一种基于RNN-LSTM网络的矿热炉工况预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109492839A(43)申请公布日2019.03.19(21)申请号201910045402.6(22)申请日2019.01.17(71)申请人东华大学地址201620上海市松江区松江新城人民北路2999号(72)发明人孔维健方开创马强甜娜(74)专利代理机构上海泰能知识产权代理事务所31233代理人宋缨钱文斌(51)Int.Cl.G06Q10/04(2012.01)G06N3/04(2006.01)权利要求书2页说明书5页附图1页(54)发明名称一种基于RNN-LSTM网络的矿热炉工况预测方法(57)摘要本发明涉及一种基于RNN-LSTM网络的矿热炉工况预测方法，包括以下步骤：采集现场多台同种型号电炉整个熔炼过程的工况状态；对数据进行数据清洗，并进行归一化处理，将数据划分为训练集与测试集；构建RNN-LSTM网络结构；将训练集数据作为RNN-LSTM网络结构输入，对RNN-LSTM网络结构进行训练；将测试集数据输入已经训练好的RNN-LSTM网络结构进行验证，计算预测准确率并通过测试集对RNN-LSTM网络结构模型进行参数微调，提高预测精度，并将最后的RNN-LSTM网络结构模型作为矿热炉工况预测模型。本发明能准确高效的预测出生产过程中的各个工况。CN109492839ACN109492839A权利要求书1/2页1.一种基于RNN-LSTM网络的矿热炉工况预测方法，其特征在于，包括以下步骤：(1)采集现场多台同种型号电炉整个熔炼过程的工况状态，分别用S1＝1、S2＝2、S3＝3、S4＝4、S5＝5即S(t)＝{sn＝n|n＝1,2,...,5}表示矿热炉的加料工况、欠烧工况、主熔工况、排气工况和过烧工况；(2)数据预处理；对数据进行数据清洗，并进行归一化处理得到数据矩阵，并将数据划分为训练集与测试集；(3)构建RNN-LSTM网络结构，所述RNN-LSTM网络结构的输入为矿热炉的1至t-1时刻的工况状态，输出为矿热炉的2至t时刻工况状态；(4)将训练集数据作为RNN-LSTM网络结构输入，对RNN-LSTM网络结构进行训练；(5)将测试集数据输入已经训练好的RNN-LSTM网络结构进行验证，计算预测准确率并通过测试集对RNN-LSTM网络结构模型进行参数微调，提高预测精度，并将最后的RNN-LSTM网络结构模型作为矿热炉工况预测模型。2.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法，其特征在于，所述步骤(1)中采集现场多台同种型号电炉整个熔炼过程的采样周期为1秒，采样时长为8小时。3.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法，其特征在于，所述步骤(3)中构建的RNN-LSTM网络结构满足：输入门it＝σ(WxiXt+Whiht-1+bi)，其中，Wxi表示输入-输出权重矩阵，Whi表示隐藏层-输入门权重矩阵，bi表示输入层到隐藏层的偏差，Xt表示时间步长t时刻的输入矩阵，ht-1表示上一时刻隐藏层的输出，sigmoid函数遗忘门ft＝σ(WxfXt+Whfht-1+bf)，其中，Wxf表示输入-遗忘门权重矩阵，Whf表示隐藏层-遗忘门权重矩阵，bf表示遗忘门偏差，ft∈(0,1)；输出门ot＝σ(WxoXt+Whoht-1+bo)，其中，Wxo表示输入-输出门权重矩阵，Who表示隐藏层-输出门权重矩阵，bo表示输出门偏差，ot∈(0,1)；输出记忆信息ct＝ittanh(WxcXt+Whcht-1+bc)+ftct-1，其中，Wxc表示输入-记忆单元权重矩阵，Whc表示隐藏—记忆单元权重矩阵，bc表示输入层到记忆单元的偏差；t时刻的隐藏输出ht＝ottanh(ct)；隐藏层到输出层采用全连接方式，并且满足输出层输出s＝Wsht+bs，Ws表示的是隐藏层到输出层的权重矩阵，bs表示的是隐藏层到输出层的偏差。4.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法，其特征在于，所述步骤(3)中构建的RNN-LSTM网络结构的损失函数表示为：其中，S(t+1)与分别为每个采样时刻的真实工况和预测工况，N为数据序列总长度。5.根据权利要求4所述的基于RNN-LSTM网络的矿热炉工况预测方法，其特征在于，所述2CN109492839A权利要求书2/2页损失函数进行正则化处理，处理后的损失函数为其中，λ为正则化系数，W表示所用模型结构权重参数的值。6.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测方法，其特征在于，所述步骤(4)中RNN-LSTM网络结构训练过程中，采用adam优化算法根据损失函数的梯度来更新网络权重和偏差。7.根据权利要求1所述的基于RNN-LSTM网络的矿热炉工况预测