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：太原科技大学

摘要：本发明提供基于建模误差分布形状的多输出高炉炼铁系统建模方法，包括采集高炉炼铁系统的压差、设定喷煤量、富氧流量、冷风流量，铁水温度和Si含量；利用高炉炼铁系统搭建的深度神经网络模型产生的模型输出和多输出高炉炼铁系统产生的真实输出进行比较，产生多输出建模误差序列，将产生的多输出建模误差序列进行形状估计，通过优化建模误差序列的联合概率密度函数进行更新网络模型参数，用多维核密度估计技术来进行联合概率密度函数形状估计，建立目标联合概率密度函数来优化建模误差序列的联合概率密度函数形状，过程为建立指标函数实现形状优化，最后利用粒子群智能优化算法来实现对建立的模型网络参数更新直至收敛为止，完成整个建模过程。

主权项：1.基于建模误差分布形状的多输出高炉炼铁系统建模方法，其特征在于，包括：步骤1：采集高炉炼铁系统的冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、复氧流量、富氧率、设定喷煤量、鼓风温度、理论燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、Si含量、P含量、S含量、铁水温度；步骤2：采用典型相关性分析和相关性分析的方法对采集到的高炉炼铁数据进行数据分析，从而选取出对铁水质量影响较大的输入和输出变量，变量选取完后，建立一个描述高炉炼铁系统的深度神经网络模型；步骤3：将高炉炼铁系统输出和长短期记忆LongShortTermMemory,LSTM神经网络模型输出对比所得出的多输出建模误差序列进行联合概率密度函数Joint-ProbabilityDensityFunction,JPDF形状估计，通过得到的JPDF形状进行优化，通过所指定的优化指标来进行LSTM网络模型进行训练，直至最后网络模型指标收敛为止；所述步骤2包括：步骤2-1、将高炉炼铁系统中采集到的指标区分输入和输出变量，由于炼铁系统中对于出铁质量影响最大的两个因素为：铁水温度和Si含量，由此将这两者设为模型输出；步骤2-2、采用典型相关性分析方法CanonicalCorrelationAnalysis,CCA选出相关性较大的输入变量，最终确定的关键输入量分别为：压差x1kPa、设定喷煤量x2th、富氧流量x3m3min、冷风流量x4m3min；步骤2-3、由于长短期记忆神经网络LSTM可以处理循环神经网络RecurrentNeuralNetwork,RNN在训练过程中存在如梯度消失、梯度爆炸、和无法长期保存历史存留信息的问题；相比较RNN循环神经网络来说，LSTM能够在一定的时间段中表现出更加优越的预测性能，由此本发明中采用LSTM搭建网络模型；所述步骤3包括：步骤3-1、采取多维核密度估计MultipleKernelDensityEstimation,MKDE技术进行建模误差序列联合概率密度函数形状估计；步骤3-2、利用模型输出和高炉炼铁系输出来计算多输出建模误差序列；步骤3-3、通过一个0均值的多维脉冲函数作为目标，建立误差序列的JPDF和期望JPDF的偏差平方积分作为目标函数；所述步骤2-2中采用CCA算法实现输入变量的选取；所述步骤2-3中采用神经网络的方式来搭建模型；所述步骤3-1中采用多维核密度估计的方法来进行形状估计；所述步骤3-3中采用零均值的多维脉冲函数做为要跟踪的函数，通过偏差平方积分作为目标函数来优化神经网络模型中的参数。

全文数据：

权利要求：

百度查询： 太原科技大学 基于建模误差分布形状的多输出高炉炼铁系统建模方法