论文部分内容阅读
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。