此外，该用户页面300中还可以显示亚铁含量相关参数、抗压强度相关参数、转鼓指数相关参数、料面平整相关参数以及环境影响参数。其中，每一个焙烧参数与其取值可以通过一个控件进行显示，如控件307所示。
57.示例性的，该基于深度神经网络的球团焙烧参数确定系统可以执行上述步骤10至步骤30，即接收技术人员为每个焙烧参数设置的候选参数值，并确定该组候选参数值的预测评分。根据预测评分，该基于深度神经网络的球团焙烧参数确定系统可以对技术人员设
置的焙烧参数进行监控，从而监控焙烧后成品的质量。如果预测评分不大于预设值，基于深度神经网络的球团焙烧参数确定系统可以显示提示信息，来提示技术人员焙烧参数的设置存在异常。如果预测评分大于预设值，则将该组候选参数作为目标参数进行保存。当保存了多组目标参数时，可以显示多组目标参数，从而为技术人员提供质量优化的数据依据，有利于提高产品的质量。
58.此外，该基于深度神经网络的球团焙烧参数确定系统还可以包括其他用户页面，例如通过一用户页面来接收用户输入的焙烧参数的值，再例如通过一用户页面来显示球团矿的生产流程等等，本实施方式对此不作特殊限定。
59.下面对本发明提供的基于深度神经网络的球团焙烧参数确定系统进行描述，下文描述的基于深度神经网络的球团焙烧参数确定系统与上文描述的基于深度神经网络的球团焙烧参数确定方法可相互对应参照。
60.图4示出了本是实施例的基于深度神经网络的球团焙烧参数确定系统的结构图。如图4所示，该基于深度神经网络的球团焙烧参数确定系统40可以包括参数获取模块41、参数评分模块42以及参数确定模块43。具体的，参数获取模块41可用于确定焙烧参数，并获取每个所述焙烧参数的候选参数值。参数评分模块42可用于将所述候选参数值输入至训练后的质量指标评价模型中，基于所述质量指标评价模型确定所述候选参数值的预测评分。其中，所述预测评分是所述质量指标评价模型确定的在所述候选参数值的情况下焙烧生产出的球团的质量指标的分值；所述质量指标评价模型是基于深度神经网络构建得到的。参数确定模块43可用于基于所述预测评分，确定所述焙烧参数的目标值。
61.在一种实施方式中，上述参数评分模块42具体包括：维度确定模块，用于确定多个评价维度，基于所述质量指标评价模型从所述多个评价维度确定所述候选参数值的预测评分；其中，所述评价维度包括亚铁含量、抗压强度、转鼓指数、料面平整和环境参数。
62.在一种实施方式中，所述由多个深度神经网络构成，所述深度神经网络与所述评价维度一一对应；则上述参数评分模块42具体可以包括：参数对应模块，用于确定每个所述评价维度对应的焙烧参数；维度得分确定模块，用于将每个所述评价维度对应的焙烧参数的候选参数值输入对应的深度神经网络中，得到每个所述评价维度的评价得分；评分确定模块，用于基于每个所述评价维度的评价得分，确定所述预测评分；其中，所述亚铁含量对应的焙烧参数包括焙烧机上料量、成品矿平均粒度、焙烧段烟罩压力、鼓干鼓风机温度、鼓干段烟罩温度、回热风机转速、冷却风机转速、主引风机温度、台车料厚、台车料厚偏差、二冷段烟罩温度、抽干段压力、预热段烟罩温度；所述抗压强度对应的焙烧参数包括风箱温度、鼓干鼓风机压力、烧嘴温度、焙烧机机速、焙烧机上料量、回热风机转速、冷却风机转速、主引风机转速、成品矿平均粒度、台车料厚、台车料厚偏差、主引风机温度、回热风机温度；所述转鼓指数对应的焙烧参数包括焙烧机机速、风箱温度、成品矿平均粒度、焙烧机上料量、回热风机转速、冷却风机转速、主引风机转速、主引风机温度、回热风机温度、烧嘴温度；所述料面平整对应的焙烧参数包括台车料厚、台车料厚偏差、鼓干鼓风机压力；所述环境参数对应的焙烧参数包括铺底料重、卸料仓料量、烧嘴温度、皂土配加量、瞬时湿返率、干燥后水分、混合后水分、风箱压力。
63.在一种实施方式中，上述参数评分模块42具体包括：权重确定模块，用于确定每个所述评价维度对应的权重；加权模块，用于基于所述权重，对每个所述评价维度的评价得分
进行加权求和，得到所述预测评分。
64.在一种实施方式中，所述系统还包括：数据获取模块，用于获取球团生产过程中的历史数据，其中，所述历史数据中包括所述焙烧参数的历史参数值，以及在所述历史参数值的情况下生产的成品球团的每个所述评价维度的质量评分；模型训练模块，用于通过所述历史数据训练所述质量指标评价模型。
65.在一种实施方式中，上述参数确定模块具体可以包括：评分判断模块，用于在所述预测评分大于预设值时，将所述候选参数值作为所述焙烧参数的目标值；参数调整模块，用于在所述预测评分不大于所述预设值时，显示提示信息，所述提示信息用于提示用户调整所述候选参数值。
66.图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于深度神经网络的球团焙烧参数确定方法，该方法包括：确定焙烧参数，并获取每个所述焙烧参数的候选参数值；将所述候选参数值输入至训练后的质量指标评价模型中，基于所述质量指标评价模型确定所述候选参数值的预测评分；其中，所述预测评分是所述质量指标评价模型确定的在所述候选参数值的情况下焙烧生产出的球团的质量指标的分值；所述质量指标评价模型是基于深度神经网络构建得到的；基于所述预测评分，确定所述焙烧参数的目标值。
67.此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
68.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的基于深度神经网络的球团焙烧参数确定方法，该方法包括：确定焙烧参数，并获取每个所述焙烧参数的候选参数值；将所述候选参数值输入至训练后的质量指标评价模型中，基于所述质量指标评价模型确定所述候选参数值的预测评分；其中，所述预测评分是所述质量指标评价模型确定的在所述候选参数值的情况下焙烧生产出的球团的质量指标的分值；所述质量指标评价模型是基于深度神经网络构建得到的；基于所述预测评分，确定所述焙烧参数的目标值。
69.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于深度神经网络的球团焙烧参数确定方法，该方法包括：确定焙烧参数，并获取每个所述焙烧参数的候选参数值；将所述候选参数值输入至训练后的质量指标评价模型中，基于所述质量指标评价模型确定所述候选参数值的预测评分；其中，所述预测评分是所述质量指标评价模型确定的在所述
候选参数值的情况下焙烧生产出的球团的质量指标的分值；所述质量指标评价模型是基于深度神经网络构建得到的；基于所述预测评分，确定所述焙烧参数的目标值。
70.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
71.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
72.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。