回轉窯是廣泛應用于鋼鐵、電力、水泥等領域的核心生產(chǎn)設施,窯內(nèi)的燒結溫度是窯前生產(chǎn)的關鍵工藝參數(shù),對保證熟料質(zhì)量、維持回轉窯高效平穩(wěn)運行以及降低污染物排放起著關鍵性作用。由于燒結溫度物理檢測困難,目前仍由看火工人根據(jù)窯內(nèi)火焰圖像判斷燒結溫度,進行窯前控制,存在著工況波動大、生產(chǎn)效率低、能耗高等問題,因此對回轉窯燒結溫度有效預測具有非常重要現(xiàn)實意義。本文利用某公司氧化鋁回轉窯的現(xiàn)場運行數(shù)據(jù),運用深度神經(jīng)網(wǎng)絡方法建立窯內(nèi)鍛燒溫度的預測模型。論文主要工作如下:(1)分析了回轉窯建模過程中遇到的困難以及現(xiàn)有的研究成果,綜述了深度神經(jīng)網(wǎng)絡以及遞歸神經(jīng)網(wǎng)絡的研究現(xiàn)狀。根據(jù)窯前時序分析的需求,研究了多種遞歸神經(jīng)網(wǎng)絡的網(wǎng)絡結構和計算模型。分析了長短時記憶網(wǎng)絡、雙向遞歸神經(jīng)網(wǎng)絡和多層雙向門控遞歸神經(jīng)網(wǎng)絡的優(yōu)缺點,為后續(xù)火焰溫度預測選擇合適的深度網(wǎng)絡模型提供理論依據(jù)。(2)提出一種基于深度雙向加權GRU(Deep bi-directional weighted GRU,DBWGRU)模型,并進行了仿真研究。針對傳統(tǒng)門控單元(Gated recurrent unit,GRU)只學習單一方向信息的問題,提出雙向加權GRU算法,將雙向遞歸神經(jīng)網(wǎng)絡中的正反向信息進行加權融合,并且加入全連接層來提升網(wǎng)絡深度,增強模型的學習能力;最后借助于Theano深度學習平臺,采用均方根傳播(Root Mean Square Propagation,RMSprop)最優(yōu)化方法在Lorenz時序數(shù)據(jù)上對模型的魯棒性進行了對比實驗。(3)提出一種結合偏移補償和深度雙向加權GRU的燒結帶溫度預測模型。首先對現(xiàn)場數(shù)據(jù)去噪,利用相關分析去除冗余變量,并對輸入變量進行了時序延遲,然后再進行深度雙向加權GRU模型的訓練。采用偏移補償來修正模型預測輸出值,保證了該方法在各種工況條件下的適應能力,提高了預測模型的穩(wěn)健性。(4)回轉窯燒結溫度預測實驗結果分析及其應用。對不同的預測模型進行實驗對比,實驗結果表明本文提出的方法可以為燒結溫度預測提供比較準確的指導,為實現(xiàn)回轉窯溫度預測提供了可能。本文針對回轉窯系統(tǒng)建模困難等問題,運用深度神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡技術,深入研究了回轉窯燒結溫度的軟測量方法。實驗結果表明基于深度雙向加權GRU的預測模型具有較好的預測結果,為達到回轉窯燒結過程的自動化控制的目的,進而高效地控制熟料的產(chǎn)量和質(zhì)量奠定了理論基礎。
【學位單位】：湖南大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP183;TQ133.1;TQ054.7
【部分圖文】：

基于深度雙向加權 GRU 的回轉窯燒結溫度預測（Winner-take-all，WTA）機制。這對后來的 CNN 與最大池（Max-Pooling，MP）以及反向傳播（Backpropagation，BP）算法的深度學習組合意義重大。1989 年，反向傳播應用于具有自適應連接的 Neocognitron 網(wǎng)絡，權重共享，卷積神經(jīng)層的組合網(wǎng)絡中。這種組合可以用 MP 來增強性能，也可以使用顯卡加速，此后隨著反向傳播算法應用領域不斷擴大，這種特殊的組合方式也逐漸成為機器學習的基準方法。1998 年，以 Yann LeCun 為代表的一群研究人員，經(jīng)過不斷的研究與實驗，實現(xiàn)了一個池化層與卷積層相互交錯的七層 LeNet-5 網(wǎng)絡應用于手寫數(shù)字識別，網(wǎng)絡結構如下圖所示，該模型通過堆疊卷積層和池化層極大地提高了手寫數(shù)字識別的精度[39]。

Method MAE RMSE CCRNN 1.01 1.21 0.9823LSTM 0.96 1.19 0.9887GRU 0.95 1.17 0.9879BWGRU 0.92 1.32 0.9904roposed 0.69 0.97 0.9936BWGRU 算法為 w 1時的深度雙向加權 GRU 網(wǎng)絡，即對正反向信息融合。Proposed 為本文提出的深度雙向加權 GRU 模型，其中 w 0 可知，本文提出的模型相對 RNN、LSTM 以及 MBGR 等方法具有 和 RMSE 值，并且具有最大的 CC 值，這也證明了本文提出的深度U 模型對非線性時序數(shù)據(jù)具有良好的預測能力。圖 3.5 為改進的 DB Lorenz-x(t) 測試數(shù)據(jù)集上的預測曲線，圖 3.6 為預測誤差曲線，從,本文模型能夠很好的擬合 Lorenz-x(t) 曲線.。

并且具有最大的 CC 值，這也證明了本文提出的深 模型對非線性時序數(shù)據(jù)具有良好的預測能力。圖 3.5 為改進的 D Lorenz-x(t) 測試數(shù)據(jù)集上的預測曲線，圖 3.6 為預測誤差曲線，,本文模型能夠很好的擬合 Lorenz-x(t) 曲線.。圖 3.5 DBWGRU 預測 Lorenz-x (t) 效果圖
【參考文獻】

相關期刊論文 前10條

1 劉金鑫;朱云龍;沈喆;孫鵬;;回轉窯燒成帶狀態(tài)混合智能識別方法[J];自動化學報;2012年07期

2 陳華;章兢;張小剛;胡義函;;一種基于Parzen窗估計的魯棒ELM燒結溫度檢測方法[J];自動化學報;2012年05期

3 陳文仲;王春華;田遠航;王立軍;;回轉窯熱工狀況影響參數(shù)的數(shù)值模擬[J];化工學報;2011年01期

4 姜慧研;王曉丹;周曉杰;柴天佑;;基于SVR的回轉窯燒成帶溫度軟測量方法的研究[J];系統(tǒng)仿真學報;2008年11期

5 姚福安;龐向坤;焦營營;王忠林;張錫滿;;基于三色法和BP神經(jīng)網(wǎng)絡的回轉窯溫度檢測[J];山東大學學報(工學版);2008年02期

6 張小剛;陳華;章兢;劉小燕;;基于圖像反饋的回轉窯燒結溫度智能預測控制[J];控制理論與應用;2007年06期

7 劉玉長;劉志明;;氧化鋁回轉窯監(jiān)督控制系統(tǒng)研究[J];計算機測量與控制;2007年10期

8 張小剛,章兢,陳華;模糊時間序列挖掘在復雜系統(tǒng)模糊建模中的應用[J];控制理論與應用;2002年06期

9 張宏斌,岳超源,劉文斌,楊惟高,潘林強;BP神經(jīng)網(wǎng)絡在水泥窯控制建模中的應用[J];計算機工程與應用;2002年14期

10 王慶陶;水泥回轉窯的模糊控制模型[J];工科數(shù)學;2001年01期

本文編號：2891082