CN113806996B - 一种基于时间记忆建模的篦冷机优化方法 - Google Patents
一种基于时间记忆建模的篦冷机优化方法 Download PDFInfo
- Publication number
- CN113806996B CN113806996B CN202010540315.0A CN202010540315A CN113806996B CN 113806996 B CN113806996 B CN 113806996B CN 202010540315 A CN202010540315 A CN 202010540315A CN 113806996 B CN113806996 B CN 113806996B
- Authority
- CN
- China
- Prior art keywords
- input
- grate
- optimization
- grate cooler
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明属于工业级数据分析及优化领域,设计一种基于时间记忆建模的篦冷机优化方法。该方法基于原始数据进行预处理,为了建立高精度模型,采用注意力机制前馈神经网络对输入序列进行权重分配,然后利用长短期时间记忆神经网络对篦冷机参数建立高精度的网络模型;进而运用多目标优化算法对目标函数进行寻优,最后根据寻优结果优化后的输入变量值对可控变量进行调节。本发明所设计的基于时间记忆建模的篦冷机优化方法,克服了篦冷机参数的延时性,建立了更精准的网络模型,同时采用了多目标遗传优化算法,使得水泥冷却系统的能耗降低,产品质量更稳定。
Description
技术领域
本发明涉及一种基于时间记忆建模的篦冷机优化方法,更具体的说,本发明涉及一种能够克服篦冷机参数延时性可实现篦冷机熟料生产质量稳定、降低能耗的方法。
背景技术
在水泥生产过程中,关于篦冷机的相关参数的调整直接决定了水泥的生产质量,提高水泥的生产质量及降低能耗具有重要意义。由于水泥熟料从进入篦冷机进行冷却到冷却完成,需要一定的时间,因此,导致同一时刻采集到的篦冷机的相关参数与出口熟料的对应关系具有时差,因此利用传统方法对篦冷机参数进行建模时,导致建立的模型精度低,无法达到降低能耗,稳定生产的目标。为了解决水泥篦冷机延时性的难题,本发明基于长短期时间记忆算法(Long and short term memory,LSTM)、注意力机制(Attention Mechanism,AM)、多目标优化遗传算法(Non-dominated Sorting Genetic Algorithm-II,NSGA-II),设计了一种基于时间记忆建模的篦冷机优化方法,将该算法命名为AMLSTM-NSGA-II算法。
发明内容
本发明设计了一种基于时间记忆建模的篦冷机优化方法,该方法能够应用于水泥生产中冷却环节参数的优化中,解决了传统优化算法无法解决参数延时性的缺陷。
本发明所设计的一种基于时间记忆建模的篦冷机优化方法,其实现过程是:
步骤1:根据目标要求进行篦冷机参数选取和数据预处理,选择喂料量Pv、篦速Sp、风机开度Val、风机频率Hz、风机出口压力Up、二次风温Sat作为输入变量,篦下压力Pa、能耗En作为输出变量;
步骤2:训练以及测试,将步骤1中所述的数据分成训练集数据和测试集数据两个部分;
步骤3:对步骤2中所述的训练集的输入系列(x1,x2,…,xt)进行编码,将输入序列编码成固定长度的输入向量(h1,h2,…,ht),引入注意力权重aij,输入序列中的参数对输出结果影响力越大,对应的注意力权重也会越高;计算输出向量ci,如公式(1)所示;式中,Lx表示输入序列的长度,hj表示输入序列中第j个参数的语义编码;建立注意力机制前馈神经网络;
步骤4:创建LSTM网络模型,训练集中的输入变量经过注意力机制前馈神经网络,获得不同权重的输入变量,将权重不同的输入变量输入到LSTM模型中进行训练,其中LSTM模型的激活函数选择如公式(2)所示,式中,x表示输入变量的参数值,a表示输出结果,得到融入注意力机制的LSTM网络模型,AMLSTM预测模型搭建完成;
步骤5:将对训练结果进行误差评价,将测试集数据输入步骤4所述的预测模型中,选用均方根误差函数RMSE对训练结果进行评价,计算公式如公式(3);式中,M表示测试样本的总数,ym表示真实值,y*表示预测值;若训练误差符合规定的范围,则网络模型构建完成;若不符合训练误差则返回到步骤4,调节网络相关参数和层数,对网络进行重新训练,直至测试结果在规定的误差范围之内;
步骤6:通过建立的AMLSTM预测模型对步骤1中所述的输出变量进行预测,预测的参数包括篦下压力Pa、能耗En,并将符合误差标准的网络模型进行保存;
步骤7:基于搭建完成的网络模型,利用NSGA-II优化算法对篦冷机参数进行多目标优化;目标函数是篦下压力Pa和能耗En最小,利用惩罚函数对步骤1中所述的输入变量进行约束,约束条件是喂料量、喂料量Pv、篦速Sp、风机开度Val、风机频率Hz的正常运行范围;
步骤8:通过步骤7所述的多目标优化可以根据Pareto解得到最优解的输入变量的参数值,判断优化后的输入变量是否达到降低能耗、稳定篦下压力的目标;若优化后的参数值符合设定的目标,则将最优解的输入变量的参数反馈给操作工;若不符合设定的目标,返回步骤7重新进行目标寻优,AMLSTM-NSGA-II算法搭建完成。
附图说明
图1:算法流程图;
图2:Pareto解在目标空间的分布图;
图3:优化前后的能耗对比图;
具体实施方式
经过AMLSTM-NSGA-II算法的优化,解决了篦冷机参数的延时性,获得了精度更高的预测模型,使得水泥生产能耗更低,熟料出口温度更稳定即为本发明所解决的问题。
本发明设计了一种基于时间记忆建模的篦冷机优化方法,该方法能够应用于水泥生产中冷却环节参数的优化中,解决了传统优化算法无法解决参数延时性的缺陷。
本发明所设计的基于时间记忆建模的篦冷机优化方法,其实现过程是:
步骤1:根据目标要求进行篦冷机参数选取和数据预处理,选择喂料量Pv、篦速Sp、风机开度Val、风机频率Hz、风机出口压力Up、二次风温Sat作为输入变量,篦下压力Pa、能耗En作为输出变量;
步骤2:训练以及测试,将步骤1中所述的数据分成训练集数据和测试集数据两个部分;
步骤3:对步骤2中所述的训练集的输入系列(x1,x2,…,xt)进行编码,将输入序列编码成固定长度的输入向量(h1,h2,…,ht),引入注意力权重aij,输入序列中的参数对输出结果影响力越大,对应的注意力权重也会越高;计算输出向量ci,如公式(1)所示;式中,Lx表示输入序列的长度,hj表示输入序列中第j个参数的语义编码;建立注意力机制前馈神经网络;
步骤4:创建LSTM网络模型,训练集中的输入变量经过注意力机制前馈神经网络,获得不同权重的输入变量,将权重不同的输入变量输入到LSTM模型中进行训练,其中LSTM模型的激活函数选择如公式(2)所示,式中,x表示输入变量的参数值,a表示输出结果,得到融入注意力机制的LSTM网络模型,AMLSTM预测模型搭建完成;
步骤5:将对训练结果进行误差评价,将测试集数据输入步骤4所述的预测模型中,选用均方根误差函数RMSE对训练结果进行评价,计算公式如公式(3);式中,M表示测试样本的总数,ym表示真实值,y*表示预测值;若训练误差符合规定的范围,则网络模型构建完成;若不符合训练误差则返回到步骤4,调节网络相关参数和层数,对网络进行重新训练,直至测试结果在规定的误差范围之内;
步骤6:通过建立的AMLSTM预测模型对步骤1中所述的输出变量进行预测,预测的参数包括篦下压力Pa、能耗En,并将符合误差标准的网络模型进行保存;
步骤7:基于搭建完成的网络模型,利用NSGA-II优化算法对篦冷机参数进行多目标优化;目标函数是篦下压力Pa和能耗En最小,利用惩罚函数对步骤1中所述的输入变量进行约束,约束条件是喂料量、喂料量Pv、篦速Sp、风机开度Val、风机频率Hz的正常运行范围;
步骤8:通过步骤7所述的多目标优化可以根据Pareto解得到最优解的输入变量的参数值,判断优化后的输入变量是否达到降低能耗、稳定篦下压力的目标;若优化后的参数值符合设定的目标,则将最优解的输入变量的参数反馈给操作工;若不符合设定的目标,返回步骤7重新进行目标寻优,AMLSTM-NSGA-II算法搭建完成。
本发明与现有的篦冷机参数优化方法最大的区别是:传统的建模方法都无法克服篦冷机参数的延时性,导致建模精度低;本发明提出改进的AMLSTM建模方法从根本上解决了由于数据的延时性带来的误差。
综上所述,本发明所述的基于时间记忆建模的篦冷机优化方法的优点是:
(1)解决了传统网络建模无法解决的篦冷机参数延时性,使得网络模型具有更高的精度;
(2)采用多目标优化算法,优化结果不仅降低了能耗,还使得出口熟料的质量更好;
以上示意性的对本发明及其实施方式进行了描述,该描述没有局限性,附图中所示的也只是本发明的实施方式之一。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,采用其它形式的同类部件或其它形式的各部件布局方式,不经创造性的设计出与该技术方案相似的技术方案与实施例,均应属于本发明的保护范围。
Claims (1)
1.一种基于时间记忆建模的篦冷机优化方法,其特征是,包含步骤如下:
步骤1:根据目标要求进行篦冷机参数选取和数据预处理,选择喂料量Pv、篦速Sp、风机开度Val、风机频率Hz、风机出口压力Up、二次风温Sat作为输入变量,篦下压力Pa、能耗En作为输出变量;
步骤2:训练以及测试,将步骤1中所述的数据分成训练集数据和测试集数据两个部分;
步骤3:对步骤2中所述的训练集的输入序列(x1,x2,…,xt)进行编码,将输入序列编码成固定长度的输入向量(h1,h2,…,ht),引入注意力权重aij,输入序列中的参数对输出结果影响力越大,对应的注意力权重也会越高;计算输出向量ci,如公式(1)所示;式中,Lx表示输入序列的长度,hj表示输入向量中第j个参数的语义编码;建立注意力机制前馈神经网络;
步骤4:创建LSTM网络模型,训练集中的输入变量经过注意力机制前馈神经网络,获得不同权重的输入变量,将权重不同的输入变量输入到LSTM模型中进行训练,其中LSTM模型的激活函数选择如公式(2)所示,式中,x表示输入变量的参数值,a表示输出结果,得到融入注意力机制的LSTM网络模型,AMLSTM预测模型搭建完成;
步骤5:将对训练结果进行误差评价,将测试集数据输入步骤4所述的预测模型中,选用均方根误差函数RMSE对训练结果进行评价,计算公式如公式(3);式中,M表示测试样本的总数,ym表示真实值,y*表示预测值;若训练误差符合规定的范围,则网络模型构建完成;若不符合训练误差则返回到步骤4,调节网络相关参数和层数,对网络进行重新训练,直至测试结果在规定的误差范围之内;
步骤6:通过建立的AMLSTM预测模型对步骤1中所述的输出变量进行预测,预测的参数包括篦下压力Pa、能耗En,并将符合误差标准的网络模型进行保存;
步骤7:基于搭建完成的网络模型,利用NSGA-II优化算法对篦冷机参数进行多目标优化;目标函数是篦下压力Pa和能耗En最小,利用惩罚函数对步骤1中所述的输入变量进行约束,约束条件是喂料量Pv、篦速Sp、风机开度Val、风机频率Hz的正常运行范围;
步骤8:通过步骤7所述的多目标优化可以根据Pareto解得到最优解的输入变量的参数值,判断优化后的输入变量是否达到降低能耗、稳定篦下压力的目标;若优化后的参数值符合设定的目标,则将最优解的输入变量的参数反馈给操作工;若不符合设定的目标,返回步骤7重新进行目标寻优,AMLSTM-NSGA-II算法搭建完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540315.0A CN113806996B (zh) | 2020-06-15 | 2020-06-15 | 一种基于时间记忆建模的篦冷机优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540315.0A CN113806996B (zh) | 2020-06-15 | 2020-06-15 | 一种基于时间记忆建模的篦冷机优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113806996A CN113806996A (zh) | 2021-12-17 |
CN113806996B true CN113806996B (zh) | 2023-10-17 |
Family
ID=78892309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010540315.0A Active CN113806996B (zh) | 2020-06-15 | 2020-06-15 | 一种基于时间记忆建模的篦冷机优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806996B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583565A (zh) * | 2018-11-07 | 2019-04-05 | 河海大学 | 基于注意力模型长短时记忆网络的洪水预测方法 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11107463B2 (en) * | 2018-08-01 | 2021-08-31 | Google Llc | Minimum word error rate training for attention-based sequence-to-sequence models |
-
2020
- 2020-06-15 CN CN202010540315.0A patent/CN113806996B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583565A (zh) * | 2018-11-07 | 2019-04-05 | 河海大学 | 基于注意力模型长短时记忆网络的洪水预测方法 |
CN109959123A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于遗传算法和长短期记忆循环神经网络的空调节能方法 |
Non-Patent Citations (1)
Title |
---|
融合注意力LSTM的协同过滤推荐算法;罗洋;夏鸿斌;刘渊;;中文信息学报(第12期);论文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113806996A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
CN103268069B (zh) | 基于Hammerstein模型的自适应预测控制方法 | |
CN111353656A (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN113325721B (zh) | 一种工业系统无模型自适应控制方法及系统 | |
CN108845501A (zh) | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 | |
CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
CN101968832B (zh) | 基于构造-剪枝混合优化rbf网络的煤灰熔点预测方法 | |
CN111461466A (zh) | 基于lstm时间序列的供暖户阀调节方法、系统及设备 | |
CN103778466B (zh) | 一种基于矢量误差的转炉炼钢温度建模预测方法及系统 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN105676645A (zh) | 一种基于函数型权rbf-arx模型的双回路水箱液位预测控制方法 | |
CN114936742A (zh) | 一种供水系统调度代理决策方法 | |
CN113806996B (zh) | 一种基于时间记忆建模的篦冷机优化方法 | |
CN105066121A (zh) | 一种循环流化床锅炉动态床温预测系统及方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
Wei et al. | A combination forecasting method of grey neural network based on genetic algorithm | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
CN113488111B (zh) | 一种scr脱硝系统喷氨量优化建模方法 | |
CN114139442A (zh) | 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
CN114037148B (zh) | 基于遗传神经网络和自适应权重的日最大电力负荷预测法 | |
Fang et al. | Use of adaptive weighted echo state network ensemble for construction of prediction intervals and prediction reliability of silicon content in ironmaking process | |
CN116300430B (zh) | Mpc控制参数寻优方法及其在并联平台的应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |