基于TD-LightGBM的铁水硅含量预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115081690A(43)申请公布日2022.09.20(21)申请号202210629371.0(22)申请日2022.06.01(71)申请人江南大学地址214122江苏省无锡市滨湖区蠡湖大道1800号(72)发明人熊伟丽王佳宇(74)专利代理机构哈尔滨市阳光惠远知识产权代理有限公司23211专利代理师吕永芳(51)Int.Cl.G06Q10/04(2012.01)G06K9/62(2022.01)权利要求书2页说明书7页附图3页(54)发明名称基于TD-LightGBM的铁水硅含量预测方法(57)摘要本发明公开了基于TD‑LightGBM的铁水硅含量预测方法，属于工业过程监控技术领域。所述方法包括：首先，利用轻量化梯度促进机的决策树模型结构按照特征被用于分割训练数据的次数评判该特征重要性；然后，结合时间差分算法建立动态特征提取模型；最后，采用局部加权算法根据样本间的欧氏距离建立局部模型。基于该模型进行炼铁过程中铁水硅含量的预测，可以有效地去除高炉环境参数中的冗余项和漂移相，相比于现有的铁水中硅含量预测方案，本发明进一步提高了预测的准确性。CN115081690ACN115081690A权利要求书1/2页1.一种铁水中硅含量的预测方法，其特征在于，所述方法包括：步骤1：采集炼铁高炉的历史实际运行数据，构建历史样本集和查询样本集；步骤2：获取所述历史样本集的输入数据x(1),x(2),…,x(t+1)，输出数据y(1),y(2),…,y(t+1)，使用LightGBM建立决策树模型，得到特征向量，其中t是历史样本集采样时刻；步骤3：对LightGBM决策树模型提取的特征向量按照各个特征的增益排序，选取前f个特征向量；步骤4：计算步骤3得到的特征向量的差分项Δx(1),Δx(2),…,Δx(t)和Δy(1),Δy(2),…,Δy(t)，以及查询样本输入的差分项Δx(q‑1)＝x(q)‑x(q‑1)，q是查询样本集的采样时刻；步骤5：计算步骤4中的查询样本差分项与各历史输入样本差分项之间的欧氏距离以及相应的权重值，选择与查询样本最相关的N个历史差分项作为训练集ΔXN和ΔYN，并获得权重矩阵Ω；步骤6：构建局部加权岭回归LWRR模型，并利用步骤5中的训练集ΔXN、ΔYN和权重矩阵Ω训练所述局部加权岭回归LWRR模型；步骤7：获取高炉运行的实时数据，利用步骤6中训练好的LWRR模型得到当前时刻与前一时刻铁水中硅含量的差分项预测值步骤8：得到铁水中硅含量最终预测值其中y(q‑1)为上一时刻的铁水中硅含量的实际值。2.根据权利要求1所述的方法，其特征在于，所述LightGBM决策树模型根据每个特征被用于分割训练数据的次数评判该特征的重要性，利用单边梯度采样算法对数据按照梯度进行排序，保留前a％梯度较大的数据形成子集A；对于(1‑a)％梯度较小的数据形成的残差集Ac，随机形成大小为b·|Ac|的子集B，并计算信息增益：其中，Al＝{x(t)∈A:xj(t)≤d}，Ar＝{x(t)∈A:xj(t)＞d}，Bl＝{x(t)∈B:xj(t)≤d}，Br＝{x(t)∈B:xj(t)＞d}，g(t)为梯度，x(t)表示在t时刻的辅助变量的采样值，d是在分裂计c算中找到的最佳增益不变的点，用于归一化B的梯度和到A，是集合Al的样本数，xj(t)是第j个特征的t时刻的辅助变量。3.根据权利要求2所述的方法，其特征在于，所述局部加权岭回归LWRR模型包括：利用局部加权算法，根据查询样本与历史样本的欧氏距离对每个样本赋予不同的权值；利用岭回归算法，引入Tikhonov–Phillips正则项解决线性回归中存在的共线性问题。4.根据权利要求3所述的方法，其特征在于，所述局部加权岭回归LWRR模型对每个样本赋予的权值为：2CN115081690A权利要求书2/2页其中，为权重函数中的可调参数，为距离的标准差，di为查询样本与第i个历史样本的距离；将各个样本的权重表示为权重向量w＝[w1,w2,…,wn]，并将权重矩阵记为Ω＝diag(w)。5.根据权利要求4所述的方法，其特征在于，所述局部加权岭回归LWRR模型中查询样本的预测输出值的估计过程包括：步骤71：去均值化，计算样本输入输出的加权平均值，并对训练样本的输入输出和查询样本的输入进行去均值化处理；步骤72：将所述查询样本输出的初始估计值设定为步骤73：利用Tikhonov–Phillips正则项定义代价函数；步骤74：代价函数J对求偏导数，得到参数的估计值；步骤75：计算预测输出值其中，X∈Rn×m为给定的辅助变量集，Y∈Rn×1为所述辅助变量集对应的主导变量集，m、n分别是辅助变量的维度和样本数，x(q)∈R1×m为查询样本的输入，λ为岭