CN110322014A - 一种基于bp神经网络的水泥成品比表面积预测方法 - Google Patents

Abstract

本发明公开了一种水泥成品比表面积预测方法，包括：获取水泥磨研磨系统待测试数据；水泥磨研磨系统待测试数据包括喂料量反馈、磨主机电流等八个工业流程参量数据作为输入数据和对应时刻的水泥成品比表面积作为输出数据；由比表实际测量工艺对原始数据做平均处理，即选取对应一个小时的变量数据取其平均值；经过归一化，通过BP神经网络对样本数据进行离线训练，根据系统实际运行每隔一段时间对稳态输入输出样本数据进行更新，重新训练该NN模型，满足实际需要。本发明实现了对水泥成品比表面积以及其变化趋势的准确预测，及时的为水泥研磨过程提供规划调度依据，且测量成本低。

Description

一种基于BP神经网络的水泥成品比表面积预测方法

技术领域

本发明涉及评价水泥成品性能指标预测领域，尤其一种基于BP神经网络的水泥成品比表面积预测方法。

背景技术

水泥制造业作为基础原材料流程工业之一，在经济建设中具有重要地位。水泥研磨过程是水泥生产的重要过程，水泥成品比表面积作为评价水泥产品质量性能的重要参数，对水泥成品比表面积进行精准预测，可以为水泥磨研磨过程调度的优化、综合能耗的降低和水泥产品的评价提供依据。

目前，国内外水泥比表面积的检测分为在线和离线两种。粒度的离线检测就是每一个小时到现场取样，将样本拿到实验室的分析仪，经化验后得到。这样做的缺点是由于取样量小，因此代表性不够。又因为两次取样时间为一小时，间隔长，因此最后测定的水泥比表面积和细度跟实际生产不一致，这样就会对实际生产中操作员的指导作用产生滞后，从而不能实时监测水泥比表面积和水泥细度，容易生产出不合格产品，甚至可能导致水泥达不到国家标准而作废，很难适应生产的要求。而在线监测是在水泥生产过程中直接监测水泥的比表面积和细度，并且将监测到的水泥的比表面积和细度等信息传送到DCS系统。目前在线测量水泥粒度的主要设备是在线粒度监测仪，它能够及时、快速、连续、真实地对水泥的粒度进行测量，这对水泥质量的稳定提供了更先进的手段，但是此种方法只可测量水泥成品粒度无法直接反应水泥成品比表面积，且价格昂贵，结构复杂，日常维护工作量大，容易出现故障，影响工业生产。

针对上述问题，为更有效的适应水泥磨的复杂工艺流程特性，数据驱动技术被应用到水泥生产优化中。相比工艺机理建模方法，数据驱动技术采用观测数据进行建模，避免了由于生产工序复杂而无法直接建立数学模型的弊端，可从水泥生产数据中挖掘工艺参数与控制变量间的耦合规律，并对生产工况进行识别和推理分析，降低模型建立的复杂性。王贵生等提出了基于水泥磨研磨过程的数学模型，通过采用45μm负压筛检测的水泥筛余值，建立相关的一元线性回归方程，实现水泥比表面积的预测。但这种方法过于简单并不适合水泥生产过程中强耦合，强时延的数据特性，且在实际生产过程中误差大、不可用的数据较多，该方法的自我修复校正能力不强。赵彦涛等提出基于MI-LSSVM的水泥生料细度软测量建模，采用互信息表征变量间的相关性，解决水泥生料细度软测量建模中的时延问题，并在此基础之上，提出双向选择算法获取输入变量，将得到的输入变量应用于最小二乘支持向量机中，建立水泥生料细度软测量模型，结果表明该方法预测精度高、泛化能力强。支持向量机更加适合小样本预测，并不适合水泥工业大数据的特性，且该方法无法实现对水泥成品比表面积的直接预测。

随着水泥行业对智慧制造要求的不断提升，如何实现水泥成品比表面积的低成本测量，改变延时测量现状，实现水泥比表的实时评价与合理控制成为了水泥流程工业领域的研究热点，突破该问题将对推动水泥工业发展具有重要作用。

发明内容

针对上述存在的问题，本发明提出一种基于BP神经网络(back propagationneural network)的水泥成品比表面积预测方法,既解决了水泥成品比表面积预测过程中工业数据量大，变量之间强耦合，变时滞，非线性等问题，又实现水泥成品比表面积的低成本测量，改变延时测量现状。

为实现上述目的，本发明是根据以下技术方案实现的：

一种基于BP神经网络的水泥成品比表面积预测方法，其特征在于，包括以下步骤：

步骤S1：经过水泥磨工艺分析，选取与水泥成品比表面积相关的8个工业流程参量作为输入变量，通过数据特征分析，对选取后的变量数据按照一小时为单位取平均值，然后做归一化处理形成BP神经网络模型的输入数据，其中8个工业流程参量为：喂料量反馈、磨主机电流、磨尾收尘风机挡板开度、循环风机变频反馈、出磨斗提电流反馈、选粉机电流反馈、选粉机转速反馈、出球磨半闭路分料挡板；

步骤S2：基于BP神经网络模型的水泥磨工业数据特征信息正向传播，根据在水泥研磨过程中工业流程参量的数据特征，采用BP神经网络模型，对构建好的输入层数据进行信号的前向传播，从输入层经过隐含层，最后到达输出层，输入信号通过隐含层作用于输出节点，经过非线性变换，产生水泥成品比表面积前向训练数据特征；

步骤S3：基于BP神经网络模型的水泥磨工业数据特征的期望输出误差反向传播，通过计算水泥成品比表面积期望输出值与水泥比表面积实际输出值之间的误差均方差，对其进行反向传播，误差反传将输出误差通过隐含层向输入层逐层反传，以获得各层的误差信号为各单元的调整提供依据；

步骤S4：利用训练好的BP神经网络模型对水泥磨研磨系统产出的水泥成品比表面积进行实时预测。

上述技术方案中，步骤S3中采用梯度下降法，对水泥磨工艺流程数据利用梯度搜索技术，通过调节输入层神经元与隐含层神经元，隐含层神经元与输出层神经元之间的联接权重与阈值，使网络的实际输出值和期望输出值的误差沿梯度方向下降，经过反复学习训练，当误差达到预测精度或学习次数大于设定的最大次数时确定出最小误差所对应的网络参数，完成BP神经网络模型的训练过程，具体包括：

①随机初始化权值矩阵D_1,1，D_2,1以及神经元阈值向量B₁，B₂；由训练数据中第l个样本数据输入值u_l计算出对应的隐含层的输出值，具体为：

其中，x_l(i)表示隐含层中第i个单元的输出，其中i＝1,2,…,p，其中p为隐含层的输出变量维数，k＝1,2,…,n_u，其中n_u为输入层变量的维数；D_1,1(i,k)表示权值矩阵D_1,1中位于i行k列的数值，即从第k个输入神经元到第i个输出单元的权值，B₁(i)是指表示神经元阈值向量B₁中第i行的数值，f₁为隐含层的S型正切传递函数，函数表达式其中

②由第①步中得到隐含层输出值x_l计算对应的输出层的输出值:

其中，x_l(i)表示隐含层中第i个单元的输出，D_2,1(j,i)表示权值矩阵D_2,1中位于j行i列的数值，B₂(j)是指表示神经元阈值向量B₂中第j行的数值，j＝1,2,…n_y，n_y为输出层的输出变量维数，输出层的传递函数f₂为一个线性函数，即：其中C为常数，

③计算输出层误差：

其中，y_l(j)表示输出层的第j个单元的输出值，为输出层中第j个单元的期望输出值；

④计算隐含层误差：

⑤循环调整隐含层到输出层的权值矩阵D_2,1中的每个单权值D_2,1(j,i)：

D_2,1(j,i)＝D_2,1(j,i)+αx_l(i)e_l(j) (5)

其中，α为学习率，0<α<1；

⑥修正输出层的阈值B₂(j)：

B₂(j)＝B₂(j)+αe_l(j) (6)

⑦循环调整输入层到隐含层的权值矩阵D_1,1中每个单权值D_1,1(i,k)：

D_1,1(i,k)＝D_1,1(i,k)+βu_l(j)e_xl(i) (7)

其中，β为学习率，0<β<1；

⑧修正隐含层的阈值B₁(i)：

B₁(i)＝B₁(i)+βe_xi(i) (8)

⑨重复循环计算①～⑧步，直至对于所有的输入输出样本数据j＝1,2,…,n_y，l＝1,2…,N的训练误差小于设定值时停止训练，其中N的范围为从水泥磨研磨系统数据库采集到的训练样本总个数。

本发明与现有技术相比，具有如下有益效果：

本发明建立的基于BP神经网络的水泥成品比表面积预测方法，能够对经过水泥研磨系统产出的水泥成品比表面积以及变化趋势进行及时、快速、连续、真实地预测，及时的为水泥研磨过程提供规划调度依据，这为水泥质量的稳定提供了更先进的手段。

本发明从水泥成品比表面积实际测量工艺出发，数据处理上对变量数据分别以一小时为单位取平均。在BP网络反向传播过程中采用梯度下降法，通过计算水泥成品比表面积期望输出值与水泥比表面积实际输出值之间的误差均方差对隐含层和输出层对各层所有的神经元进行修正，提高了预测精确度，同时降低了工业生产过程中变量耦合，坏数据，坏工况等对预测结果的影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明的基于BP神经网络的水泥成品比表面积预测模型的结构图；

图2为本发明的BP神经网络模型预测经过水泥磨研磨系统的水泥成品比表面积的系统流程框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

本发明提出了一种基于BP神经网络(Back-Propagation)的水泥成品比表面积预测方法，包括如下步骤：

步骤S1：经过水泥磨工艺分析，选取与水泥成品比表面积相关的8个工业流程参量作为输入变量，通过数据特征分析，对选取后的变量数据按照一小时为单位取平均值，然后做归一化处理形成BP神经网络模型的输入数据；

在步骤S1中，首先分析整个水泥磨的工艺流程，通过分析工业生产过程中与水泥成品比表面积预测相关的输入变量，经过实验和实际生产比较，选取了八个工业流程参量作为预测水泥成品比表面积BP模型的输入变量，并从水泥磨研磨系统的数据库当中提取相关变量数据。为了减少输入变量的数据误差，结合水泥成品比表实际测量工艺，对原始数据做平均处理，即选取对应一个小时的变量数据取其平均值，由于选取的各变量量纲不同，各变量之间的数值差异较大，为了避免变量数值差异过大对模型建立的影响和提高模型收敛速度，对选取的各变量进行归一化处理，从而形成BP神经网络的输入层数据。

步骤S2：基于BP神经网络模型的水泥磨工业数据特征信息正向传播，根据在水泥研磨过程中工业流程参量的数据特征，采用BP神经网络模型，对构建好的输入层数据进行信号的前向传播，从输入层经过隐含层，最后到达输出层，输入信号通过隐含层作用于输出节点，经过非线性变换，产生水泥成品比表面积前向训练数据特征；

在步骤S2中，由于选取的水泥磨工艺流程变量具有数据量大，强耦合，变时延的数据特性，采用一种按照误差逆向传播算法训练的多层前馈神经网络，对经过步骤S1处理的输入数据，从输入层经隐层神经元逐层处理，每一层神经元的状态只影响下一层神经元的状态，分别计算对应的期望输出并转向输出层，完成对BP神经网络模型的前向训练过程。

步骤S3：基于BP神经网络模型的水泥磨工业数据特征的期望输出误差反向传播，通过计算水泥成品比表面积期望输出值与水泥比表面积实际输出值之间的误差均方差，对其进行反向传播，误差反传将输出误差通过隐含层向输入层逐层反传，以获得各层的误差信号为各单元的调整提供依据；

在步骤S3中，对经过步骤S2处理获得的水泥成品比表面积BP模型前向训练特征，当实际输出与期望输出不符时，模型会进入误差的反向传播过程。将水泥成品比表面积期望输出值与水泥比表面积实际输出值之间的误差均方差通过隐含层向输入层沿原来的连接通路进行逐层反转，各层所有的单元分别获得其对应的误差信号。采用梯度下降法，对水泥磨工艺流程数据利用梯度搜索技术，通过调节输入层神经元与隐含层神经元，隐含层神经元与输出层神经元之间的联接权重与阈值，以期使网络的实际输出值和期望输出值的误差沿梯度方向下降，经过反复学习训练，当误差达到预测精度或学习次数大于设定的最大次数时确定出最小误差所对应的网络参数，完成BP神经网络模型的训练过程。

步骤S4：利用训练好的BP神经网络模型对水泥磨研磨系统产出的水泥成品比表面积进行实时预测。

具体地，根据本发明的一个具体实施例，本发明首先分析整个水泥磨的工艺流程，通过分析工业生产过程中与水泥成品比表面积预测相关的输入变量，经过实验和实际生产比较，选取了八个工业流程变量，分别为喂料量反馈、磨主机电流、磨尾收尘风机挡板开度、循环风机变频反馈、出磨斗提电流反馈、选粉机电流反馈、选粉机转速反馈、出球磨半闭路分料挡板，作为预测水泥成品比表面积BP模型的输入变量；选取水泥成品比表面积实验值作为输出变量，并从水泥磨研磨系统的数据库当中提取相关变量数据。由比表实际测量工艺，对原始数据做平均处理，即选取对应一个小时的变量数据取其平均值。为了避免变量数值差异过大对模型建立的影响和提高模型收敛速度对处理后的变量数据进行归一化处理。然后通过BP神经网络对样本数据进行离线训练，在工程实际应用中可以根据系统的实际运行数据每隔一段时间对稳态输入输出样本数据进行更新，重新训练该NN模型，以满足现场实际需要。基于BP神经网络的水泥成品比表面积预测模型的结构图如图1所示；BP神经网络模型预测经过水泥磨研磨系统的水泥成品比表面积的系统流程框图如图2所示。

其具体包括如下步骤：

步骤S1：分析整个水泥磨的工艺流程，通过分析工业生产过程中与水泥成品比表面积预测相关的输入变量，经过实验和实际生产比较，如图1中[1]所示，选取了八个工业流程变量，分别为喂料量反馈MV1、磨主机电流MV2、磨尾收尘风机挡板开度MV3、循环风机变频反馈MV4、出磨斗提电流反馈MV5、选粉机电流反馈MV6、选粉机转速反馈MV7、出球磨半闭路分料挡板MV8，作为预测水泥成品比表面积BP模型的输入变量。根据比表实际测量工艺，对输入输出数据按照一个小时做平均值处理，为了避免变量数值差异过大对模型建立的影响和提高模型收敛速度，对处理后的变量数据进行归一化处理，形成BP神经网络模型的输入层。

步骤S2：利用BP神经网络对经过步骤1处理的样本数据进行训练。

①如图1所示，随机初始化权值矩阵D_1,1，D_2,1以及神经元阈值向量B₁，B₂；由训练数据中第l个样本数据输入值u_l计算出对应的隐含层的输出值，具体为：

其中，x_l(i)表示隐含层中第i个单元的输出，其中i＝1,2,…,p，其中p为隐含层的输出变量维数，k＝1,2,…,n_u，其中n_u为输入层变量的维数；D_1,1(i,k)表示权值矩阵D_1,1中位于i行k列的数值，即从第k个输入神经元到第i个输出单元的权值，B₁(i)是指表示神经元阈值向量B₁中第i行的数值，f₁为隐含层的S型正切传递函数，函数表达式其中

②由第①步中得到隐含层输出值x_l计算对应的输出层的输出值:

其中，x_l(i)表示隐含层中第i个单元的输出，D_2,1(j,i)表示权值矩阵D_2,1中位于j行i列的数值，B₂(j)是指表示神经元阈值向量B₂中第j行的数值，j＝1,2,…n_y，n_y为输出层的输出变量维数，输出层的传递函数f₂为一个线性函数，即：其中C为常数，

③计算输出层误差：

其中，y_l(j)表示输出层的第j个单元的输出值，为输出层中第j个单元的期望输出值。

④计算隐含层误差：

⑤循环调整隐含层到输出层的权值矩阵D_2,1中的每个单权值D_2,1(j,i)：

D_2,1(j,i)＝D_2,1(j,i)+αx_l(i)e_l(j) (5)

其中，α为学习率，0<α<1；

⑥修正输出层的阈值B₂(j)：

B₂(j)＝B₂(j)+αe_l(j) (6)

⑦循环调整输入层到隐含层的权值矩阵D_1,1中每个单权值D_1,1(i,k)：

D_1,1(i,k)＝D_1,1(i,k)+βu_l(j)e_xl(i) (7)

其中，β为学习率，0<β<1；

⑧修正隐含层的阈值B₁(i)：

B₁(i)＝B₁(i)+βe_xi(i) (8)

⑨重复循环计算①～⑧步，直至对于所有的输入输出样本数据j＝1,2,…,n_y，l＝1,2…,N的训练误差小于设定值时停止训练，其中N的范围为从水泥磨研磨系统数据库采集到的训练样本总个数。

综上所述，可以利用上述的BP算法对给定的输入、输出样本数据进行训练，最终建立如下反映输入到输出关系的神经网络(NN—Neural Networks)稳态模型：

y_s＝f₂[D_2,1·f₁(D_1,1·u_s+B₁)+B₂] (9)

其中，u_s＝[u_1s,u_2s,…,u_nus]^T是系统的稳态输入，y_s＝[y_1s,y_2s,…,y_nys]^T是系统的稳态输出，f₁和f₂分别是隐含层和输出层的传递函数，B₁和B₂分别是隐含层和输出层神经元的阈值，D_1,1和D_2,1分别是输入层到隐含层和隐含层到输出层的权值。

步骤S3：利用训练好的BP神经网络模型对水泥磨研磨过程中的水泥成品比表面积指标进行预测。上述的NN稳态模型是通过样本数据离线训练获得，在工程实际应用中可以根据系统的实际运行数据每隔一段时间对稳态输入输出样本数据进行更新，重新训练该NN模型，以使该稳态模型尽可能逼近现场实际系统的稳态模型。

步骤S4：利用训练好的BP神经网络模型对水泥磨研磨系统产出的水泥成品比表面积进行实时预测。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (2)

1.一种基于BP神经网络的水泥成品比表面积预测方法，其特征在于，包括以下步骤：

步骤S1：经过水泥磨工艺分析，选取与水泥成品比表面积相关的8个工业流程参量作为输入变量，通过数据特征分析，对选取后的变量数据按照一小时为单位取平均值，然后做归一化处理形成BP神经网络模型的输入数据，其中8个工业流程参量为：喂料量反馈、磨主机电流、磨尾收尘风机挡板开度、循环风机变频反馈、出磨斗提电流反馈、选粉机电流反馈、选粉机转速反馈、出球磨半闭路分料挡板；

步骤S2：基于BP神经网络模型的水泥磨工业数据特征信息正向传播，根据在水泥研磨过程中工业流程参量的数据特征，采用BP神经网络模型，对构建好的输入层数据进行信号的前向传播，从输入层经过隐含层，最后到达输出层，输入信号通过隐含层作用于输出节点，经过非线性变换，产生水泥成品比表面积前向训练数据特征；

步骤S3：基于BP神经网络模型的水泥磨工业数据特征的期望输出误差反向传播，通过计算水泥成品比表面积期望输出值与水泥比表面积实际输出值之间的误差均方差，对其进行反向传播，误差反传将输出误差通过隐含层向输入层逐层反传，以获得各层的误差信号为各单元的调整提供依据；

步骤S4：利用训练好的BP神经网络模型对水泥磨研磨系统产出的水泥成品比表面积进行实时预测。

2.根据权利要求1所述的一种基于BP神经网络的水泥成品比表面积预测方法，其特征在于，步骤S3中采用梯度下降法，对水泥磨工艺流程数据利用梯度搜索技术，通过调节输入层神经元与隐含层神经元，隐含层神经元与输出层神经元之间的联接权重与阈值，使网络的实际输出值和期望输出值的误差沿梯度方向下降，经过反复学习训练，当误差达到预测精度或学习次数大于设定的最大次数时确定出最小误差所对应的网络参数，完成BP神经网络模型的训练过程，具体包括：

①随机初始化权值矩阵D_1,1，D_2,1以及神经元阈值向量B₁，B₂；由训练数据中第l个样本数据输入值u_l计算出对应的隐含层的输出值，具体为：

其中，x_l(i)表示隐含层中第i个单元的输出，其中i＝1,2,…,p，其中p为隐含层的输出变量维数，k＝1,2,…,n_u，其中n_u为输入层变量的维数；D_1,1(i,k)表示权值矩阵D_1,1中位于i行k列的数值，即从第k个输入神经元到第i个输出单元的权值，B₁(i)是指表示神经元阈值向量B₁中第i行的数值，f₁为隐含层的S型正切传递函数，函数表达式其中

②由第①步中得到隐含层输出值x_l计算对应的输出层的输出值:

其中，x_l(i)表示隐含层中第i个单元的输出，D_2,1(j,i)表示权值矩阵D_2,1中位于j行i列的数值，B₂(j)是指表示神经元阈值向量B₂中第j行的数值，j＝1,2,…n_y，n_y为输出层的输出变量维数，输出层的传递函数f₂为一个线性函数，即：其中C为常数，

③计算输出层误差：

其中，y_l(j)表示输出层的第j个单元的输出值，为输出层中第j个单元的期望输出值；

④计算隐含层误差：

⑤循环调整隐含层到输出层的权值矩阵D_2,1中的每个单权值D_2,1(j,i)：

D_2,1(j,i)＝D_2,1(j,i)+αx_l(i)e_l(j) (5)

其中，α为学习率，0＜α＜1；

⑥修正输出层的阈值B₂(j)：

B₂(j)＝B₂(j)+αe_l(j) (6)

⑦循环调整输入层到隐含层的权值矩阵D_1,1中每个单权值D_1,1(i,k)：

D_1,1(i,k)＝D_1,1(i,k)+βu_l(j)e_xl(i) (7)

其中，β为学习率，0＜β＜1；

⑧修正隐含层的阈值B₁(i)：

B₁(i)＝B₁(i)+βe_xi(i) (8)

⑨重复循环计算①～⑧步，直至对于所有的输入输出样本数据j＝1,2,…,n_y，l＝1,2…,N的训练误差小于设定值时停止训练，其中N的范围为从水泥磨研磨系统数据库采集到的训练样本总个数。