一種鉛鋅燒結塊的成分預測方法
【技術領域】
[0001] 本發明涉及一種鉛鋅燒結塊的成分預測方法。
【背景技術】
[0002] 燒結工藝是在傳統的鉛鋅冶煉過程中一道非常重要的工藝。
[0003] 鉛鋅燒結塊的各種化學成分（如鉛、鋅、硫等）的含量是衡量其質量的重要指標。
[0004] 鉛鋅燒結用的原料種類繁多，原料的物理化學性質差異很大，為了使鉛鋅燒結塊 的成分滿足下一道工序的要求，需要對鉛鋅燒結塊的成分進行分析，利用分析結果對原料 的配備進行指導。
[0005]目前，都是等到鉛鋅燒結塊燒結成品之后，對成品進行取樣，利用化學方法對樣品 進行化驗分析，才能得到鉛鋅燒結塊的成分。
[0006] 由于鉛鋅燒結過程是一個大滯后環節，從配料到鉛鋅燒結塊成品需要大約2個小 時，因此鉛鋅燒結廠一般每2個小時對鉛鋅燒結塊的成分進行取樣。而化驗過程需要1至 2個小時，因此鉛鋅燒結前的配料等工序產生的效果需要等到3至4個小時后才能知道，導 致鉛鋅燒結塊的成分檢測數據滯后嚴重，檢測結果對指導調節燒結前的各種配料比例以控 制鉛鋅燒結塊成品的成分意義不大，即，對實時生產的指導意義價值不大。
【發明內容】
[0007] 使用現有方法對鉛鋅燒結快的成分進行檢測需要較長時間，檢測數據滯后嚴重， 對實時生產的指導意義價值不大。本發明的目的在于，針對上述現有技術的不足，提供一種 鉛鋅燒結塊的成分預測方法。
[0008] 為解決上述技術問題，本發明所采用的技術方案是：
[0009] -種鉛鋅燒結塊的成分預測方法，包括以下步驟：
[0010] A.建立鉛鋅燒結塊成分的RBF-AR模型
[0011]
[0012] 其中，y (t+Ι)為預測的t+Ι時刻的鉛鋅燒結塊的成分值，t為當前時刻，t-1..... t_ny+l為歷史時刻，y (t)為采集的鉛鋅燒結塊成分的當前值，y (t-1)、. . .、y (t_ny+l)為采 集的鉛鋅燒結塊成分的歷史值，e (t)為白噪聲，\為y對應的階次，h為RBF神經網絡的層 數，X(t)為狀態相依變量，X(t) = [y(t)]T，
[0013] c〇，· · ·，Cm，Eiji,〇，· · ·，&k,m，Zm，i，入出，πι I，2，· · · h，k I，2，· · ·，ny^J
[0014] 鉛鋅燒結塊成分的RBF-AR模型的參數；
[0015] B.設置多組不同的ndPh的值，分別通過非線性參數辨識方法辨識各組ndPh對 應RBF-AR模型的參數
[0016] c〇，· · ·，Cm，Eiji,〇，· · ·，&k,ni，Zm，i，入出，Hi I，2，· · · h，k I，2，· · ·，riy;
[0017] C.求得各組\和h對應的噪聲方差σ 2,并由此求得各組\和h對應的赤信息準 則值AIC，其中AIC = N log σ 2+2d，N為用于辨識的數據的數目，N > > ny，d是待辨識的參 數個數總和，d = (h+1) (l+ny)+3*h ;
[0018] D.比較各組\和h對應的AIC的大小，將最小的AIC對應的η ￥和h的值、該η #口 h對應的RBF-AR模型的參數代入步驟A中的RBF-AR模型，得到鉛鋅燒結塊的成分預測模 型；
[0019] E.采集y(t)、y(t-l).....y(t_ny+l)并代入成分預測模型，得到鉛鋅燒結塊的成 分預測值y(t+l)。
[0020] RBF(Radical Basis Function)神經網絡代表徑向基函數神經網絡，是神經網絡 的一種；AR(Autoregressive model)模型代表自回歸模型。RBF-AR模型則是結合了前二 者的優點的模型，在現有技術中已存在此模型和建模方法。RBF-AR模型是一種自回歸模 型，其自回歸系數不是固定不變的常數，而是由RBF神經網絡表示的一種非線性結構。因此 RBF-AR模型既具有自回歸模型的特點又具有RBF神經網絡描述非線性的能力。
[0021] 作為一種優選方式，步驟B中采用Levenberg-Marquardt算法辨識各組\和h對 應的RBF-AR模型的參數，Levenberg-Marquardt算法包括以下步驟：
[0022] BI.設參數集
[0023] 焉蠢柄^ 1 s4、海,f以,^ 中的RBF-AR模型可以改成
[0024] y (t+1) = f ( θ N, X (t)) +e (t)
[0025] 設誤差指標函數為
[0028] 其中 τ =ny;[0029] Β2·設定θ N中各參數的初始值；[0030] B3.記k為迭代的步數，設定最大迭代步數kmax，對于Θ k+1步的迭代值j 更新公式為
[0026]
[0027]
[0031] 霄'：崎· β為
[0032] 其中dk為搜索方向，β k為步長系數，其中每一次迭代的dk由公式
[0033]
[0034] 決定，其中rk控制d 幅度和方向；
[0035] 如果轉}且k < k_，則繼續進行第二步優化；否則迭代停止，此時的 罐為RBF-AR模型的參數；對應的噪聲方差〇2=2V(0 N)。
[0036] 作為一種優選方式，步驟B2中初始值的設定方式為：
[0037] (ZnuIm = 1，2, · · .h}取y(t)、y(t_l)、· · ·、y(t_ny+l)的平均值；
[0038] UnJm= l，2，...h}取 0.01 ;隨機選取
[0039] {c〇，···，Cm，Eiji，〇，···，&k,ni I m I，2，· · · h，k I ? 2? . . . ? ny} 〇
[0040] 初始值的選擇對最終預測的結果影響不大。
[0041] 作為一種優選方式，步驟B3中心取0.0001。
[0042] -般β 14在le-8至0. 1之間取值，β k越小，辨識精度越高，辨識時間越長，考慮時 間和精度的折中，1^取0.0001。
[0043] 作為一種優選方式，步驟B3中4取0· 01。
[0044] rk是一個正數，當其為0時，dk為高斯牛頓方向；當其趨于無窮時，dk為最速下降 方向，折中選取為〇.〇1。
[0045] 作為一種優選方式，步驟B3中k_取1000。
[0046] k_越大，辨識精度越高，辨識時間越長，考慮時間和精度的折中，k_取1000。
[0047] 與現有技術相比，本發明能夠快速地預測出下一時刻鉛鋅燒結塊中的成分，解決 了現有技術中檢測時間過長導致檢測的結果不能被有效利用的缺點，將預測的鉛鋅燒結塊 的成分結果及時用于調整燒結過程的配料，可以即時指導生產，提高了鉛鋅燒結塊的合格 率。
【附圖說明】
[0048] 圖1為驗證數據的實際值與預測值對照圖；
[0049] 圖2為驗證數據的實際值與預測值的偏差值曲線圖。
[0050] 圖1中，虛線為實際值，實線為預測值。
【具體實施方式】
[0051] 本發明的一實施方式包括以下步驟：
[0052] A.建立鉛鋅燒結塊成分的RBF-AR模型 CN 105005670 A W 4/5 頁
[0053]
[0054] 其中，y (t+1)為預測的t+1時刻的鉛鋅燒結塊的成分值，t為當前時刻，t-1..... t_ny+l為歷史時刻，y (t)為采集的鉛鋅燒結塊成分的當前值，y (t-1)、. . .、y (t_ny+l)為采 集的鉛鋅燒結塊成分的歷史值，e (t)為白噪聲，\為y對應的階次，h為RBF神經網絡的層 數，X(t)為狀態相依變量，X(t) = [y(t)]T，
[0055] c〇，· · ·，Cm，Eiji,〇，· · ·，&k,m，Zm，i，入出，πι I，