[发明专利]一种水泥熟料游离钙软测量方法

权利要求书

1.一种水泥熟料游离钙软测量方法，其特征在于，包括如下步骤：

步骤S1：根据水泥工艺选取10个变量作为熟料fCaO软测量的辅助变量，每个变量的时间序列作为模型输入，并对所选的每个变量时间序列进行归一化处理；所述变量为分解炉喂煤量、高温风机转速、分解炉出口温度、篦冷机出口温度、EP风机转速、窑尾负压、窑头负压、二次风温、窑电流、窑头喂煤量；

步骤S2：依据水泥烧成过程中时间序列的特征，10个变量的时间序列组成的二维数组作为模型输入，其中一列代表单个变量一定时间段内的采样数据，采用包含各个变量特征信息的时间序列作为建模数据，采用单维卷积池化的方式提取各变量特征，后接全连接层综合所有的特征信息，建立基于多变量时间序列卷积神经网络的熟料fCaO软测量模型；具体包括

步骤2.1MT-CNN模型初步建立

MT-CNN模型包括10个变量时间序列输入层、提取数据特征的2个单维卷积层和2个单维池化层、全连接层以及输出层；

步骤2.2MT-CNN模型的前向训练

MT-CNN通过前向训练提取特征，然后根据梯度下降法反向修正权值和偏置，降低训练误差；模型的输入层读取变量之后，经单维卷积池化层提取特征，随后接全连接层整合代表所有特征的局部信息，最后将所有的特征综合后输出；

(1)MT-CNN输入层；设X为MT-CNN的输入，其包含所选10个变量的时间序列，可表示为：

x＝(x₁,x₂,...,x₁₀) (1)

每个变量时间序列包含t个采样点：

x_i＝(x_i(1),x_i(2),...,x_i(t)) (2)

式中，x_i(i＝1,2,...,10)为第i个变量的时间序列；

(2)MT-CNN卷积层；依据水泥数据的特性，MT-CNN的卷积层采用单维卷积的方式提取特征；用n个单维卷积核对该层输入时间序列进行卷积计算，则会得到n个不同的特征向量，卷积过程中权值共享，n为正整数；

若第l层为卷积层，则该层输入x^l-1和输出x^l表达式分别为式(3)：

x^l＝f(x^l-1*w^l+b^l) (3)

式中，x^l-1代表卷积层输入的特征向量，w^l表示一维卷积核，b^l表示输出特征向量对应的偏置，式中f(·)为激活函数，本MT-CNN模型中采用ReLU函数作为激活函数，其表达式如式(4)：

f(x)＝max(0,x) (4)

(3)MT-CNN池化层；在MT-CNN中增加池化层实现特征压缩；池化层输出p^l+1与该层输入p^l之间的关系表示为：

式中，表示池化层输入p^l中的m个特征值求和，其中m为一维池化核的大小；

(4)MT-CNN全连接层；k-1层经多次卷积和池化之后得到的特征向量，作为全连接层的输入，该层的输入x^k-1与输出y^k-1之间的关系如式(6)：

y^k-1＝f(w^k-1*x^k-1+b^k-1) (6)

式中w^k-1、b^k-1分别为全连接层的权值和偏置；

(5)MT-CNN输出层；

步骤S3：确定MT-CNN模型的初始参数，并对网络进行前向训练，其中初始参数包括MT-CNN的卷积层数和池化层数，学习率，各隐层、全连接层以及输出层的权值w和偏置b，卷积核以及池化核的个数及大小；

步骤S4：利用误差反向微调进行有监督训练，通过对误差的修正，优化MT-CNN中的权值w和偏置b；

步骤S5：利用训练好的MT-CNN模型对水泥熟料fCaO实时预测。

2.根据权利要求1所述的一种水泥熟料游离钙软测量方法，其特征在于，在步骤S4中，有监督的所述反向微调是采用BP反向误差修正算法逐层优化权值w和偏置b，其中MT-CNN中的反向训练为有监督训练。