[发明专利]基于宽度学习的烧结矿质量预测方法

说明书

本发明提供了一种基于宽度学习的烧结矿质量预测方法，通过对历史数据预处理和关联性分析，确定与预测指标相关度高的多个因素，将其输入改进的宽度学习神经网络进行训练，利用矩阵伪逆的方式得到最优权值和偏置，并对其进行准确率测试，未达到期望值时可增加神经网络的宽度，在现有模型的基础上进行训练，直至得到最优的烧结矿质量预测模型。本发明还可以通过增量学习的方式添加新增数据，在历史数据的模型基础上进行训练，保证模型的及时更新。该方法利用历史数据和新增数据相结合的方式，提高了模型的训练速度，实现了模型的快速构建和实时更新，从而准确快速地对烧结矿性能和质量预测，为指导烧结矿的生产和优化烧结工艺提供了新的思路和方法。

技术领域

本发明涉及烧结矿性能预测技术领域，尤其涉及一种基于宽度学习的烧结矿质量预测方法。

背景技术

烧结过程是整个钢铁工业的耗能大户，烧结过程产生的烧结矿是高炉炼铁的主要原料，烧结矿的质量对高炉运行及产出铁水质量具有决定影响。在实际烧结生产过程中，烧结矿质量检测方式一般是在烧结矿成品产出后，每隔两小时对成品矿进行取样检测，依据检验结果，操作员根据经验对烧结工艺参数进行调整。这种传统的检测方法使烧结矿质量控制存在很大的滞后性，不能及时针对烧结矿质量调整原料配比。因此，建立合适的烧结矿质量预测模型对于提高烧结矿质量具有重要意义。

公布号为CN110070217 A的专利公开了一种基于过程参数的烧结矿质量预测方法，采用BP神经网络映射非线性函数，建立基于过程参数的烧结矿质量预测模型；将实时采集到的烧结过程参数作为输入变量输入烧结矿质量预测模型，输出变量为预测得到的烧结矿质量参数，达到对烧结矿质量提前预测的目的。公布号为CN108549791 A的专利公开了一种基于模型参数自适应的烧结矿性质预测方法，通过RBF神经网络算法拟合出混合矿理化指标与烧结矿性质之间的关系函数，可快速的预测出烧结矿性质，并实现模型参数的自动更新，为配矿策略的制定提供依据。

但是，以上方法都是采用深度学习的方法，BP神经网络、RBF神经网络等方法虽然都有拟合非线性函数的能力，但都是采用增加网络层数和逐层求梯度的方式来更新权值和偏置，这将会导致模型容易遇到陷入局部最优、梯度消失、梯度爆炸、建模速度慢等问题。此外，当训练数据更新时，再重新训练深度神经网络是十分耗时的，如不能及时更新网络会造成用户体验不佳，造成烧结矿质量预测结果的延迟。

有鉴于此，有必要设计一种改进的基于宽度学习的烧结矿质量预测方法，以解决上述问题。

发明内容

本发明的目的在于提供一种基于宽度学习的烧结矿质量预测方法，通过对历史数据预处理，采用关联度分析法得到与预测指标相关程度最高的几个因素，依据分析结果作为改进的宽度神经网络的输入参数，建立烧结矿质量预测模型；并以此来检验烧结过程中参数的准确性，并及时作出调整，达到改进烧结矿性能和质量的目的。

为实现上述发明目的，本发明提供了一种基于宽度学习的烧结矿质量预测方法，包括以下步骤：

S1、数据预处理

获取烧结矿生产中的历史数据，去除所述历史数据中的大噪声和重复性数据；并对数据进行归一化处理，得到预处理后的数据；

S2、确定输入参数

对步骤S1得到的所述预处理后的数据和预测指标进行关联性分析，并筛选出与所述预测指标相关度高的m个因素作为输入参数；

S3、建立烧结矿质量预测模型

S31、对宽度学习神经网络进行改进，以减少神经网络的过拟合；

S32、超参数初始化设置，设置增强节点或特征节点的组数，并设置每组的节点数；将与预测指标相关度高的因素的数据作为输入参数，输入至所述宽度学习神经网络进行训练，输出参数为所述预测指标的相关数据；