买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：唐山阿诺达自动化有限公司

摘要：本发明公开了基于机器学习的高炉炼铁控制系统，系统包括数据采集模块、数据预处理模块、高炉炼铁预测模型建立模块、模型超参数设置模块和高炉炼铁控制模块。本发明属于数据处理技术领域，具体是指基于机器学习的高炉炼铁控制系统，本方案结合聚类和模糊理论，基于聚类分析和模糊划分矩阵计算，充分考虑时间序列数据的特性，提高了模型对数据特征的抽象能力和预测准确性；通过划分精英组和平行组，设计非线性参数提高搜索效率；基于位置移动和突变策略，既能保持种群的多样性进行全局搜索，又能在个体周围进行局部搜索，有利于找到更优的超参数组合；提高超参数优化的效果，助于优化模型性能。

主权项：1.基于机器学习的高炉炼铁控制系统，其特征在于：系统包括数据采集模块、数据预处理模块、高炉炼铁预测模型建立模块、模型超参数设置模块和高炉炼铁控制模块；所述数据采集模块采集高炉操作数据、原料数据、高炉生产数据、环境数据和时间序列；所述数据预处理模块对采集的数据进行数据清洗、数据转换、标准化处理和划分数据集；所述高炉炼铁预测模型建立模块结合聚类和模糊理论，基于聚类分析和模糊划分矩阵计算，得到模糊时间序列数据，使用双向长短期记忆网络模型进行预测；所述模型超参数设置模块通过划分精英组和平行组，设计非线性参数；基于位置移动和突变策略，从而进行超参数搜索设置；所述高炉炼铁控制模块通过建立的高炉炼铁预测模型和实时采集的数据进行高炉炼铁控制；在模型超参数设置模块中设计非线性参数，所用公式如下： ；式中，a是非线性参数；T是搜索迭代次数；maxT是最大迭代次数；是种群平均适应度值；在模型超参数设置模块中设计惯性权重参数，所用公式如下： ；式中，ω是惯性权重参数；是惯性常数；是随机扰动项；所述高炉炼铁预测模型建立模块具体包括以下内容：初始化，将时间序列数据集视作模型输入的时间序列数据；用初始的聚类原型元素集合V0反映不同操作条件下的控制参数配置，用于模型初始化；计算聚类原型元素，；是初始化的第i个聚类原型元素，等价于xi；N是元素数量；聚类原型元素表示如下： ；式中，xi是第i个聚类原型元素；Ti是原始的时间序列数据中的第i个元素；min{T}和max{T}分别是时间序列最小值和最大值；更新聚类原型元素，所用公式如下： ； ； ； ； ；式中，αijt是t时刻的平衡因子且αij0=1，、和分别是t+1时刻、t时刻和t-1时刻的第i个聚类原型元素；和分别是t时刻和t-1时刻的第j个聚类原型元素；f·是相似度度量函数；是欧几里得距离；λ是调节参数；μ是平均参数；i和j是不同元素；获取簇集合，重复更新聚类原型元素，直到，其中ε是距离阈值；此时V中的每个元素收敛到包含它的组的原型元素；获得簇集合P，表示为，p1、p2和pk分别是第1个、第2个和第k个聚类中心；pj是第j个聚类中心；计算时间序列的模糊划分矩阵，获得大小为N行k列的划分矩阵U，所用公式如下： ；式中，μji是模糊划分矩阵元素；xi是第i个聚类原型元素；xc是第c个聚类原型元素；计算模糊时间序列元素，获得模糊时间序列F={F1,F2,…,FN}，F1、F2和FN分别是第1个、第2个和第N个模糊时间序列元素；所用公式如下： ；式中，Fi是第i个模糊时间序列元素；所述高炉炼铁预测模型建立模块还包括：使用双向长短期记忆网络模型预测；双向长短期记忆网络是专门用于处理序列数据中长期依赖关系的循环神经网络，能够整合过去和未来时间步的信息，使网络能够双向学习序列中的模式；LSTM架构的核心是其记忆单元，增加了三个关键门控：输入门、输出门和遗忘门；每个门控有各自的功能，以增强学习过程；模型单元的输出表示如下： ； ； ； ； ；式中，it、ft和ot分别是输入门、遗忘门和输出门的输出；是sigmoid激活函数；Ai、Af、Ag和Ao分别是输入门、遗忘门、细胞状态更新和输出门的权重矩阵；Ri、Rf、Rg和Ro分别是输入门、遗忘门、细胞状态更新和输出门的循环权重矩阵；αi、αf、αg和αo分别是输入门、遗忘门、细胞状态更新和输出门的偏置；tanh·是双曲正切函数；ct-1和th-1分别是上一时间步的细胞状态和隐藏状态；gt是候选值。

全文数据：

权利要求：

百度查询： 唐山阿诺达自动化有限公司 基于机器学习的高炉炼铁控制系统