[发明专利]基于卷积神经网络的水泥原料立磨生料细度指标预测方法

权利要求书

1.一种基于卷积神经网络的水泥原料立磨生料细度指标预测方法，其特征在于，包括以下步骤：

步骤1：选取与生料细度相关的8个输入变量，对选取后的变量数据进行归一化处理，构建8个变量时间序列输入层，同时对归一化后的变量数据进行时间序列的处理；

在步骤1中根据生产过程选取8个与生料细度相关的关键控制因素作为输入变量，输入变量包括回渣皮带电流、回渣斗提电流、磨主机电流、喂料反馈、磨机压差、选粉机转速、磨机出口温度、磨机入口负压，采用时间序列来处理归一化后的输入变量数据，确定涵盖所有变量时延区间的时间范围，将该时间范围内的变量数据作为输入，使其对应于某一时刻的生料细度指标，其处理过程如下：

确定包含各变量时延的时间区间，构建时间序列输入层，将一个时间区间内各变量数据对应于某一时刻的生料细度，使输入层包含各变量与生料细度指标的耦合关系，设时间区间为n，将8个变量按行依次输入构成矩阵，由生料细度预测模型选取的8个输入变量构成的时间序列表示为：

x(x₁，x₂，....，x₈) (1)

式(1)中每个过程变量时间序列包含t个采样点：

x_i＝(x_i(1)，x_i(2)，...，x_i(t)) (2)

其中，x_i(i＝1，2，...，8)为第i个过程变量的时间序列；

步骤2：对输入的变量数据进行卷积池化及全连接运算，首先对输入数据进行卷积运算，并对经过卷积运算的输入数据进行池化，经过多次卷积池化后对输出数据进行全连接操作，再经过Droupout层处理完成对卷积神经网络预测模型前向训练的过程；

步骤2具体包括如下过程：

输入层的数据矩阵通过卷积层提取数据特征，根据水泥数据变量之间的特性，采用一维卷积核，使用n₁个卷积核对输入数据进行卷积计算，该过程权值共享，得到n₁个不同的特征图，设卷积层为第l层，则该层输出神经元的输入z^l和卷积层的输出x^l的表达式分别为式(3)和式(4)：

z^l＝x^l-1*w^l+b^l (3)

式中，x^l-1代表卷积层输入的特征向量，w^l代表一维卷积核，b^l表示输出特征向量对应的偏置；

x^l＝f(z^l) (4)

式中f(·)为激活函数，为提高模型的非线性能力，使用ReLU函数作为激活函数，其表达式为：

f(x)＝max(0，x) (5)

根据水泥数据的特性，采用平均池化使模型具有更好的学习能力，池化层不含激活函数，池化层的输出神经元的输入a^l+1与池化层输出p^l+1相等，第l+1层池化层输入p^l与输出p^l+1之间的关系表示为：

式中，表示对池化层输入p^l中的m个特征值求和，其中m为一维池化核大小；

全连接层的输入为卷积池化过程得到的所有特征值，经过该全连接层整合所有的特征信息，该全连接层的输入x^k-1与输出y^k-1之间的关系表示为：

y^k-1＝f(w^k-1*x^k-1+b^k-1) (7)式中w^k-1，b^k-1分别为全连接层的权值和偏置；

防止训练过程出现过拟合现象，在全连接层之后加入Dropout层，提升网络模型的泛化能力，Dropout率设置为0.5；

输出层采用线性加权求和直接计算生料细度值，设该输出层权值和偏置分别为w^k和b^k，则输入x^k与输出生料细度值y′之间的计算公式为：

y′＝w^kx^k+b^k (8)；

步骤3：采用反向微调的方法更新权值和偏置，在反向微调过程中，首先按照反向传播算法求得各层的误差灵敏度δ，然后根据误差灵敏度实现参数更新，输出层、全连接层、与全连接层相连的卷积层和池化层的误差灵敏度均由BP算法得到，卷积层与池化层相连时的反向传播算法如下：

卷积层到池化层的反向传播过程中，设第l层为池化层，后接卷积层第l+1层时，第l层池化层的误差灵敏度δ^l计算如式(9)所示，其中，第l层池化层输出神经元的输入a^l和输出p^l相等，

其中，z^l+1＝p^l*w^l+1+b^l+1 (10)

式(9)中，δ^l+1表示l+1层的误差灵敏度，z^l+1是第l+1层卷积层输出神经元的输入，rot180(·)表示旋转180度；

池化层到卷积层的反向传播过程中，当第l-1层卷积层之后连接第l层池化层时，第l-1层卷积层的误差灵敏度计算方式为：

其中，

式中，z^l-1为第l-1层卷积层输出神经元的输入，x^l-1为第l-1层卷积层的输出，同为第l层池化层的输入，a^l为池化运算的结果，up(·)完成了池化误差数组放大与误差重新分配，其数组大小与卷积之后的大小保持一致，f′(·)为激活函数的导数；

由式(11)得到卷积层的误差灵敏度后，卷积核梯度和偏置梯度计算过程如式(13)和式(14)，

卷积核梯度

偏置梯度

式中，x^l-2是卷积过程中与卷积核w^l-1做卷积运算的特征值；

分别根据式(15)和式(16)对卷积核w和偏置b进行更新；

w’^l-1＝w^l-1-μ*Δw^l-1 (15)

b’^l-1＝b^l-1-μ*Δb^l-1 (16)

式中，μ表示网络的学习率；

步骤4：利用训练好的CNN模型对水泥原料立磨生料细度指标进行实时预测。