CN114169640A - 一种烧结流程冷却圆筒返粉料水分预测方法及预测系统 - Google Patents

Abstract

本发明提供了一种烧结流程冷却圆筒返粉料水分预测方法及预测系统，该预测方法包括获取冷却圆筒出料口返粉料的水分值及影响水分值的变量的数据信息；对所述数据信息进行重采样；对重采样后的数据信息进行相关性分析，得到划分为输入层数据信息和输出层数据信息的数据集合；将所述数据集合按比例划分为训练集和测试集；将训练集输入至改进的RBF神经网络模型中进行训练，并通过灰狼优化算法对改进的RBF神经网络模型进行寻优操作，构建最优水分预测模型；将测试集数据输入至最优水分预测模型中，输出出料口物料的水分值。本发明可解决水分值测量的滞后导致无法及时补偿和修正加冷却水量的问题，为加水的实时控制提供及时的反馈信息。

Description

一种烧结流程冷却圆筒返粉料水分预测方法及预测系统

技术领域

本发明涉及矿石烧结料水分的自动监测和智能控制技术领域，特别地，涉及一种烧结流程冷却圆筒返粉料水分预测方法及预测系统。

背景技术

随着我国冶金工业快速发展，生产质量和效率不断提高，对工业过程的自动化以及环保问题也更加重视，工厂对环保问题的支出也随之提高。我国冶金工业规模庞大，但是许多冶炼厂流程设备、工艺等沿袭上世纪，工艺流程自动化方面还不够完善，生产流程中仍然存在一些环境污染等问题未解决。

冶炼厂的铅锌矿烧结流程的返粉料冷却过程，是烧结工序其中一道流程，目的是将未达到烧结工艺要求的烧结配料重新回收利用。返粉料，即待重新回收利用的烧结料。返粉料重新回收利用需要经过缓冲仓缓冲、破碎机破碎、冷却圆筒加水冷却、皮带传输等过程将物料输送回返粉仓，以进行重新配料。

在物料冷却流程中，物料从入料口进入冷却圆筒，在入料口处添加矿浆和清水用于冷却，在冷却圆筒中进行滚动冷却后经出料口至运输皮带运输至下一道工序。冷却圆筒类似于一个“黑匣子”，物料从入口到出口约为3分钟——冷却圆筒是典型的非线性、慢时变、大滞后、强耦合的被控对象。影响冷却圆筒出料端的返粉料水分值的因素众多，如前期烧结阶段的烧结配料比、加水量、烧结温度等，后期返粉料冷却过程加入矿浆的流量、冷却圆筒进料端的下料频率，物料的性质，天气因素等等。

如何控制圆筒出料端物料的水分稳定在期望范围内是冶炼厂烧结过程多年以来的难题。冶炼厂现有的方法是通过工作人员以其人工经验预估判断冷却物料的水分含量进行加水控制，由于人工经验的不确定性和不及时性，导致物料在出料皮带上物料含水量过低或者过高，进而出现物料在皮带运输过程中出现“扬尘”或者皮带滑料现象。这不仅会影响到矿物烧结的质量以及效率，还会对环境造成严重污染，增加现场工作人员作业强度。

现阶段没有针对烧结返粉料冷却流程物料水分的神经网络预测模型及返粉料冷却流程影响物料水分的变量的检测系统。

因此，业内急需一种烧结流程冷却圆筒返粉料水分预测方法及预测系统的新型技术。

发明内容

本发明提供了一种烧结流程冷却圆筒返粉料水分预测方法，依靠所设计的测量系统现场采集得到的数据，基于改进的灰狼优化算法(IGWO)设计建立结构改进RBF神经网络(IRBFNN)的烧结流程冷却圆筒返粉料水分预测模型，得到可靠的物料水分预测值，解决铅锌烧结流程返粉料冷却过程中，现有工作人员对冷却物料的水分含量预估不准确、不及时、不稳定所导致的冶炼厂物料出现“扬尘”或者运输皮带滑料的问题，并且可以为物料水分实时自动控制系统的设计提供及时的反馈信息，解决由于水分值测量的滞后导致无法及时补偿和修正加水控制量的问题，为设计返粉料冷却自动加水系统提供支持。

为实现上述目的，本发明提供了一种烧结流程冷却圆筒返粉料水分预测方法，所述方法包括：

获取冷却圆筒出料端返粉料的水分值以及影响所述水分值的变量的数据信息；

采用KNN-NearMiss算法对所述数据信息进行重采样去除噪声样本和重叠冗余样本，得到重采样后的数据信息；

采用Spearman秩相关法对重采样后的数据信息进行相关性分析，得到划分为输入层数据信息和输出层数据信息的数据集合；

将所述数据集合按比例划分为训练集和测试集；

将训练集输入至改进的RBF神经网络模型中进行训练，并通过改进的灰狼优化算法对改进的RBF神经网络模型进行寻优操作，构建最优水分预测模型；

将测试集数据输入至所述最优水分预测模型中，输出冷却圆筒出料端物料的水分含量值。

进一步的，所述数据信息包括冷却圆筒入料口的温度、冷却圆筒出料口的温度、下料频率、冷却圆筒进料端加清水的流量、加矿浆的流量以及冷却圆筒出料口物料的水分值。

进一步的，采用Spearman秩相关法对重采样后的数据信息进行相关性分析，得到划分为输入层数据信息和输出层数据信息的数据集合；其中，

所述输入层数据信息包括冷却圆筒入料口加矿浆的流量、冷却圆筒入料口的温度、冷却圆筒出料口的温度和下料频率，所述输出层数据信息包括出料口物料水分值。

进一步的，改进的RBF神经网络模型包括依此连接的输入层、隐含层和输出层；

所述隐含层为双隐层的结构，隐层1为基函数层，隐层2为全连接层；

所述输入层的神经元个数为4个，所述输出层的神经元个数为1个。

进一步的，将训练集输入至改进的RBF神经网络模型中进行训练，包括：

将冷却圆筒入料口加矿浆的流量、入料口的温度、出料口的温度和下料频率作为神经网络的输入，出料口物料水分测量值作为输出；训练方法如下：

首先，前向传播：

输入层至基函数层的计算如式(1):

其中，z^j和σ^j是基函数层第j个神经元的输出和宽度参数；Xⁱ＝{xⁱ¹,xⁱ²,...,xⁱⁿ}是第i个训练样本；C^j＝{c^j1,c^j2,...,c^jn}是第j个神经元对应的中心向量，由其所连接的输入层所有神经元的中心分量构成；

基函数层至全连接层以及全连接层至输出层的计算如式(2):

为的输出向量，W为层与层之间的权值矩阵，

为输入向量，

为偏置向量。

然后，反向传播，利用梯度下降法迭代训练网络参数：

网络参数{C¹,C²,...,C^j}、{σ¹,σ²,...,σ^j}、{w¹,w²,...,w^j}训练表达式如式(3)～(5)：

进一步的，通过改进的灰狼优化算法对改进的RBF神经网络模型进行寻优操作，构建最优水分预测模型，包括：

设置适应度函数fitness(X)、灰狼数量n、最大迭代次数max_iter，将改进的RBF神经网络模型中隐含层神经元个数作为优化目标；

初始化狼群位置，收敛因子a及系数向量A，C；

以灰狼位置参数作为改进的RBF神经网络模型中隐含层的神经元个数，根据改进的RBF神经网络模型，获得所有初始灰狼个体的适应度，保存适应度最小的前3匹狼α，β，δ；

为每只狼的每一个维度构建一个邻域，狼个体同一维度之间共享邻域信息，更新当前灰狼个体的位置；

利用α，β，δ3匹狼更新所有灰狼个体的适应度，然后更新收敛因子a及系数向量A，C、更新α，β，δ狼的位置及适应度使得其始终为适应度最小的3匹狼；

重复更新所有灰狼个体的位置及适应度直至达到最大迭代次数，即得最优水分预测模型。

进一步的，为每只狼的每一个维度构建一个邻域，狼个体同一维度之间共享邻域信息，更新当前灰狼个体的位置，包括：

先由式(6)～(8)计算得到传统灰狼算法的更新位置X_i,gwo(t+1)：

D_k(t)(k＝α,β,δ)的计算方式为式(7):

D_k＝dist(C*X_k(t),X_i(t)) (7)

X_α,X_β,X_δ分别表示α，β，δ狼的位置；

然后计算X_i(t)以R_i(t)为半径的所有邻域狼集合N_i(t)，R_i(t)、N_i(t)的计算公式如(9)～(10):

R_i(t)＝dist(X_i(t),X_i,gwo(t+1)) (9)

N_i(t)＝{X_j(t)|dist(X_i(t),X_j(t))≤R_i(t),X_j(t)∈pop} (10)

对于灰狼个体X_i，通过学习其邻域信息获得候选更新位置X_i,candi，如式(11):

其中d＝1,2,...,dim表示灰狼位置的第d维度，X_n是从邻域狼集合N_i(t)中选取的任意一匹狼位置，X_r是从总灰狼群体选取的任意一匹狼位置；

最后由传统灰狼算法的更新位置X_i,gwo(t+1)以及通过学习其邻域信息获得的候选更新位置X_i,candi确定最终的更新位置X_i(t+1)，如式(12):

进一步的，初始化收敛因子a及系数向量A，C，其计算公式如式(13)～(15)：

a＝2*(1-Iter/max_iter) (13)

A＝2*a*r₁-a (14)

C＝2*r₂ (15)

其中，Iter表示当前迭代次数，r₁，r₂为[0,1]之间的随机数。

本发明还提供了一种烧结流程冷却圆筒返粉料水分预测系统，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有烧结流程冷却圆筒返粉料水分预测程序，所述烧结流程冷却圆筒返粉料水分预测程序被所述处理器执行时实现如上述的烧结流程冷却圆筒返粉料水分预测方法的步骤。

进一步的，所述的烧结流程冷却圆筒返粉料水分预测系统还包括：冷却圆筒、清水储存装置、矿浆储存装置、振动给料机、物料运输皮带以及用于测量冷却圆筒入料口温度的红外测温枪和测量冷却圆筒出料口温度的热电偶；

所述清水储存装置、矿浆储存装置和振动给料机与所述冷却圆筒的入料口相连；

所述物料传送带与所述冷却圆筒的出料口相连；

所述清水储存装置与所述冷却圆筒之间的管道上依次设有电动阀和电磁流量计；

所述矿浆储存装置与所述冷却圆筒之间的管道上均依次设有电动阀和质量流量计；

所述物料运输皮带上还设有水分仪。

本发明具有以下有益效果：

1、对于返粉料冷却过程来说，系统工况复杂多变，冷却圆筒具有非线性、时变、滞后等特点，传统的RBF神经网络结构为单隐层结构，对于本系统的学习能力和泛化能力较低，难以有较高的预测精度。本发明采用双层隐含层的RBF神经网络结构，可以克服离散传输函数的束缚，使模型的表达能力更强，具有更好的学习能力和泛化能力，预测精度更高，模型的鲁棒性好。

2、本发明提出基于改进的灰狼优化算法(IGWO)在线优化设计网络结构，即在线优化确定RBF神经网络隐层节点数，实现神经网络的结构和参数自校正，提高模型的相应特征及精度，克服手动调整误差大、效率低等缺点。经过改进的灰狼算法增加了邻域狼群共享信息这一过程，这种改进能有效克服群体多样性不足、开发和勘探之间的不平衡以及过早收敛等问题。

3、通过本发明提前预测物料在出料端的水分值可以解决水分值测量的滞后导致无法及时补偿和修正加冷却水量的问题，为加水的实时控制提供及时的反馈信息。本发明对于冶炼厂保护环境、降低工作人员劳动力强度、降低冶炼厂的生产成本、提高烧结的质量和效益，有着显著的意义。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明一种烧结流程冷却圆筒返粉料水分预测方法的流程图；

图2是本发明IRBFNN模型结构示意图；

图3是本发明基于IGWO优化IRBFNN的流程图；

图4a是IGWO-IRBFNN预测模型的误差曲线；

图4b是IGWO-IRBFNN预测模型的误差频率分布直方图；

图4c是IGWO-IRBFNN预测模型的物料水分含量曲线图；

图5a是IGWO-RBFNN预测模型的误差曲线图；

图5b是IGWO-RBFNN预测模型的误差频率分布直方图；

图5c是IGWO-RBFNN预测模型的物料水分含量曲线图；

图6a是GWO-IRBFNN预测模型的误差曲线图；

图6b是GWO-IRBFNN预测模型的误差频率分布直方图；

图6c是GWO-IRBFNN预测模型的物料水分含量曲线图；

图7a是GWO-RBFNN预测模型的误差曲线图；

图7b是GWO-RBFNN预测模型的误差频率分布直方图；

图7c是GWO-RBFNN预测模型的物料水分含量曲线图；

图8a是PSO-IRBFNN预测模型的误差曲线图；

图8b是PSO-IRBFNN预测模型的误差频率分布直方图；

图8c是PSO-IRBFNN预测模型的物料水分含量曲线图；

图9a是PSO-RBFNN预测模型的误差曲线图；

图9b是PSO-RBFNN预测模型的误差频率分布直方图；

图9c是PSO-RBFNN预测模型的物料水分含量曲线图；

图10是本发明一种烧结流程冷却圆筒返粉料水分预测系统图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。

RBF神经网络具有学习能力强、收敛速度快和全局逼近等特点，能够逼近任意的非线性函数。然而对于返粉料冷却过程来说，系统工况复杂多变，冷却圆筒具有非线性、时变、滞后等特点，传统的RBF神经网络结构为单隐层结构，对于本系统的学习能力和泛化能力较低，难以有较高的预测精度，因此，引入多个隐含层可以克服离散传输函数的束缚。但隐层数并不是越多越好，过多的隐含层会导致优化网络陷入局部最优解，泛化能力下降。选取适当的隐含层层数可以提高模型的学习能力和泛化能力，增强模型的鲁棒性。本发明采用双层隐含层的RBF神经网络结构作为返粉料冷却后的水分预测模型。

RBF神经网络应用的关键问题是网络结构设计和网络参数的学习。对于如何确定RBF网络中隐层神经元的数目，至今还没有确定的方法可循。现有的技术方法主要是针对网络参数学习的优化，包括RBF神经网络中心、宽度及权值。本发明提出基于改进的灰狼优化算法(IGWO)在线优化设计网络结构，即在线优化确定RBF神经网络隐层的节点数，实现神经网络的结构和参数自校正，提高模型的相应特征及精度，克服手动调整误差大、效率低等缺点。经过改进的灰狼算法增加了邻域狼群共享信息这一过程，这种改进能有效克服群体多样性不足、开发和探索之间的不平衡以及过早收敛等问题。

本发明依靠所设计的测量系统现场采集得到的数据，基于改进的灰狼优化算法(IGWO)设计建立结构改进RBF神经网络(IRBFNN)的铅锌烧结流程冷却圆筒返粉料水分预测模型，得到可靠的物料水分预测值，解决铅锌烧结流程返粉料冷却过程中，现有工作人员对冷却物料的水分含量预估不准确、不及时、不稳定所导致的冶炼厂物料出现“扬尘”或者运输皮带滑料的问题，并且可以为物料水分实时自动控制系统的设计提供及时的反馈信息，解决由于水分值测量的滞后导致无法及时补偿和修正加水控制量的问题，为设计返粉料冷却自动加水系统提供支持。

如图1所示，本发明提供了一种烧结流程冷却圆筒返粉料水分预测方法，包括：

步骤101、获取冷却圆筒出料端返粉料的水分值以及影响所述水分值的变量的数据信息。其中，所述数据信息包括冷却圆筒入料口的温度、冷却圆筒出料口的温度、下料频率、冷却圆筒进料端加清水的流量、加矿浆的流量以及冷却圆筒出料口物料的水分值。

具体的，影响冷却圆筒出料端的返粉料水分值的因素众多，如前期烧结阶段的烧结配料比、加水量、烧结温度等，后期返粉料冷却过程加入矿浆的流量、冷却圆筒入料口的下料频率、物料的性质、天气因素等等。由于烧结阶段的影响因素作用时间间隔长，测量空间跨度大，对返粉料水分值具有不确定性影响，测量这些变量的用于预测返粉料水分值将存在较大误差。基于专家经验确定影响冷却圆筒出料端物料水分值的主要物理量有：冷却圆筒进料端加清水的流量Q_f及加矿浆的流量Q_o、物料在冷却圆筒入料口的温度T_in、物料在出料口的温度T_out、进料端的进料量(下料频率f决定)，分别对这些物理量进行测量，天气影响因素可忽略不计。在出料口处测量冷却后的返粉料的水分含量值W_c。冷却圆筒进料端的加矿浆流量由质量流量计在矿浆入口管道处测量；加清水的流量由电磁流量计在清水入口管道处测量；由于冷却圆筒入料口内部物料温度难以直接测量，故采用非接触式方案测量物料在冷却圆筒入料口的温度：采用红外测温枪非接触测量下料楔斗外壁的温度予以代替；物料在出料口的温度利用热电偶贴于冷却圆筒出料料斗的外壁测得；由于进料端的进料量由下料频率决定，下料频率可从变频电机直接引入。另外，在返粉料出料的运输皮带上面设有红外水分仪测量返粉料的水分含量。

将测量的模拟量信号接入Siemens S7-200smart PLC模拟量输入通道，PLC对信号每3分钟进行一次采样，进行A/D转换后通过以太网通信保存至工控机Siemens组态软件WINCC数据库，从数据库中导出上述物理量数据。

上述步骤中PLC由模拟量到物理量的转换计算公式为(16):

其中，X为电流模拟量信号，Y为转换的物理量，Y_max是转待换物理量的最大值，Y_min是待转换物理量的最小值。

步骤102、采用KNN-NearMiss算法对所述数据信息进行重采样去除噪声样本和重叠冗余样本，得到重采样后的数据信息。

在一个具体实施例中，选取现场10个工作日的共1800组数据用于建立返粉料冷却后的水分预测模型，根据入料口的温度T_in将现场工况划分为不同等级{r₁,r₂,...,r_m}，由于不同工况下观测的样本数不均衡，存在样本数据冗余的问题，采用KNN-NearMiss算法进行样本采样使不同工况下的观测样本数量平衡。因测量原因导致存在许多异常值，这些异常值多为离群点，且样本占很少数一部分比例，通过KNN-NearMiss重采样可以去除。

具体的，其步骤分为：

①在不同的工况等级{r₁,r₂,...,r_m}下的样本数量不同。按照工况等级将样本分类，设在工况等级r_i的样本数最少，则在工况等级为r_i下的样本为“少数”类样本，其他工况下的样本为“多数”类样本。在本发明具体实施方案中，工况一下的样本为“少数”类样本，工况二至工况四为“多数”类样本。

②对于“多数”类样本中的样本

计算它与”多数”类样本中k个最近邻的样本的平均距离

保留使得

最大的样本；

③对于“少数”类样本中的每个样本，保留其m个最近邻样本。

对于形如X＝{x₁,x₂,...,x_n}的样本之间距离的计算公式如式(17)：

其中X₁，X₂为两个不同的样本。样本与其k个最近邻样本平均距离计算公式为式(18)：

其中

为平均距离，ndist_i为样本与第i个最近邻样本的距离。经KNN-NearMiss重采样后，各工况的样本数如表1所示。

表1原始样本及采样样本数

经重采样后，共得到808个数据样本。

步骤103、采用Spearman秩相关法对重采样后的数据信息进行相关性分析，得到划分为输入层数据信息和输出层数据信息的数据集合。其中，所冷却圆筒入料口加矿浆的流量、冷却圆筒入料口的温度、冷却圆筒出料口的温度和下料频率，所述输出层数据信息包括出料口物料水分值。

具体方法为：

①将重采样后的n个样本的各个变量的观察值按照由大到小的顺序排列以求解变量的秩次，即将n个样本的冷却圆筒进料端加矿浆的流量、物料在冷却圆筒入料口的温度、物料在出料口的温度和下料频率、冷却圆筒出料端返粉料的水分值分别由大到小顺序排列，求出样本中的各个变量的等级(即秩次)；

②计算各变量与返粉料水分值之间的秩次差；定义两组变量X，Y的秩次分别{x_r1,x_r2,...,x_rn}、{y_r1,y_r2,...,y_rn}，秩次差为{d₁,d₂,...,d_n}。

其中：

d_i＝x_i-y_i (19)

③根据式(20)计算上述两两变量之间的Spearman秩相关系数:

其中ρ为Spearman秩相关系数；d_i对应变量的秩之差，n为观测样本的数量。

④对Spearman秩相关系数进行双尾假设检验，设定显著性水平为0.05。由于样本数n>30，故统计量z^*服从正态分布:

由式(22)计算Spearman秩相关系数对应的检验p值：

p＝(1-(P[x≤z^*]))*2 (22)

其中P[x≤z^*]为统计量z^*的分布累积概率

将p值大小与显著性水平0.05做比较，若p≤0.05，即认为两变量之间具有相关性，否则认为两变量之间没有相关性，由此划分为输入层数据信息和输出层数据信息的数据集合。各变量与出料口物料水分值的Spearman秩相关分析结果如表2所示。

表2各变量与出料口物料水分值的Spearman秩相关分析结果

进行相关性分分析，计算冷却圆筒入料口加矿浆的流量Q_o、物料在冷却圆筒入料口的温度T_in、物料在出料口的温度T_out、下料频率f与出料口物料水分值W_c的Spearman秩相关系数，由表2可知Q_o、Q_f、T_in、T_out、f与W_c具有相关性。由于冷却圆筒进料端加清水的流量Q_f为被控变量，不作为预测模型的输入，因此确定预测模型的输入为Q_o、T_in、T_out、f，输出为W_c，即神经网络的输入神经元个数为4，输出层为1。

步骤104、将所述数据集合按照10：1划分为训练集和测试集。将训练集输入至改进的RBF神经网络模型中进行训练，并通过灰狼优化算法对改进的RBF神经网络模型进行寻优操作，构建最优水分预测模型。

具体的，改进的RBF神经网络模型包括依此连接的输入层、隐含层和输出层；

所述隐含层为双隐层的结构，隐层1为基函数层，隐层2为全连接层；

所述输入层的神经元个数为4个，所述输出层的神经元个数为1个。其模型的结构示意图如图2所示。

神经网络的输入层由信号源节点组成，其神经元个数为样本的维度，即步骤3分析确定的输入变量的个数；采用双隐含层的结构，隐层1为基函数层，隐层2为全连接层；网络的输出为冷却圆筒出料端的水分值，即输出层神经元个数为1。

改进的RBF神经网络模型的训练步骤为：

①前向传播

从输入层到基函数层的转换如式(1)：

其中z^j和σ^j是基函数层第j个神经元的输出和宽度参数；Xⁱ＝{xⁱ¹,xⁱ²,...,xⁱⁿ}是第i个训练样本；C^j＝{c^j1,c^j2,...,c^jn}是第j个神经元对应的中心向量，由其所连接的输入层所有神经元的中心分量构成。基函数层中心由Bisecting-Kmeans算法计算得到，可以克服Kmeans算法聚类结果受到初始聚类中心点的影响。Bisecting-Kmeans是一种从上到下的聚类方法，首先将所有点作为一个簇，然后一分为二。之后选择能最大限度降低算法损失函数Loss_Bi的簇划分为两个簇。以此进行下去，直到簇数目给定的数值k。其损失函数的定义为式(23)：

pⁱ为第i个划分到以样本Cⁱ为中心的簇的样本，dist为样本之间的距离计算函数，其计算公式为式(17)。宽度参数σ的计算方法为式(24)：

d_max是所选数据中心之间的最大距离，k是数据中心的个数。

基函数层至隐层2以及隐层2至输出层的计算如式(2)：

为输出向量，W为权值矩阵，

为输入向量，

为偏置向量。

②反向传播，利用梯度下降法迭代训练网络参数。

定义网络的目标函数为式(25)：

对于样本Xⁱ，RBF神经网络的输出为y_i，3分钟之后的冷却圆筒出料端的物料水分观测值为

e_i为样本Xⁱ的神经网络的输出值与观测值之间的误差。

利用梯度下降法迭代训练网络参数{C¹,C²,...,C^j}、{σ¹,σ²,...,σ^j}、{w¹,w²,...,w^j},如式(3)～(5):

其中t表示当前迭代次数，α为学习因子。

如图3所示，通过灰狼优化算法对改进的RBF神经网络模型进行寻优操作，构建最优水分预测模型，包括：

1)初始化设置：适应度函数fitness(X)为训练样本在RBF神经网络的输出与观测值之间的平均相对误差(MRE)；设置灰狼数量n，迭代次数max_iter，灰狼个体的维度dim，灰狼个体位置的边界向量上界ub和下界lb；以隐层1(基函数层)的神经元个数n_rbf和隐层2(全连接层)n_fc的神经元个数作为优化目标，随机初始化狼群位置；初始化收敛因子a及系数向量A，C，其计算公式如式(13)～(15)：

a＝2*(1-Iter/max_iter) (13)

A＝2*a*r₁-a (14)

C＝2*r₂ (15)

其中Iter表示当前迭代次数，r₁，r₂为[0,1]之间的随机数；

2)计算所有初始灰狼个体的适应度，即由每个灰狼个体所表示的神经网络结构所训练出来得到的MRE，保存适应度小的前3匹狼α，β，δ；

3)更新当前灰狼个体的位置：为每只狼的每一个维度构建一个邻域，狼个体同一维度之间可以共享邻域信息；灰狼个体X_i∈{X₁,X₂,...,X_n}的更新过程如下：

①先由式(6)～(8)计算得到传统灰狼算法的更新位置X_i,gwo(t+1)：

D_k(t)(k＝α,β,δ)的计算方式为式(7):

D_k＝dist(C*X_k(t),X_i(t)) (7)

X_α,X_β,X_δ分别表示α，β，δ狼的位置。

②计算X_i(t)以R_i(t)为半径的所有邻域狼集合N_i(t)，R_i(t)、N_i(t)的计算公式如(9)～(10):

R_i(t)＝dist(X_i(t),X_i,gwo(t+1)) (9)

N_i(t)＝{X_j(t)|dist(X_i(t),X_j(t))≤R_i(t),X_j(t)∈pop} (10)

③对于灰狼个体X_i，通过学习其邻域信息获得候选更新位置X_i,candi，如式(11):

其中d＝1,2,...,dim表示灰狼位置的第d维度，X_n是从邻域狼集合N_i(t)中选取的任意一匹狼位置，X_r是从总灰狼群体选取的任意一匹狼位置。

④最后由传统灰狼算法的更新位置X_i,gwo(t+1)以及通过学习其邻域信息获得的候选更新位置X_i,candi确定最终的更新位置X_i(t+1)，如式(12):

4)更新所有灰狼个体的适应度、根据式(13)-(15)更新收敛因子a及系数向量A，C、更新适应度最小的3匹狼α，β，δ狼的位置及适应度。

5)重复步骤3)～4)直至达到最大迭代次数，即得最优水分预测模型。

步骤105、将测试集数据输入至所述最优水分预测模型中，输出冷却圆筒出料端物料的水分含量值。

为验证本发明的所提出的方法性能的优越性，在利用相同的训练数据集和测试集进行模型训练和测试的情况下，将基于改进灰狼算法优化的结构改进RBF神经网络模型(IGWO-IRBFNN)预测结果与原始灰狼算法优化网络结构(GWO-IRBFNN)和粒子群算法优化网络结构(GWO-IRBFNN)后的预测模型结果、原始结构的RBF神经网络模型的预测结果进行对比分析。

所有的实验都是在AMD Ryzen 5 3600处理器上进行的,其基准频率为3.60GHz。RAM内存大小为16.00GB。在Windows 10操作系统下安装Anaconda搭建Tensorflow 2.3环境并安装所需工具包，Python版本为3.7。利用Tensorflow框架搭建IRBFNN神经网络模型，编写网络优化算法程序对改进的神经网络模型进行寻优操作，获得不同方法下的最优水分预测模型。

将测试数据作为上述优化训练好的预测模型的输入，输出未来3分钟冷却圆筒出料端物料的水分含量值。将预测模型的输出与3分钟后的实际观测值进行误差分析，得到相对误差与绝对误差的误差曲线图、频率分布直方图，观测-预测物料水分值曲线图，具体实验结果如图4a-9c所示。同时计算预测值与观测值之间的均方根误差、平均相对误差，具体结果如表3所示。

画相对误差与绝对误差的误差曲线图、频率分布直方图，观测-预测物料水分值曲线图进行比较分析；计算预测值与观测值之间的均方根误差、平均相对误差。

表3.不同预测模型之间的误差比较

由图4a-9c和表3可知：对于冷却圆筒返粉料水分预测问题，从误差曲线图可以看出改进的RBF神经网络(IRBFNN)模型相较于原始结构的RBN神经网络(RBFNN)模型的整体预测误差较小；由误差频率分布直方图可以看出RBFNN模型的预测误差分布相比于IRBFNN模型有较多的预测点的误差分布在值较大的范围内，而改进的RBF神经网络预测点的误差大都分布在值较小的范围内；由观测-预测物料水分值曲线图也可以看出原始结构的RBF神经网络模型相对于改进的RBF神经网络模型，其水分预测值对于实际观测值曲线拟合效果较差，存在较大误差。这主要是因为IRBFNN相较于RBFNN复杂了隐层结构，可以克服离散传输函数的束缚，使模型的表达能力更强，具有更好的学习能力和泛化能力，因此IRBFNN的预测精度更高，模型的鲁棒性好。

由不同优化算法优化IRBFNN下的最优水分预测模型预测结果来看，IGWO-IRBFNN模型的预测效果最好，其预测误差指标MRE和RMSE分别为2.55％和0.0616，误差最小、误差分布在值较小的范围内、其水分预测值对于实际观测值曲线拟合效果最好，由此可以看出IGWO在全局搜索和局部最优避免上面有着一定的优势。这主要是因为IGWO在传统GWO的“围猎”、“勘测”、“开采”的良好机制之上增加了邻域狼群共享信息这一过程，这种改进能有效克服群体多样性不足、开发和勘探之间的不平衡以及过早收敛等问题。

基于改进的灰狼优化算法(IGWO)在线优化设计网络结构，在线优化确IRBF神经网络隐层节点数，实现神经网络的结构和参数自校正，IGWO能有效克服群体多样性不足、开发和探索之间的不平衡、陷入局部最优等问题，在构建最优的IRBFNN水分预测模型上具有一定优势；采用结构改进的RBF神经网络结构相比于传统的RBF网络结构具有更好的模型精度、泛化能力及鲁棒性。

本发明还提供了一种烧结流程冷却圆筒返粉料水分预测系统，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有烧结流程冷却圆筒返粉料水分预测程序，所述烧结流程冷却圆筒返粉料水分预测程序被所述处理器执行时实现前面所述的烧结流程冷却圆筒返粉料水分预测方法的步骤。

如图10所示，所述的烧结流程冷却圆筒返粉料水分预测系统，还包括：冷却圆筒、清水储存装置、矿浆储存装置、振动给料机、物料运输皮带以及用于测量冷却圆筒入料口温度的红外测温枪和测量冷却圆筒出料口温度的热电偶；

所述清水储存装置、矿浆储存装置和振动给料机与所述冷却圆筒的入料口相连；

所述物料传送带与所述冷却圆筒的出料口相连；

所述清水储存装置与所述冷却圆筒之间的管道上依次设有电动阀和电磁流量计；

所述矿浆储存装置与所述冷却圆筒之间的管道上均依次设有电动阀和质量流量计；

所述物料运输皮带上还设有水分仪。

通过本发明系统可以提前预测物料在出料端的水分值，可以解决水分值测量的滞后导致无法及时补偿和修正加冷却水量的问题，为加水的实时控制提供及时的反馈信息。本发明对于冶炼厂保护环境、降低工作人员劳动力强度、降低冶炼厂的生产成本、提高烧结的质量和效益，有着显著的意义。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种烧结流程冷却圆筒返粉料水分预测方法，其特征在于，所述方法包括：

获取冷却圆筒出料端返粉料的水分值以及影响所述水分值的变量的数据信息；

采用KNN-NearMiss算法对所述数据信息进行重采样去除噪声样本和重叠冗余样本，得到重采样后的数据信息；

采用Spearman秩相关法对重采样后的数据信息进行相关性分析，得到划分为输入层数据信息和输出层数据信息的数据集合；

将所述数据集合按比例划分为训练集和测试集；

将训练集输入至改进的RBF神经网络模型中进行训练，并通过改进的灰狼优化算法对改进的RBF神经网络模型进行寻优操作，构建最优水分预测模型；

将测试集数据输入至所述最优水分预测模型中，输出冷却圆筒出料端物料的水分含量值。

2.根据权利要求1所述的烧结流程冷却圆筒返粉料水分预测方法，其特征在于，

所述数据信息包括冷却圆筒入料口的温度、冷却圆筒出料口的温度、下料频率、冷却圆筒进料端加清水的流量、加矿浆的流量以及冷却圆筒出料口物料的水分值。

3.根据权利要求2所述的烧结流程冷却圆筒返粉料水分预测方法，其特征在于，采用Spearman秩相关法对重采样后的数据信息进行相关性分析，得到划分为输入层数据信息和输出层数据信息的数据集合；其中，所述输入层数据信息包括冷却圆筒入料口加矿浆的流量、冷却圆筒入料口的温度、冷却圆筒出料口的温度和下料频率，所述输出层数据信息包括出料口物料水分值。

4.根据权利要求1所述的烧结流程冷却圆筒返粉料水分预测方法，其特征在于，

改进的RBF神经网络模型包括依此连接的输入层、隐含层和输出层；

所述隐含层为双隐层的结构，隐层1为基函数层，隐层2为全连接层；

所述输入层的神经元个数为4个，所述输出层的神经元个数为1个。

5.根据权利要求4所述的烧结流程冷却圆筒返粉料水分预测方法，其特征在于，

将训练集输入至改进的RBF神经网络模型中进行训练，包括：

将冷却圆筒入料口加矿浆的流量、入料口的温度、出料口的温度和下料频率作为神经网络的输入，出料口物料水分测量值作为输出；训练方法如下：

首先，前向传播：

输入层至基函数层的计算如式(1):

其中，z^j和σ^j是基函数层第j个神经元的输出和宽度参数；Xⁱ＝{xⁱ¹,xⁱ²,...,xⁱⁿ}是第i个训练样本；C^j＝{c^j1,c^j2,...,c^jn}是第j个神经元对应的中心向量，由其所连接的输入层所有神经元的中心分量构成；

基函数层至全连接层以及全连接层至输出层的计算如式(2):

为的输出向量，W为层与层之间的权值矩阵，

为输入向量，

为偏置向量。

然后，反向传播，利用梯度下降法迭代训练网络参数：

网络参数{C¹,C²,...,C^j}、{σ¹,σ²,...,σ^j}、{w¹,w²,...,w^j}训练表达式如式(3)～(5)：

6.根据权利要求4所述的烧结流程冷却圆筒返粉料水分预测方法，其特征在于，

通过改进的灰狼优化算法对改进的RBF神经网络模型进行寻优操作，构建最优水分预测模型，包括：

设置适应度函数fitness(X)、灰狼数量n、最大迭代次数max_iter，将改进的RBF神经网络模型中隐含层神经元个数作为优化目标；

初始化狼群位置，收敛因子a及系数向量A，C；

以灰狼位置参数作为改进的RBF神经网络模型中隐含层的神经元个数，根据改进的RBF神经网络模型，获得所有初始灰狼个体的适应度，保存适应度最小的前3匹狼α，β，δ；

为每只狼的每一个维度构建一个邻域，狼个体同一维度之间共享邻域信息，更新当前灰狼个体的位置；

利用α，β，δ3匹狼更新所有灰狼个体的适应度，然后更新收敛因子a及系数向量A，C、更新α，β，δ狼的位置及适应度使得其始终为适应度最小的3匹狼；

重复更新所有灰狼个体的位置及适应度直至达到最大迭代次数，即得最优水分预测模型。

7.根据权利要求6所述的烧结流程冷却圆筒返粉料水分预测方法，其特征在于，

为每只狼的每一个维度构建一个邻域，狼个体同一维度之间共享邻域信息，更新当前灰狼个体的位置，包括：

先由式(6)～(8)计算得到传统灰狼算法的更新位置X_i,gwo(t+1)：

D_k(t)(k＝α,β,δ)的计算方式为式(7):

D_k＝dist(C*X_k(t),X_i(t)) (7)

X_α,X_β,X_δ分别表示α，β，δ狼的位置；

然后计算X_i(t)以R_i(t)为半径的所有邻域狼集合N_i(t)，R_i(t)、N_i(t)的计算公式如(9)～(10):

R_i(t)＝dist(X_i(t),X_i,gwo(t+1)) (9)

N_i(t)＝{X_j(t)|dist(X_i(t),X_j(t))≤R_i(t),X_j(t)∈pop} (10)

对于灰狼个体X_i，通过学习其邻域信息获得候选更新位置X_i,candi，如式(11):

其中d＝1,2,...,dim表示灰狼位置的第d维度，X_n是从邻域狼集合N_i(t)中选取的任意一匹狼位置，X_r是从总灰狼群体选取的任意一匹狼位置；

最后由传统灰狼算法的更新位置X_i,gwo(t+1)以及通过学习其邻域信息获得的候选更新位置X_i,candi确定最终的更新位置X_i(t+1)，如式(12):

8.根据权利要求6所述的烧结流程冷却圆筒返粉料水分预测方法，其特征在于，

初始化收敛因子a及系数向量A，C，其计算公式如式(13)～(15)：

a＝2*(1-Iter/max_iter) (13)

A＝2*a*r₁-a (14)

C＝2*r₂ (15)

其中，Iter表示当前迭代次数，r₁，r₂为[0,1]之间的随机数。

9.一种烧结流程冷却圆筒返粉料水分预测系统，其特征在于，包括处理器，以及与所述处理器连接的存储器，所述存储器存储有烧结流程冷却圆筒返粉料水分预测程序，所述烧结流程冷却圆筒返粉料水分预测程序被所述处理器执行时实现如权利要求1-8任一所述的烧结流程冷却圆筒返粉料水分预测方法的步骤。

10.根据权利要求9所述的烧结流程冷却圆筒返粉料水分预测系统，其特征在于，还包括：冷却圆筒、清水储存装置、矿浆储存装置、振动给料机、物料运输皮带以及用于测量冷却圆筒入料口温度的红外测温枪和测量冷却圆筒出料口温度的热电偶；

所述清水储存装置、矿浆储存装置和振动给料机与所述冷却圆筒的入料口相连；

所述物料传送带与所述冷却圆筒的出料口相连；

所述清水储存装置与所述冷却圆筒之间的管道上依次设有电动阀和电磁流量计；

所述矿浆储存装置与所述冷却圆筒之间的管道上均依次设有电动阀和质量流量计；

所述物料运输皮带上还设有水分仪。

Images