基于深度双向加权GRU的回转窑烧结温度预测
发布时间：2020-11-20 06:27
回转窑是广泛应用于钢铁、电力、水泥等领域的核心生产设施,窑内的烧结温度是窑前生产的关键工艺参数,对保证熟料质量、维持回转窑高效平稳运行以及降低污染物排放起着关键性作用。由于烧结温度物理检测困难,目前仍由看火工人根据窑内火焰图像判断烧结温度,进行窑前控制,存在着工况波动大、生产效率低、能耗高等问题,因此对回转窑烧结温度有效预测具有非常重要现实意义。本文利用某公司氧化铝回转窑的现场运行数据,运用深度神经网络方法建立窑内锻烧温度的预测模型。论文主要工作如下:(1)分析了回转窑建模过程中遇到的困难以及现有的研究成果,综述了深度神经网络以及递归神经网络的研究现状。根据窑前时序分析的需求,研究了多种递归神经网络的网络结构和计算模型。分析了长短时记忆网络、双向递归神经网络和多层双向门控递归神经网络的优缺点,为后续火焰温度预测选择合适的深度网络模型提供理论依据。(2)提出一种基于深度双向加权GRU(Deep bi-directional weighted GRU,DBWGRU)模型,并进行了仿真研究。针对传统门控单元(Gated recurrent unit,GRU)只学习单一方向信息的问题,提出双向加权GRU算法,将双向递归神经网络中的正反向信息进行加权融合,并且加入全连接层来提升网络深度,增强模型的学习能力;最后借助于Theano深度学习平台,采用均方根传播(Root Mean Square Propagation,RMSprop)最优化方法在Lorenz时序数据上对模型的鲁棒性进行了对比实验。(3)提出一种结合偏移补偿和深度双向加权GRU的烧结带温度预测模型。首先对现场数据去噪,利用相关分析去除冗余变量,并对输入变量进行了时序延迟,然后再进行深度双向加权GRU模型的训练。采用偏移补偿来修正模型预测输出值,保证了该方法在各种工况条件下的适应能力,提高了预测模型的稳健性。(4)回转窑烧结温度预测实验结果分析及其应用。对不同的预测模型进行实验对比,实验结果表明本文提出的方法可以为烧结温度预测提供比较准确的指导,为实现回转窑温度预测提供了可能。本文针对回转窑系统建模困难等问题,运用深度神经网络和递归神经网络技术,深入研究了回转窑烧结温度的软测量方法。实验结果表明基于深度双向加权GRU的预测模型具有较好的预测结果,为达到回转窑烧结过程的自动化控制的目的,进而高效地控制熟料的产量和质量奠定了理论基础。
【学位单位】：湖南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP183;TQ133.1;TQ054.7
【部分图文】：
基于深度双向加权 GRU 的回转窑烧结温度预测（Winner-take-all，WTA）机制。这对后来的 CNN 与最大池（Max-Pooling，MP）以及反向传播（Backpropagation，BP）算法的深度学习组合意义重大。1989 年，反向传播应用于具有自适应连接的 Neocognitron 网络，权重共享，卷积神经层的组合网络中。这种组合可以用 MP 来增强性能，也可以使用显卡加速，此后随着反向传播算法应用领域不断扩大，这种特殊的组合方式也逐渐成为机器学习的基准方法。1998 年，以 Yann LeCun 为代表的一群研究人员，经过不断的研究与实验，实现了一个池化层与卷积层相互交错的七层 LeNet-5 网络应用于手写数字识别，网络结构如下图所示，该模型通过堆叠卷积层和池化层极大地提高了手写数字识别的精度[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 算法为 w 1时的深度双向加权 GRU 网络，即对正反向信息融合。Proposed 为本文提出的深度双向加权 GRU 模型，其中 w 0 可知，本文提出的模型相对 RNN、LSTM 以及 MBGR 等方法具有 和 RMSE 值，并且具有最大的 CC 值，这也证明了本文提出的深度U 模型对非线性时序数据具有良好的预测能力。图 3.5 为改进的 DB Lorenz-x(t) 测试数据集上的预测曲线，图 3.6 为预测误差曲线，从,本文模型能够很好的拟合 Lorenz-x(t) 曲线.。
并且具有最大的 CC 值，这也证明了本文提出的深 模型对非线性时序数据具有良好的预测能力。图 3.5 为改进的 D Lorenz-x(t) 测试数据集上的预测曲线，图 3.6 为预测误差曲线，,本文模型能够很好的拟合 Lorenz-x(t) 曲线.。图 3.5 DBWGRU 预测 Lorenz-x (t) 效果图
【参考文献】
本文编号：2891082
【学位单位】：湖南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP183;TQ133.1;TQ054.7
【部分图文】：
基于深度双向加权 GRU 的回转窑烧结温度预测（Winner-take-all，WTA）机制。这对后来的 CNN 与最大池（Max-Pooling，MP）以及反向传播（Backpropagation，BP）算法的深度学习组合意义重大。1989 年，反向传播应用于具有自适应连接的 Neocognitron 网络，权重共享，卷积神经层的组合网络中。这种组合可以用 MP 来增强性能，也可以使用显卡加速，此后随着反向传播算法应用领域不断扩大，这种特殊的组合方式也逐渐成为机器学习的基准方法。1998 年，以 Yann LeCun 为代表的一群研究人员，经过不断的研究与实验，实现了一个池化层与卷积层相互交错的七层 LeNet-5 网络应用于手写数字识别，网络结构如下图所示，该模型通过堆叠卷积层和池化层极大地提高了手写数字识别的精度[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 算法为 w 1时的深度双向加权 GRU 网络，即对正反向信息融合。Proposed 为本文提出的深度双向加权 GRU 模型，其中 w 0 可知，本文提出的模型相对 RNN、LSTM 以及 MBGR 等方法具有 和 RMSE 值，并且具有最大的 CC 值，这也证明了本文提出的深度U 模型对非线性时序数据具有良好的预测能力。图 3.5 为改进的 DB Lorenz-x(t) 测试数据集上的预测曲线，图 3.6 为预测误差曲线，从,本文模型能够很好的拟合 Lorenz-x(t) 曲线.。
并且具有最大的 CC 值，这也证明了本文提出的深 模型对非线性时序数据具有良好的预测能力。图 3.5 为改进的 D Lorenz-x(t) 测试数据集上的预测曲线，图 3.6 为预测误差曲线，,本文模型能够很好的拟合 Lorenz-x(t) 曲线.。图 3.5 DBWGRU 预测 Lorenz-x (t) 效果图
【参考文献】
相关期刊论文 前10条
1 刘金鑫;朱云龙;沈喆;孙鹏;;回转窑烧成带状态混合智能识别方法[J];自动化学报;2012年07期
2 陈华;章兢;张小刚;胡义函;;一种基于Parzen窗估计的鲁棒ELM烧结温度检测方法[J];自动化学报;2012年05期
3 陈文仲;王春华;田远航;王立军;;回转窑热工状况影响参数的数值模拟[J];化工学报;2011年01期
4 姜慧研;王晓丹;周晓杰;柴天佑;;基于SVR的回转窑烧成带温度软测量方法的研究[J];系统仿真学报;2008年11期
5 姚福安;庞向坤;焦营营;王忠林;张锡满;;基于三色法和BP神经网络的回转窑温度检测[J];山东大学学报(工学版);2008年02期
6 张小刚;陈华;章兢;刘小燕;;基于图像反馈的回转窑烧结温度智能预测控制[J];控制理论与应用;2007年06期
7 刘玉长;刘志明;;氧化铝回转窑监督控制系统研究[J];计算机测量与控制;2007年10期
8 张小刚,章兢,陈华;模糊时间序列挖掘在复杂系统模糊建模中的应用[J];控制理论与应用;2002年06期
9 张宏斌,岳超源,刘文斌,杨惟高,潘林强;BP神经网络在水泥窑控制建模中的应用[J];计算机工程与应用;2002年14期
10 王庆陶;水泥回转窑的模糊控制模型[J];工科数学;2001年01期
本文编号：2891082
本文链接：https://www.wllwen.com/kejilunwen/huaxuehuagong/2891082.html
