回轉(zhuǎn)窯是廣泛應(yīng)用于鋼鐵、電力、水泥等領(lǐng)域的核心生產(chǎn)設(shè)施,窯內(nèi)的燒結(jié)溫度是窯前生產(chǎn)的關(guān)鍵工藝參數(shù),對保證熟料質(zhì)量、維持回轉(zhuǎn)窯高效平穩(wěn)運行以及降低污染物排放起著關(guān)鍵性作用。由于燒結(jié)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(jié)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(zhuǎn)窯燒結(jié)溫度有效預(yù)測具有非常重要現(xiàn)實意義。本文利用某公司氧化鋁回轉(zhuǎn)窯的現(xiàn)場運行數(shù)據(jù),運用深度神經(jīng)網(wǎng)絡(luò)方法建立窯內(nèi)鍛燒溫度的預(yù)測模型。論文主要工作如下:(1)分析了回轉(zhuǎn)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(luò)以及遞歸神經(jīng)網(wǎng)絡(luò)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(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和計算模型。分析了長短時記憶網(wǎng)絡(luò)、雙向遞歸神經(jīng)網(wǎng)絡(luò)和多層雙向門控遞歸神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點,為后續(xù)火焰溫度預(yù)測選擇合適的深度網(wǎng)絡(luò)模型提供理論依據(jù)。(2)提出一種基于深度雙向加權(quán)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(xué)習(xí)單一方向信息的問題,提出雙向加權(quán)GRU算法,將雙向遞歸神經(jīng)網(wǎng)絡(luò)中的正反向信息進行加權(quán)融合,并且加入全連接層來提升網(wǎng)絡(luò)深度,增強模型的學(xué)習(xí)能力;最后借助于Theano深度學(xué)習(xí)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(jié)合偏移補償和深度雙向加權(quán)GRU的燒結(jié)帶溫度預(yù)測模型。首先對現(xiàn)場數(shù)據(jù)去噪,利用相關(guān)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(quán)GRU模型的訓(xùn)練。采用偏移補償來修正模型預(yù)測輸出值,保證了該方法在各種工況條件下的適應(yīng)能力,提高了預(yù)測模型的穩(wěn)健性。(4)回轉(zhuǎn)窯燒結(jié)溫度預(yù)測實驗結(jié)果分析及其應(yīng)用。對不同的預(yù)測模型進行實驗對比,實驗結(jié)果表明本文提出的方法可以為燒結(jié)溫度預(yù)測提供比較準(zhǔn)確的指導(dǎo),為實現(xiàn)回轉(zhuǎn)窯溫度預(yù)測提供了可能。本文針對回轉(zhuǎn)窯系統(tǒng)建模困難等問題,運用深度神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)技術(shù),深入研究了回轉(zhuǎn)窯燒結(jié)溫度的軟測量方法。實驗結(jié)果表明基于深度雙向加權(quán)GRU的預(yù)測模型具有較好的預(yù)測結(jié)果,為達到回轉(zhuǎn)窯燒結(jié)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(chǔ)。
【學(xué)位單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)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(quán) GRU 的回轉(zhuǎn)窯燒結(jié)溫度預(yù)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(xué)習(xí)組合意義重大。1989 年，反向傳播應(yīng)用于具有自適應(yīng)連接的 Neocognitron 網(wǎng)絡(luò)，權(quán)重共享，卷積神經(jīng)層的組合網(wǎng)絡(luò)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(yīng)用領(lǐng)域不斷擴大，這種特殊的組合方式也逐漸成為機器學(xué)習(xí)的基準(zhǔn)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(luò)應(yīng)用于手寫數(shù)字識別，網(wǎng)絡(luò)結(jié)構(gòu)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(quán) GRU 網(wǎng)絡(luò)，即對正反向信息融合。Proposed 為本文提出的深度雙向加權(quán) 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(yù)測能力。圖 3.5 為改進的 DB Lorenz-x(t) 測試數(shù)據(jù)集上的預(yù)測曲線，圖 3.6 為預(yù)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(yù)測能力。圖 3.5 為改進的 D Lorenz-x(t) 測試數(shù)據(jù)集上的預(yù)測曲線，圖 3.6 為預(yù)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(yù)測 Lorenz-x (t) 效果圖
【參考文獻】

相關(guān)期刊論文 前10條

1 劉金鑫;朱云龍;沈喆;孫鵬;;回轉(zhuǎn)窯燒成帶狀態(tài)混合智能識別方法[J];自動化學(xué)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(jié)溫度檢測方法[J];自動化學(xué)報;2012年05期

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

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

5 姚福安;龐向坤;焦?fàn)I營;王忠林;張錫滿;;基于三色法和BP神經(jīng)網(wǎng)絡(luò)的回轉(zhuǎn)窯溫度檢測[J];山東大學(xué)學(xué)報(工學(xué)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(zhuǎn)窯燒結(jié)溫度智能預(yù)測控制[J];控制理論與應(yīng)用;2007年06期

7 劉玉長;劉志明;;氧化鋁回轉(zhuǎn)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(fù)雜系統(tǒng)模糊建模中的應(yīng)用[J];控制理論與應(yīng)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(luò)在水泥窯控制建模中的應(yīng)用[J];計算機工程與應(yīng)用;2002年14期

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

本文編號：2891082