一種在線檢測鋁粉細粉率的軟測量方法
【專利摘要】一種在線檢測鋁粉細粉率的軟測量方法，涉及一種軟測量方法，本發(fā)明通過以下步驟來實現(xiàn)：采集樣本數(shù)據(jù)；樣本數(shù)據(jù)預處理包括異常數(shù)據(jù)的處理、隨機誤差的處理、采樣數(shù)據(jù)歸一化處理，還包括建立DRNN神經(jīng)網(wǎng)絡(luò)模型、訓練DRNN神經(jīng)網(wǎng)絡(luò)、建立組合DRNN神經(jīng)網(wǎng)絡(luò)模型，最后利用組合DRNN神經(jīng)網(wǎng)絡(luò)模型計算鋁粉細粉率。利用該組合模型即可計算出相應的歸一化后的鋁粉細粉率值，對值進行反歸一化處理后，便得到鋁粉細粉率值。該檢測方法不僅能夠解決測量滯后較大、不能實現(xiàn)在線自動測量的問題，而且檢測成本較低、方便快捷，而且能夠?qū)崿F(xiàn)在線實時自動檢測。
【專利說明】一種在線檢測鋁粉細粉率的軟測量方法
[0001]
【技術(shù)領(lǐng)域】
[0002]本發(fā)明涉及一種軟測量方法，特別是涉及一種在線檢測鋁粉細粉率的軟測量方法。
【背景技術(shù)】
[0003]鋁粉廠在應用氮氣霧化方法制備鋁粉的生產(chǎn)過程中，鋁粉細粉率是衡量產(chǎn)品質(zhì)量的主要標準。目前測量鋁粉細粉率的方法主要有直接觀察法、激光法等。但這些測量方法不僅測量滯后大、不能進行實時在線自動測量、不能為自動控制提供檢測數(shù)據(jù)，而且測量儀器價格較貴，測量成本較高。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種在線檢測鋁粉細粉率的軟測量方法，該檢測方法不僅能夠解決測量滯后較大、不能實現(xiàn)在線自動測量的問題，而且檢測成本較低、方便快捷，而且能夠?qū)崿F(xiàn)在線實時自動檢測。
[0005]本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的:
一種在線檢測鋁粉細粉率的軟測量方法，所述方法包括以下步驟:
(1)采集樣本數(shù)據(jù):
現(xiàn)場采集鋁粉生產(chǎn)過程中不同`工況下的鋁液溫度OY)、霧化氮氣壓力(Pw)、霧化氮氣溫度(Tw)、環(huán)境氮氣壓力(Pe)、環(huán)境氮氣溫度(Te)和鋁粉細粉率(Lx)數(shù)據(jù)；
(2)、樣本數(shù)據(jù)預處理:
O異常數(shù)據(jù)的處理:對所采集到的η組鋁液溫度值、霧化氮氣壓力值、霧化氮氣溫度值、環(huán)境氮氣壓力值、環(huán)境氮氣溫度和鋁粉細粉率值，分別計算其算術(shù)平均值，然后分別計算其偏差值，按照Bessel公式計算鋁液溫度(1；)的標準偏差；
2)隨機誤差的處理:將經(jīng)過I誤差處理后剩余的r組鋁液溫度(IY)、霧化氮氣壓力(Pw)、霧化氮氣溫度(Tw)、環(huán)境氮氣壓力(Pe)、環(huán)境氮氣溫度(Te)和鋁粉細粉率(Lx)數(shù)據(jù)分別采用平均值濾波算法，以去除采樣數(shù)據(jù)中的隨機誤差；
3)采樣數(shù)據(jù)歸一化處理:將經(jīng)過Π隨機誤差處理后的r個鋁液溫度(IY)數(shù)據(jù)
歸一化到 [O, I]區(qū)間內(nèi)；
(3)建立DRNN神經(jīng)網(wǎng)絡(luò)模型:
對角遞歸DRNN (Diagonal Recurrent Neural Network)神經(jīng)網(wǎng)絡(luò)的數(shù)學模型為: O{k) = W0x{k)
x(t) = f(WDx(k-l) + W!u(lr))；(4)訓練DRNN神經(jīng)網(wǎng)絡(luò):
將歸一化處理后的r個樣本數(shù)據(jù)分成兩組:一組作為各單一神經(jīng)網(wǎng)絡(luò)模型的共同初始訓練數(shù)據(jù)集，分別對各單一 DRNN神經(jīng)網(wǎng)絡(luò)進行訓練；另一組作為校驗數(shù)據(jù)集，用于校驗所建立的DRNN神經(jīng)網(wǎng)絡(luò)模型；
(5)建立組合DRNN神經(jīng)網(wǎng)絡(luò)模型:
將多個DRNN神經(jīng)網(wǎng)絡(luò)模型組合在一起，構(gòu)成組合神經(jīng)網(wǎng)絡(luò)模型；
(6)利用組合DRNN神經(jīng)網(wǎng)絡(luò)模型計算鋁粉細粉率:
當組合DRNN模型輸入為歸一化后的鋁液溫度rf、霧化氮氣壓力Pw、霧化氮氣溫度Tw、環(huán)境氮氣壓力Ps 、環(huán)境氮氣溫度T1數(shù)據(jù)時，利用該組合模型即可計算出相應的歸
一化后的鋁粉細粉率ix值，對ix值進行反歸一化處理后，便得到鋁粉細粉率值。
所述的一種在線檢測鋁粉細粉率的軟測量方法所述采集樣本數(shù)據(jù)，將相同工況下的所采集的鋁液溫度(TJ、霧化氮氣壓力(Pw)、霧化氮氣溫度(Tw)、環(huán)境氮氣壓力(Pe)、環(huán)境氮氣溫度(Te)和鋁粉細粉率(Lx)數(shù)據(jù)作為一組樣本數(shù)據(jù)OY，Pw，Tw，PE，TE，Lx)，改變工況，重復此操作，直到采集到所需要的樣本數(shù)為止。
[0006]所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述樣本數(shù)據(jù)預處理中異常數(shù)據(jù)的處理按照Bessel公式計算鋁液溫度(1；)的標準偏差:
【權(quán)利要求】
1.一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述方法包括以下步驟: (1)采集樣本數(shù)據(jù): 現(xiàn)場采集鋁粉生產(chǎn)過程中不同工況下的鋁液溫度0Y)、霧化氮氣壓力(Pw)、霧化氮氣溫度(Tw)、環(huán)境氮氣壓力(Pe)、環(huán)境氮氣溫度(Te)和鋁粉細粉率(Lx)數(shù)據(jù)； (2)、樣本數(shù)據(jù)預處理: O異常數(shù)據(jù)的處理:對所采集到的η組鋁液溫度值、霧化氮氣壓力值、霧化氮氣溫度值、環(huán)境氮氣壓力值、環(huán)境氮氣溫度和鋁粉細粉率值，分別計算其算術(shù)平均值，然后分別計算其偏差值，按照Bessel公式計算鋁液溫度(1；)的標準偏差； 2)隨機誤差的處理:將經(jīng)過I誤差處理后剩余的r組鋁液溫度(!Y)、霧化氮氣壓力(Pw)、霧化氮氣溫度(Tw)、環(huán)境氮氣壓力(Pe)、環(huán)境氮氣溫度(Te)和鋁粉細粉率(Lx)數(shù)據(jù)分別采用平均值濾波算法，以去除采樣數(shù)據(jù)中的隨機誤差； 3)采樣數(shù)據(jù)歸一化處理:將經(jīng)過II隨機誤差處理后的r個鋁液溫度(IY)數(shù)據(jù)!^,!^，…了^歸一化到[O，I]區(qū)間內(nèi)； (3)建立DRNN神經(jīng)網(wǎng)絡(luò)模型: 對角遞歸DRNN (Diagonal Recurrent Neural Network)神經(jīng)網(wǎng)絡(luò)的數(shù)學模型為: O{]c、:W0 琳、, x(t) = f{WDx(t-1) + W!u{k))； (4)訓練DRNN神經(jīng)網(wǎng)絡(luò): 將歸一化處理后的r個樣本數(shù)據(jù)分成兩組:一組作為各單一神經(jīng)網(wǎng)絡(luò)模型的共同初始訓練數(shù)據(jù)集，分別對各單一 DRNN神經(jīng)網(wǎng)絡(luò)進行訓練；另一組作為校驗數(shù)據(jù)集，用于校驗所建立的DRNN神經(jīng)網(wǎng)絡(luò)模型； (5)建立組合DRNN神經(jīng)網(wǎng)絡(luò)模型: 將多個DRNN神經(jīng)網(wǎng)絡(luò)模型組合在一起，構(gòu)成組合神經(jīng)網(wǎng)絡(luò)模型； (6)利用組合DRNN神經(jīng)網(wǎng)絡(luò)模型計算鋁粉細粉率: 當組合DRNN模型輸入為歸一化后的鋁液溫度7；、霧化氮氣壓力Pw、霧化氮氣溫度Tw、環(huán)境氮氣壓力4 、環(huán)境氮氣溫度數(shù)據(jù)時，利用該組合模型即可計算出相應的歸一化后的鋁粉細粉率值，對?χ值進行反歸一化處理后，便得到鋁粉細粉率值。
2.根據(jù)權(quán)利要求1所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述采集樣本數(shù)據(jù)，將相同工況下的所采集的鋁液溫度0Υ)、霧化氮氣壓力(Pw)、霧化氮氣溫度(Tw)、環(huán)境氮氣壓力(Pe)、環(huán)境氮氣溫度(Te)和鋁粉細粉率(Lx)數(shù)據(jù)作為一組樣本數(shù)據(jù)(TL, Pff, Tff, PE, Te, Lx)，改變工況，重復此操作，直到采集到所需要的樣本數(shù)為止。
3.根據(jù)權(quán)利要求1所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述樣本數(shù)據(jù)預處理中異常數(shù)據(jù)的處理按照Bessel公式計算鋁液溫度(1；)的標準偏差:
4.根據(jù)權(quán)利要求1所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述區(qū)間內(nèi)為:
5.根據(jù)權(quán)利要求1所述的一種在線檢測鋁粉細粉率的軟測量方法，其特征在于，所述組合神經(jīng)網(wǎng)絡(luò)模型的輸出是mfDRNN神經(jīng)網(wǎng)絡(luò)輸出的加權(quán)和，即:
【文檔編號】G06N3/02GK103471971SQ201310441670
【公開日】2013年12月25日 申請日期:2013年9月26日 優(yōu)先權(quán)日:2013年9月26日
【發(fā)明者】刁芬, 孟麗 申請人:沈陽大學