(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111635036.3 (22)申请日 2021.12.27 (71)申请人 中南大学 地址 410006 湖南省长 沙市岳麓山左家垅 申请人 深圳市中金岭南有色金属股份有限 公司韶关冶炼厂 (72)发明人 贺建军　刘再涛　邵雄奇　刘佳乐　 李小林　欧守良　 (74)专利代理 机构 长沙正务联合知识产权代理 事务所(普通 合伙) 43252 代理人 郑隽 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/00(2006.01) G06N 3/04(2006.01)G06N 3/06(2006.01) G06N 3/08(2006.01) (54)发明名称 一种烧结流程冷却圆筒返粉料水分预测方 法及预测系统 (57)摘要 本发明提供了一种烧结流程冷却圆筒返粉 料水分预测方法及预测系统， 该预测方法包括获 取冷却圆筒出料口返粉料的水分值及影响水分 值的变量的数据信息； 对所述数据信息进行重采 样； 对重采样后的数据信息进行相关性分析， 得 到划分为输入层数据信息和输出层数据信息的 数据集合； 将所述数据集合按比例划分为训练集 和测试集； 将训练集输入至改进的RBF神经网络 模型中进行训练， 并通过灰狼优化算法对改进的 RBF神经网络模型进行寻优操作， 构建最优水分 预测模型； 将测试集数据输入至最优 水分预测模 型中， 输出出料口物料的水分值。 本发明可解决 水分值测量的滞后导致无法及时补偿和修正加 冷却水量的问题， 为加水的实时控制提供及时的 反馈信息 。 权利要求书3页 说明书12页 附图13页 CN 114169640 A 2022.03.11 CN 114169640 A 1.一种烧结流 程冷却圆筒返粉料 水分预测方法， 其特 征在于， 所述方法包括： 获取冷却圆筒出 料端返粉料的水分值以及影响所述水分值的变量的数据信息； 采用KNN‑NearMiss算法对所述数据信息进行重采样去除噪声样本和重叠冗余样本， 得 到重采样后的数据信息； 采用Spearman秩相关法对重采样后的数据信息进行相关性分析， 得到划分为输入层数 据信息和输出层数据信息的数据集 合； 将所述数据集 合按比例划分为训练集和 测试集； 将训练集输入至改进的RBF神经网络模型中进行训练， 并通过改进的灰狼优化算法对 改进的RBF神经网络模型进行寻优操作， 构建最优水分预测模型； 将测试集数据输入至所述最优水分预测模型中， 输出冷却圆筒出料端物料的水分含量 值。 2.根据权利要求1所述的烧结流 程冷却圆筒返粉料 水分预测方法， 其特 征在于， 所述数据信 息包括冷却圆筒入料口的温度、 冷却圆筒出料口的温度、 下料频率、 冷却圆 筒进料端加清水的流 量、 加矿浆的流 量以及冷却圆筒出 料口物料的水分值。 3.根据权利要求2所述的烧结流程冷却圆筒返粉料水分预测方法， 其特征在于， 采用 Spearman秩相关法对重采样后的数据信息进 行相关性分析， 得到划分为输入层数据信息和 输出层数据信息的数据集合； 其中， 所述输入层数据信息包括冷却圆筒入料 口加矿浆的流 量、 冷却圆筒入料口的温度、 冷却圆筒 出料口的温度和下料频率， 所述输出层数据信息包括 出料口物料 水分值。 4.根据权利要求1所述的烧结流 程冷却圆筒返粉料 水分预测方法， 其特 征在于， 改进的RBF神经网络模型包括依此 连接的输入层、 隐含层和输出层； 所述隐含层为双隐层的结构， 隐层1为基函数层， 隐层2为全连接层； 所述输入层的神经 元个数为 4个， 所述输出层的神经 元个数为1个。 5.根据权利要求 4所述的烧结流 程冷却圆筒返粉料 水分预测方法， 其特 征在于， 将训练集输入至改进的RBF神经网络模型中进行训练， 包括： 将冷却圆筒入料口加矿浆的流量、 入料口的温度、 出料口的温度和下料频率作为神经 网络的输入， 出 料口物料 水分测量 值作为输出； 训练方法如下： 首先， 前向传播： 输入层至基函数层的计算如式(1): 其中， zj和σj是基函数层第j个神经元 的输出和宽度参数； Xi＝{xi1,xi2,...,xin}是第i 个训练样本； Cj＝{cj1,cj2,...,cjn}是第j个神经元对应的中心向量， 由其所连接的输入层 所有神经 元的中心分量构成； 基函数层至全连接层以及全连接层至 输出层的计算如式(2): 为的输出向量， W 为层与层之间的权值矩阵， 为输入向量， 为偏置向量。 然后， 反向传播， 利用梯度下降法迭代训练网络参数：权　利　要　求　书 1/3 页 2 CN 114169640 A 2网络参数{C1,C2,...,Cj}、 {σ1, σ2,..., σj}、 {w1,w2,...,wj}训练表达式如式(3)～(5)： 6.根据权利要求 4所述的烧结流 程冷却圆筒返粉料 水分预测方法， 其特 征在于， 通过改进的灰狼优化算法对改进的RBF神经网络模型进行寻优操作， 构建最优水分预 测模型， 包括： 设置适应度函数fitness(X)、 灰狼数量n、 最大迭代次数max_iter， 将改进的RBF神经网 络模型中隐含层神经 元个数作为优化目标； 初始化狼群位置， 收敛因子a及系数向量A， C； 以灰狼位置参数作为改进的RBF神经网络模型中隐含层的神经元个数， 根据改进的RBF 神经网络模型， 获得 所有初始灰狼个 体的适应度， 保存适应度最小的前3匹狼α， β， δ； 为每只狼的每一个维度构建一个邻域， 狼个体同一维度之间共享邻域信息， 更新当前 灰狼个体的位置； 利用α， β， δ3匹狼更新所有灰狼个体的适应度， 然后更新收敛因子a及系数向量A， C、 更 新α， β， δ狼的位置及适应度使得其始终为 适应度最小的3匹狼； 重复更新所有灰狼个体的位置及适应度直至达到最大迭代次数， 即得最优水分预测模 型。 7.根据权利要求6所述的烧结流 程冷却圆筒返粉料 水分预测方法， 其特 征在于， 为每只狼的每一个维度构建一个邻域， 狼个体同一维度之间共享邻域信息， 更新当前 灰狼个体的位置， 包括： 先由式(6)～(8)计算得到传统灰狼算法的更新 位置Xi,gwo(t+1)： Dk(t)(k＝α, β, δ )的计算方式为式(7): Dk＝dist(C *Xk(t),Xi(t))      (7) Xα,Xβ,Xδ分别表示α， β， δ狼的位置； 然后计算Xi(t)以Ri(t)为半径的所有邻域狼集合Ni(t)， Ri(t)、 Ni(t)的计算公式如(9) ～(10): Ri(t)＝dist(Xi(t),Xi,gwo(t+1))     (9) Ni(t)＝{Xj(t)|dist(Xi(t),Xj(t))≤Ri(t),Xj(t)∈pop}    (10) 对于灰狼个 体Xi， 通过学习其邻域信息获得候选更新 位置Xi,candi， 如式(11):权　利　要　求　书 2/3 页 3 CN 114169640 A 3