[发明专利]基于大数据和深度学习的烧结矿成分预报模型

说明书

本发明公开了一种基于大数据和深度学习的烧结矿成分预报方法，属于烧结工艺过程控制领域。该方法需要以烧结生产中与烧结矿成分变化相关的参数和海量历史数据为基础；采用箱型图法和孤立森林算法对异常数据进行检测，使用滑动窗口的方法对异常值进行替换；将皮尔逊相关系数法和关键特征选择法相结合得到模型的输入参数；建立基于DNN的在线成分预测模型，利用此模型根据烧结机的在线检测数据实时监测和预报烧结矿的TFe、FeO、V₂O₅和CaO/SiO₂等成分；该模型预测结果与现场实际检测值拟合度较好，能够辅助现场操作人员及时、准确的判断烧结矿的成分及其变化趋势。

技术领域

本发明涉及一种基于大数据和深度学习的烧结矿成分预模型的建立方法和应用，属于烧结工艺过程控制领域。

背景技术

烧结矿成分是重要的质量指标之一，及时和准确的掌握当前烧结矿的成分对指导高炉生产作用显著。针对我国铁矿石资源贫铁矿占比高的现状，高炉冶炼前，需要将对各种铁矿粉按一定比例混合，通过混匀、制粒、点火和烧结等过程得到满足高炉生产要求的烧结矿。由于烧结原料来源广、品种多、成分波动大，而且，烧结过程中会涉及大量的物理化学反映，这使得烧结矿的化学成分很难被准确控制。

烧结混合料成矿过程复杂，需要经过蒸发、分解、还原、氧化、固相反应、熔化、液相生成以及冷却结晶等几个阶段，采用机理推算的方法难以准确得到与混合料对应的烧结矿成分。此外，人工取样定期进行检化验的方式，检测频次低，存在时间滞后，从烧结配料到烧结矿成分检测出结果会有6h左右的时间延迟，这种方式不适应于对生产过程的及时调整。因此，研究如何实时预报烧结矿的化学成分，根据预报结果及时调整配料等参数将成分控制在合理范围内，这对提高烧结矿成品合格率，稳定高炉炉料性能具有重要的意义。

目前，一些人工智能预测算法开始应用于烧结矿成分预测，例如BP神经网络、支持向量机以及BP神经网络的改进算法等。这些算法模型对实际生产起到了一定的指导作用，但仍存在着一定的局限性。BP神经网络模型在模型涉及参数较多时存在收敛速度慢，可在线权值修正困难等问题；基于SVM算法的模型存在核函数选取困难，不适合处理大规模数据样本等缺点。而且，上述提及的算法都属于浅层学习算法，其在给定有限数量样本时很难获得复杂的非线性关系，导致模型泛化能力受限，进而影响模型对烧结矿化学成分的预测结果。

综上所述，现有的各种烧结矿成分判断方法，或存在时间滞后，或无法进行准确预报，这些方法已经无法满足烧结生产的需求。

发明内容

本发明提出了一种基于大数据和深度学习的烧结矿成分预模型的建立方法及应用，根据烧结自动化系统中记录的与烧结矿成分相关的全部变量数据为基础，利用深度神经网络(Deep Neural Networks,DNN)建立烧结矿成分回归模型，优选并采用Tensorflow搭建深度神经网络，采用均方误差作为损失函数，利用反向传播和自适应学习率方法来训练和优化DNNS，进而利用所建模型来预报测试集中烧结矿的成分。采用本发明所建立的模型不仅可以实时预报烧结矿的成分及其变化趋势，而且对于TFe和FeO成分的预报，在±0.3误差范围内，能达到90.13％以上命中率，对于V₂O₅和CaO/SiO₂成分的预报，在±0.03误差范围内，能达到93.34％以上命中率。这对现场操作者实时判断烧结矿成分，并及时调整配料和工艺参数等具有重要的指导作用。

具体地，基于大数据和深度学习的烧结矿成分预模型的建立方法，包括以下步骤：

步骤一：获取相关数据，收集烧结生产工艺流程中与烧结矿成分变化相关的参数数据，对获取的相关数据采用数据库软件进行整合；

步骤二：数据处理，通过箱型图和孤立森林算法过滤噪声数据，并使用滑动窗口法对异常值进行填补；

步骤三：高维特征选择，利用皮尔逊相关系数法计算各个参数与烧结矿成分的相关系数，采用关键特征选择法筛选冗余度量；