[发明专利]一种烧结台车的料层厚度动态预测系统及方法

权利要求书

1.一种烧结台车的料层厚度动态预测系统，其特征在于，所述料层厚度动态预测系统包括混合料检测机构、与圆辊给料机连接的给料辊转速检测装置、与辊式布料机连接的布料辊转速检测装置、辅门开度检测装置和烧结台车速度检测装置；以及与混合料检测机构、给料辊转速检测装置、布料辊转速检测装置、辅门开度检测装置和烧结台车速度检测装置连接的中央处理器；其中：

所述中央处理器被配置为执行以下步骤：

接收所述混合料检测机构发送的混合料的堆密度，接收给料辊转速检测装置发送的给料辊转速，接收布料辊转速检测装置发送的布料辊转速，接收辅门开度检测装置发送的辅门开度，接收烧结台车速度检测装置发送的烧结台车速度；

将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；

将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系；

对料层厚度的特征值进行数据还原，获得料层厚度的预测值，其中，采用以下模型对料层厚度的特征值进行数据还原：

h_i＝k_i×H

其中，h_i为获得的i时刻料层厚度的预测值，k_i为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大容许厚度；

所述料层厚度动态预测系统还包括料层厚度检测装置，所述料层厚度检测装置可以实时检测烧结台车上的料层厚度；

所述料层厚度动态预测模型是基于循环神经网络模型训练生成，所述中央处理器按照以下步骤建立所述料层厚度动态预测模型：

获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；

将N组独立的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成N组训练样本的输入；

获取料层厚度检测装置发送的相应N组独立的料层厚度测量值，并将料层厚度测量值按照一定收缩比例量化，生成N组训练样本的输出；

利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练循环神经网络模型；

通过迭代训练不断更新循环神经网络模型的权重参数、偏置参数以及学习因子；

若循环神经网络模型预测的料层厚度的特征值与测量的料层厚度的特征值，达到设定的允差范围，或循环神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。

2.根据权利要求1所述的料层厚度动态预测系统，其特征在于，在将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值的步骤之前，还包括：

获取与所述预测料层厚度的特征向量邻近时序上的数据并作为学习样本，其中，所述学习样本包括输入样本，以及所述输入样本对应的料层厚度的特征值；

利用所述学习样本在线更新所述料层厚度动态预测模型，获取更新后的料层厚度动态预测模型。

3.根据权利要求2所述的料层厚度动态预测系统，其特征在于，获取与所述预测料层厚度的特征向量邻近时序上的学习样本包括：

获取与所述预测料层厚度的特征向量邻近时序上预设时间间隔内的历史学习样本；

获取与所述历史预学习样本相对应的料层厚度的特征值。

4.根据权利要求1所述的料层厚度动态预测系统，其特征在于，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，具体执行以下步骤：

计算堆密度与混合料检测系统记录中最大密度的比值；

计算给料辊转速与给料辊最大转速的比值；

计算布料辊转速与布料辊最大转速的比值；

计算烧结台车速度与烧结台车最大速度的比值。

5.根据权利要求1所述的料层厚度动态预测系统，其特征在于，将料层厚度测量值按照一定收缩比例量化，具体执行以下步骤：

计算料层厚度测量值与烧结台车的料层最大允许厚度的比值。