一种在线检测铝粉细粉率的软测量方法
【专利摘要】一种在线检测铝粉细粉率的软测量方法，涉及一种软测量方法，本发明通过以下步骤来实现：采集样本数据；样本数据预处理包括异常数据的处理、随机误差的处理、采样数据归一化处理，还包括建立DRNN神经网络模型、训练DRNN神经网络、建立组合DRNN神经网络模型，最后利用组合DRNN神经网络模型计算铝粉细粉率。利用该组合模型即可计算出相应的归一化后的铝粉细粉率值，对值进行反归一化处理后，便得到铝粉细粉率值。该检测方法不仅能够解决测量滞后较大、不能实现在线自动测量的问题，而且检测成本较低、方便快捷，而且能够实现在线实时自动检测。
【专利说明】一种在线检测铝粉细粉率的软测量方法
[0001]
【技术领域】
[0002]本发明涉及一种软测量方法，特别是涉及一种在线检测铝粉细粉率的软测量方法。
【背景技术】
[0003]铝粉厂在应用氮气雾化方法制备铝粉的生产过程中，铝粉细粉率是衡量产品质量的主要标准。目前测量铝粉细粉率的方法主要有直接观察法、激光法等。但这些测量方法不仅测量滞后大、不能进行实时在线自动测量、不能为自动控制提供检测数据，而且测量仪器价格较贵，测量成本较高。
【发明内容】
[0004]本发明的目的在于提供一种在线检测铝粉细粉率的软测量方法，该检测方法不仅能够解决测量滞后较大、不能实现在线自动测量的问题，而且检测成本较低、方便快捷，而且能够实现在线实时自动检测。
[0005]本发明的目的是通过以下技术方案实现的:
一种在线检测铝粉细粉率的软测量方法，所述方法包括以下步骤:
(1)采集样本数据:
现场采集铝粉生产过程中不同`工况下的铝液温度OY)、雾化氮气压力(Pw)、雾化氮气温度(Tw)、环境氮气压力(Pe)、环境氮气温度(Te)和铝粉细粉率(Lx)数据；
(2)、样本数据预处理:
O异常数据的处理:对所采集到的η组铝液温度值、雾化氮气压力值、雾化氮气温度值、环境氮气压力值、环境氮气温度和铝粉细粉率值，分别计算其算术平均值，然后分别计算其偏差值，按照Bessel公式计算铝液温度(1；)的标准偏差；
2)随机误差的处理:将经过I误差处理后剩余的r组铝液温度(IY)、雾化氮气压力(Pw)、雾化氮气温度(Tw)、环境氮气压力(Pe)、环境氮气温度(Te)和铝粉细粉率(Lx)数据分别采用平均值滤波算法，以去除采样数据中的随机误差；
3)采样数据归一化处理:将经过Π随机误差处理后的r个铝液温度(IY)数据
归一化到 [O, I]区间内；
(3)建立DRNN神经网络模型:
对角递归DRNN (Diagonal Recurrent Neural Network)神经网络的数学模型为: O{k) = W0x{k)
x(t) = f(WDx(k-l) + W!u(lr))；(4)训练DRNN神经网络:
将归一化处理后的r个样本数据分成两组:一组作为各单一神经网络模型的共同初始训练数据集，分别对各单一 DRNN神经网络进行训练；另一组作为校验数据集，用于校验所建立的DRNN神经网络模型；
(5)建立组合DRNN神经网络模型:
将多个DRNN神经网络模型组合在一起，构成组合神经网络模型；
(6)利用组合DRNN神经网络模型计算铝粉细粉率:
当组合DRNN模型输入为归一化后的铝液温度rf、雾化氮气压力Pw、雾化氮气温度Tw、环境氮气压力Ps 、环境氮气温度T1数据时，利用该组合模型即可计算出相应的归
一化后的铝粉细粉率ix值，对ix值进行反归一化处理后，便得到铝粉细粉率值。
所述的一种在线检测铝粉细粉率的软测量方法所述采集样本数据，将相同工况下的所采集的铝液温度(TJ、雾化氮气压力(Pw)、雾化氮气温度(Tw)、环境氮气压力(Pe)、环境氮气温度(Te)和铝粉细粉率(Lx)数据作为一组样本数据OY，Pw，Tw，PE，TE，Lx)，改变工况，重复此操作，直到采集到所需要的样本数为止。
[0006]所述的一种在线检测铝粉细粉率的软测量方法，其特征在于，所述样本数据预处理中异常数据的处理按照Bessel公式计算铝液温度(1；)的标准偏差:
【权利要求】
1.一种在线检测铝粉细粉率的软测量方法，其特征在于，所述方法包括以下步骤: (1)采集样本数据: 现场采集铝粉生产过程中不同工况下的铝液温度0Y)、雾化氮气压力(Pw)、雾化氮气温度(Tw)、环境氮气压力(Pe)、环境氮气温度(Te)和铝粉细粉率(Lx)数据； (2)、样本数据预处理: O异常数据的处理:对所采集到的η组铝液温度值、雾化氮气压力值、雾化氮气温度值、环境氮气压力值、环境氮气温度和铝粉细粉率值，分别计算其算术平均值，然后分别计算其偏差值，按照Bessel公式计算铝液温度(1；)的标准偏差； 2)随机误差的处理:将经过I误差处理后剩余的r组铝液温度(!Y)、雾化氮气压力(Pw)、雾化氮气温度(Tw)、环境氮气压力(Pe)、环境氮气温度(Te)和铝粉细粉率(Lx)数据分别采用平均值滤波算法，以去除采样数据中的随机误差； 3)采样数据归一化处理:将经过II随机误差处理后的r个铝液温度(IY)数据!^,!^，…了^归一化到[O，I]区间内； (3)建立DRNN神经网络模型: 对角递归DRNN (Diagonal Recurrent Neural Network)神经网络的数学模型为: O{]c、:W0 琳、, x(t) = f{WDx(t-1) + W!u{k))； (4)训练DRNN神经网络: 将归一化处理后的r个样本数据分成两组:一组作为各单一神经网络模型的共同初始训练数据集，分别对各单一 DRNN神经网络进行训练；另一组作为校验数据集，用于校验所建立的DRNN神经网络模型； (5)建立组合DRNN神经网络模型: 将多个DRNN神经网络模型组合在一起，构成组合神经网络模型； (6)利用组合DRNN神经网络模型计算铝粉细粉率: 当组合DRNN模型输入为归一化后的铝液温度7；、雾化氮气压力Pw、雾化氮气温度Tw、环境氮气压力4 、环境氮气温度数据时，利用该组合模型即可计算出相应的归一化后的铝粉细粉率值，对?χ值进行反归一化处理后，便得到铝粉细粉率值。
2.根据权利要求1所述的一种在线检测铝粉细粉率的软测量方法，其特征在于，所述采集样本数据，将相同工况下的所采集的铝液温度0Υ)、雾化氮气压力(Pw)、雾化氮气温度(Tw)、环境氮气压力(Pe)、环境氮气温度(Te)和铝粉细粉率(Lx)数据作为一组样本数据(TL, Pff, Tff, PE, Te, Lx)，改变工况，重复此操作，直到采集到所需要的样本数为止。
3.根据权利要求1所述的一种在线检测铝粉细粉率的软测量方法，其特征在于，所述样本数据预处理中异常数据的处理按照Bessel公式计算铝液温度(1；)的标准偏差:
4.根据权利要求1所述的一种在线检测铝粉细粉率的软测量方法，其特征在于，所述区间内为:
5.根据权利要求1所述的一种在线检测铝粉细粉率的软测量方法，其特征在于，所述组合神经网络模型的输出是mfDRNN神经网络输出的加权和，即:
【文档编号】G06N3/02GK103471971SQ201310441670
【公开日】2013年12月25日 申请日期:2013年9月26日 优先权日:2013年9月26日
【发明者】刁芬, 孟丽 申请人:沈阳大学