[发明专利]一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法

说明书

本发明公开了一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法，涉及钢铁生产领域。通过多源信息和长短时记忆(Long Short‑Term Memory，LSTM)网络进行烧结矿FeO含量的预测。首先，基于烧结机理，提取包括图像，振动和温度信息在内的多源信息，并对其进行处理和特征提取，同时考虑到工艺流程的处理过程，获取烧结机尾的烧结的参考FeO值作为目标输出从而减少流程造成的误差；最后，将多源信息和参考FeO值分别作为输入和目标输出，利用LSTM网络进行烧结矿FeO含量的定量预测。

技术领域

本发明涉及钢铁生产领域，尤其涉及一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法。

背景技术

高炉炼铁是现代钢铁制造的关键前端生产过程，占炼钢过程能耗的60％。作为大多数高炉最重要的基本含铁原料之一，与球团矿和块矿相比，烧结矿在成本和可获得性方面都表现出优越性。近年来，高炉中使用的烧结矿比例不断提高，对烧结矿质量的要求也越来越高。在烧结矿质量指标中，FeO含量是最重要的指标之一，因为合适的FeO含量不仅可以对高炉的生产在质量和数量上产生积极影响，而且可以帮助降低成本。

考虑到烧结过程中由于化学，物理和机械引起的非线性，烧结过程的不可见性和复杂的大时滞性，对FeO含量的预测较为复杂。目前，随着人工智能的发展，诸如深度学习的机器学习模型方法越来越多的被应用在产品质量预测方面，另外，烧结机尾的图像和振动信息以及烧结过程中的温度信息可以反应烧结矿的FeO含量。因此，可以利用多源信息和深度学习网络，进行烧结矿FeO含量的定量预测。

经对现有文献检索发现，最相近似的实现方案为中国专利申请号为：201010597200.1，名称为：一种烧结机尾红断面有效图像自动捕捉方法，其具体做法为：对机尾红断面图像进行实时提取，然后对每一幅目标图像分别进行处理，包括转红光处理。但是采用固定的时间周期没有考虑到实际生产中变化的烧结机速等情况，而且在转红光的过程中丢失了G通道和B通道的值，导致信息的缺失。专利申请号为：201410307470.2，名称为：一种烧结矿机尾断面FeO含量的控制方法，其具体做法为：将可见光图像和红外图像同时作为输入，提取特征送入模糊聚类系统和神经网络系统以获得FeO含量等级。但此方法特征简单，网络结构简单，只能对FeO含量进行定性的预测，无法做到定量的预测。专利申请号为：201910642094.5，名称为：一种烧结矿FeO含量检测方法及系统，其具体做法为：利用红外图像，并结合烧结机机尾部粉尘变化规律提取关键帧图像，之后通过多相热力学模型等进行及FeO含量分类判断。但此方法只考虑图像信息，未考虑参数信息。

综上，现有技术有以下缺点：

(1)仅考虑了参数信息或图像信息，未综合考虑参数和图像信息从而更好的表征烧结矿FeO含量进行烧结矿FeO含量定量的预测。

(2)通常是利用烧结机尾后经过复杂的工艺流程后获取FeO值，而复杂的工业流程会引入误差，进而影响FeO含量的预测。

(3)网络多为简单的BP网络，相比与深度学习模型，在学习和拟合方面存在差距，从而影响了预测精度。

因此，本领域的技术人员致力于开发一种基于多源信息和长短时记忆络的烧结矿FeO含量预测方法，结合了多源信息，同时获取机尾的FeO含量，将二者分别作为输入和目标输出，利用深度学习模型LSTM进行FeO含量的预测，可实现对烧结矿的FeO含量进行定量预测。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何更全面地提取信息特征来表征烧结矿的质量，并构建模型来对FeO含量进行准确的定量预测。

为实现上述目的，本发明提供了一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法，包括以下步骤：

步骤1、多源信息的预处理；

步骤2、特征提取；