一种基于反馈自适应预测模型的混合料水分检测值修正方法

摘要

本发明涉及一种基于反馈自适应预测模型的混合料水分检测值修正方法，所述方法包括以下步骤：步骤1：采集原料含水量信息，步骤2：通过配料计算系统计算混合料的水份含量，步骤3：MIV算法筛选模型输入量，用采集样本训练BP神经网络，训练后的自适应神经网络系统预测混合料水分值并进行修正，定时对预测值和目标值进行对比，若偏差超过一定值，则进行反馈修正。该技术方案突破以往对烧结混合料检测过程的研究范围，创新性地应用反馈自适应预测模型根据已知的烧结混合原料进行训练后预测并修正混合料水分值，这样不仅可以大大提高检测精度，而且可以很方便的结合前馈控制以避免3‑5分钟的延迟检测带来对质量控制的影响，有了一个超前调节过程。

说明书

技术领域

本发明涉及一种疏通组件，具体涉及一种基于反馈自适应预测模型的混合料水分检测值修正方法，属于水分湿度检测技术领域。

背景技术

烧结混合料水分是烧结生产需要严格控制的参数之一，它直接影响烧结生产的质量和品质。烧结混合料水分含量太低，颗粒间的粘结力小，无法使磨碎的矿粉和其他添加成分团聚成为具有一定粒度的球团，烧结料层透气性差，导致烧结矿在高炉炼铁生产中的效率降低。烧结混合料水分过高，虽然颗粒成球性能好，又因粘度过高导致造粒粘连，过多的游离水在烧结料床的冷料层析出，造成局部物料过湿，透气性变差，且能耗增大，同样影响生产效率。有效控制烧结混合料的水分是烧结生产部门一直追求的目标。

目前钢铁企业对烧结混合料水分的检测手段主要依靠在烧结原料混合后使用在线水分检测仪或间断人工检测方式进行检测。目前常用的在线水分仪有近红外水分检测仪、微波水分监测仪、电容式水分检测仪等，都各有其优缺点。在检测精度方面，似乎到了一个瓶颈期，而且此检测技术最大的问题在于，在烧结原料一次混合后进行加水，在皮带传送系统上输送到下一道工序过程中再使用水分检测仪检测实时水分，往往有3-5分钟的时间延迟，此时已经有相当部分的混合物料水分含量不在标准范围内，容易造成水分数据失控。

随着神经网络和智能检测技术的发展，越来越多的工厂、企业纷纷改进生产技术，特别是在烧结工艺现场，混合料水分检测和控制过程，烧结终点温度控制等烧结关键性工艺程序受到广泛关注和研究，但是由于烧结现场工况环境复杂、外界因素对其影响大，这些技术的改进往往只停留在理论研究阶段，应用在实际现场总是不能彻底解决现有技术问题。因此，迫切的需要一种新的方案解决上述技术问题。

发明内容

本发明正是针对现有技术中存在的问题，提供一种基于反馈自适应预测模型的混合料水分检测值修正方法，该技术方案突破以往对烧结混合料检测过程的研究范围，创新性地应用反馈自适应预测模型根据已知的烧结混合原料进行训练后预测并修正混合料水分值，这样不仅可以大大提高检测精度，而且可以很方便的结合前馈控制以避免3-5分钟的延迟检测带来对质量控制的影响，有了一个超前调节过程，

为了实现上述目的，本发明的技术方案如下，一种基于反馈自适应预测模型的混合料水分检测值修正方法，其特征在于，所述方法包括以下步骤：

步骤1：采集原料含水量信息，

步骤2：通过配料计算系统计算混合料的水份含量，

步骤3：MIV算法筛选模型输入量，用采集样本训练BP神经网络，训练后的自适应神经网络系统预测混合料水分值并进行修正，定时对预测值和目标值进行对比，若偏差超过一定值，则进行反馈修正。

作为本发明的一种改进，步骤1：采集原料含水量信息，具体如下：

通过烧结现场工作人员提供烧结矿的烧结原料组分信息，包括含有铁矿石的混匀矿、白云石、生石灰、石灰石、焦粉、返矿的含水量及含有相应物质成分(如Fe、CaO、MgO、SiO

作为本发明的一种改进，步骤2：通过配料计算系统计算混合料的水份含量，具体如下：

配料比计算公式：

式中：H

c——焦粉配比，干量 m

p

混合料各组分排料量计算公式：W

各配料组分的水份含量计算公式：M

焦粉配比系数计算公式：

W

焦粉排料量计算公式W

焦粉水份含量计算公式M

p

返矿配比系数计算公式：

返矿排料量计算公式W

则配料后混合料水份量为

设混合料的预测水份率为p

W

可计算希望的水份量为：

补充加水量为:F＝W

将补充加水量分配给一次和二次混合的加水量公式分别为；

F

其中F

补充加水量F是预测混合料含水量的关键因素，把计算出的补充加水量也作为反馈自适应预测模型的输入参数，预测混合料水分含量。

作为本发明的一种改进，所述步骤3具体如下：选取BP神经网络作为模型的核心，建立的网络模型包括输入层、中间层和输出层，训练过程为：确定网络层数以及各层节点数；定义激励函数和损失函数；数据归一化；网络初始化；前向计算；计算误差和计算纠错学习误差；修正网络权值和偏置。改进的BP神经网络融合了MIV(平均影响值)算法能够对所有的自变量进行筛选，筛选出对预测结果的影响程度达到预设标准的自变量；将筛选出的对所述预测结果的影响程度达到预设标准的自变量作为预测模型输入参数。

作为本发明的一种改进，所述步骤3具体如下：对于BP神经网络训练过程，首先确定它的层数和节点数，根据经验，通常确定三层BP神经网络，隐含层节点数为10个，为了建立用于模型训练和测试的数据集，通过MIV算法选取符合对结果影响标准的输入参数，选取对象为含铁品位(TFe)、二氧化硅(SiO

作为本发明的一种改进，所述步骤3具体如下，对于MIV算法，用来评价各因素对混合料水分预测值的影响程度。MIV算法的评价过程主要有：(1)原始样本矩阵Input为混合料水分预测值的八个影响因素，Output为混合料水分预测值；(2)在原始矩阵基础上完成模型训练；(3)在Input基础上加、减10％形成新样本Input1和Input2用于模型仿真，并得到仿真结果Output1和Output2；(4)计算Output1和Output2差值即影响变化值(IV)，并按样本量计算网络输入对网络输出的平均影响值(MIV)；(5)按照以上步骤分别计算8个混合料水分预测值影响因素的MIV值，进行排序和分析，其绝对值大小代表各因素的影响程度，其符号代表各因素的影响方向，最终确定含铁矿石配比及其水份，含氧化钙原料配比及其成份，含镁和铝矿石配比及其成份，焦炉返矿配比，计算加水量作为神经网络的输入变量。

相对于现有技术，本发明具有如下优点，1)该技术方案采用MIV算法能够对所有的自变量进行筛选，筛选出对预测结果的影响程度达到预设标准的自变量；将筛选出的对所述预测结果的影响程度达到预设标准的自变量作为输入参数，能够解决神经网络输入参数过多引起计算复杂的问题；2)本发明突破以往对烧结混合料检测过程的研究范围，创新性地应用反馈自适应预测模型根据已知的烧结混合原料配比、水分含量和计算加水量进行训练后预测并修正混合料在线检测水分值，能够避免混合料在线水分检测值的较大偏差和混合料在皮带运送机上3-5分钟运送到水分检测仪才进行水分的检测反馈造成的影响，因为如果在运送过程的混合料水分含量超出标准范围，只能等混合料运送到水分检测仪才能被检测出来，再采取相应调节措施，此时已经造成影响，本发明方法相当于一个超前调节过程，能够解决此问题，降低损失；3)本发明在自适应预测模型前加入配料计算系统，在原有配料计算模型的基础上，对各料槽进行编号，通过分析样本数据，总结出配料组分之间的关系，创新性地加入返矿配比和焦粉配比影响因子，得出各原料配比，进而计算出混合料各组分排料量和水分含量；再分析焦粉配比和返矿配比样本数据，参考各组分配比系数计算公式得出焦粉配比系数计算公式和返矿配比系数计算公式，得出混合料水分率，又能够通过圆盘称重装置读取加料量，最终得出期望加水量，实现水分超前调节。创新性的把理论计算的混合料加水量作为自适应预测模型的输入参数，能够提前计算后判断加水量是否达到混合料实时状态的要求。

附图说明

图1为本发明的基于反馈自适应预测模型的混合料水分检测值修正的流程图。

图2为本发明的配料计算系统数据流程图。

图3为本发明的融合MIV算法的反馈自适应预测模型结构图。

图4为本发明的BP神经网络训练过程。

图5为本发明的混合料水分预测修正系统。

其中：图2中：

具体实施方式：

为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。

实施例1：参见图1-图5，一种基于反馈自适应预测模型的混合料水分检测值修正方法，所述方法包括以下步骤：

步骤1：采集原料含水量信息，

步骤2：通过配料计算系统计算混合料的水份含量，

步骤3：MIV算法筛选模型输入量，用采集样本训练BP神经网络，训练后的自适应神经网络系统预测混合料水分值并进行修正，定时对预测值和目标值进行对比，若偏差超过一定值，则进行反馈修正。

步骤1：采集原料含水量信息，具体如下：

通过烧结现场工作人员提供烧结矿的烧结原料组分信息，包括含有铁矿石的混匀矿、白云石、生石灰、石灰石、焦粉、返矿的含水量及含有相应物质成分(如Fe、CaO、MgO、SiO

步骤2：通过配料计算系统计算混合料的水份含量，具体如下：

配料比计算公式：

式中：H

c——焦粉配比，干量 m

p

混合料各组分排料量计算公式：W

各配料组分的水份含量计算公式：M

焦粉配比系数计算公式：

W

焦粉排料量计算公式W

焦粉水份含量计算公式M

p

返矿配比系数计算公式：

返矿排料量计算公式W

则配料后混合料水份量为

设混合料的预测水份率为p

W

可计算希望的水份量为：

补充加水量为:F＝W

将补充加水量分配给一次和二次混合的加水量公式分别为；

F

其中F

补充加水量F是预测混合料含水量的关键因素，把计算出的补充加水量也作为反馈自适应预测模型的输入参数，预测混合料水分含量。

所述步骤3具体如下：选取BP神经网络作为模型的核心，建立的网络模型包括输入层、中间层和输出层，训练过程为：确定网络层数以及各层节点数；定义激励函数和损失函数；数据归一化；网络初始化；前向计算；计算误差和计算纠错学习误差；修正网络权值和偏置。改进的BP神经网络融合了MIV(平均影响值)算法能够对所有的自变量进行筛选，筛选出对预测结果的影响程度达到预设标准的自变量；将筛选出的对所述预测结果的影响程度达到预设标准的自变量作为预测模型输入参数。

所述步骤3具体如下：对于BP神经网络训练过程，首先确定它的层数和节点数，根据经验，通常确定三层BP神经网络，隐含层节点数为10个，为了建立用于模型训练和测试的数据集，通过MIV算法选取符合对结果影响标准的输入参数，选取对象为含铁品位(TFe)、二氧化硅(SiO

所述步骤3具体如下，对于MIV算法，用来评价各因素对混合料水分预测值的影响程度。MIV算法的评价过程主要有：(1)原始样本矩阵Input为混合料水分预测值的八个影响因素，Output为混合料水分预测值；(2)在原始矩阵基础上完成模型训练；(3)在Input基础上加、减10％形成新样本Input1和Input2用于模型仿真，并得到仿真结果Output1和Output2；(4)计算Output1和Output2差值即影响变化值(IV)，并按样本量计算网络输入对网络输出的平均影响值(MIV)；(5)按照以上步骤分别计算8个混合料水分预测值影响因素的MIV值，进行排序和分析，其绝对值大小代表各因素的影响程度，其符号代表各因素的影响方向，最终确定含铁矿石配比及其水份，含氧化钙原料配比及其成份，含镁和铝矿石配比及其成份，焦炉返矿配比，计算加水量作为神经网络的输入变量。

在不同天气条件(晴天，阴天，雨天等)下，采集同种混合料含水量信息，比较发现由于天气变化带来的空气湿度的变化，对混合料含水量也有一定影响，将其定义为天气影响因子η，范围在0.9-1之间，晴天一般接近于1，其他天气条件下，接近于0.9，把天气影响因子也作为自适应预测模型的输入量。考虑天气变化对混合料湿度的影响，定义为天气影响因子，一般放在混合料预测水分率p

进一步的，神经网络训练过程，激励函数用于各层节点计算输出的线性或者非线性函数，损失函数用于衡量输出层的输出结果与目标结果的误差。隐含层的输出选择Sigmoid函数激发，损失函数引入γ

表示BP神经网络模型水分含量的预测值，表示混合料水分含量的实际值，表示混合料水分含量实际值的平均值，m表示样本数量。当γ

神经网络训练过程中的数据归一化和网络初始化，由于各个变量量纲不同，采用对数据归一化处理，可以降低网络权值变化的幅度且易于计算；对网络各节点参数进行初始化，能够提高模型训练速度，防止陷入局部最优解，采用启发式算法中的PSO算法来查找并初始化网络权值参数。

粒子群算法(Particle Swarm Optimization)是一种群智能算法，1995年被提出，来源于鸟群的随机捕食行为，算法中每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应值三项指标表示该粒子特征，适应度值由适应度函数计算得到，其值的好坏表示粒子的优劣。粒子在解空间中运动，通过追踪个体极值Pbest和群体极值Gbest更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索得到的适应度值最优位置。粒子每更新一次位置，就计算一次适应度值，并通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest。

X

V

P

P

ω为惯性，c

神经网络训练过程的前向计算，计算误差和计算纠错学习误差，是指将归一化数据输入网络模型，计算各层节点输出，得到神经网络计算的输出结果；计算训练集的结果与输出结果的误差，如果在设定范围内，则结束训练过程；通过梯度下降法得到各层节点参数的纠错学习误差；通过纠错学习误差和学习率修改网络各层节点参数，跳到前向计算。

每三个月定期检测，当混合料水分预测值与实际值偏差超过一定值时，采集相关参数输入信息，重新训练神经网络。通过上述方法对混合料原料进行的一系列预处理后，经过数据集训练后的自适应预测模型根据输入变量预测混合料的含水量，和标准含水量对比，再进行加水调节，超前调节，解决了加水的延迟性、滞后性问题。

具体应用实施例：

本发明提出了一种新的混合料水分检测值修正方法，例如应用在烧结配混工艺中的烧结混合料水分值检测修正中，首先需要从烧结现场取混合原料成分表和不同天气条件下原料的含水量以及混合料某段时间平稳输出状态下的含水量的大量数据，进行数据预处理，滤波、降噪、归一化处理等，将这些数据分为训练集和测试集(比如各100组数据)，训练集用于训练BP神经网络模型，然后通过PSO算法寻优模型各层权值因子，最终得到预测输出量；当BP神经网络训练完成后，使用100组测试集数据测试模型对含水量进行预测测试。与通过专家经验和理论推到得出的公式计算得出的目标值比较，用于修正和再训练。当达到精度要求时，即可确定BP神经网络参数，用于生产中的水分检测修正补偿；具体如下：

图1给出了本发明的基于反馈自适应预测模型的混合料水分检测值修正的流程图，如图1所示，本发明实施例1的基于反馈自适应预测模型的混合料水分检测修正方法的步骤如下：

首先采集原料含水量信息，通过配料计算系统计算混合料加水量，MIV算法筛选模型输入量，用采集样本训练BP神经网络，训练后的自适应神经网络系统预测混合料水分值并进行修正，定时对预测值和目标值进行对比，若偏差超过一定值，则进行反馈修正。

可大致分为配料计算模块、MIV算法筛选模块、样本采集模块、样本训练模块，自适应神经网络预测模块、混合料水分预测修正模块。

配料计算模块如图2所示的配料计算系统数据流程图，包括原料成分分类数据，目标值分类数据，当前配料数据，配料计算数据，日期，历史配料数据和历史配料数据维护，根据原料成分数据和目标值分类数据进行配料计算，计算出的配料数据存储在相应的数据库中，把当前配料数据存入历史配料数据库中，并对其进行维护，同时记录日期。

样本采集是指选取不同天气情况(如下雨、晴天、阴天)时候各混合原料的配比和含水量信息，选取工况稳定时12个小时的混合料加水量及水分实际含量信息作为神经网络的训练样本。样本收集完，要对神经网络进行训练，如图4所示，确定BP神经网络层数以及各层节点数，定义激励函数和损失函数来衡量输出结果和预期结果的误差，将数据归一化，网络初始化是为了提高模型训练速度，防止BP神经网络陷入局部最优解，前向计算得到神经网络的计算结果，计算误差和计算纠错学习误差，如果误差在设定范围内，则结束训练过程，否则通过修正网络权值和偏置修改各网点参数，重新进行前向计算。

使用MIV算法来评价各因素对混合料水分预测值的影响程度，进而筛选出影响程度符合要求的变量作为输入信息。

实施例2

如图5所示，本发明的混合料水分预测修正系统主要包括三部分，数据展示，水分预测修正，系统管理。数据展示部分包括对实时数据、加水量数据及样本数据的展示以及历史数据的查询和下载。水分预测修正部分就是通过样本训练神经网络，输入MIV算法筛选过的变量到训练后的神经网络中，输出混合料水分预测值，与目标值进行对比，差值反馈到输入，重新进行调节的过程。系统管理部分就是对水分预测修正过程的数据进行管理，包括算法管理、日志管理和权限管理。

本发明突破以往对烧结混合料检测过程的研究范围，创新性地应用反馈自适应预测模型根据已知的烧结混合原料进行训练后预测并修正混合料水分检测值，这样就能够避免混合料在线水分检测值的较大偏差和混合料3-5分钟的延迟检测带来的影响，能够在水分检测仪检测出混合料水分值之前，就通过自适应预测模型预测出混合料的水分含量，提前调节加水模块，大大降低了烧结产品的不合格率，减少返矿，节约成本。

需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。