一种高炉铁水硅含量智能预报方法及系统.pdf

(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CN111444942A(43)申请公布日2020.07.24(21)申请号202010165895.XG06Q50/04(2012.01)(22)申请日2020.03.11(71)申请人中南大学地址410000湖南省长沙市麓山南路932号申请人合肥金星机电科技发展有限公司(72)发明人蒋朝辉许川李端发方怡静桂卫华徐勇肖鹏(74)专利代理机构长沙朕扬知识产权代理事务所(普通合伙)43213代理人易瑶(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06Q10/04(2012.01)权利要求书2页说明书10页附图4页(54)发明名称一种高炉铁水硅含量智能预报方法及系统(57)摘要本发明公开了一种高炉铁水硅含量智能预报方法及系统，通过对高炉的历史工况数据按波动率进行分类，获得不同工况的历史训练参数,对不同工况的历史训练参数，分别训练预测网络,将当前工况数据输入不同的预测网络，获得与预测网络数目相同的预测值以及将预测值输入决策网络，获得硅含量实时预测值，解决了现有的硅含量预测模型由于无法自适应工况变化导致硅含量预测精度低的技术问题，不仅能获得与自适应工况变化对应的高精度硅含量预测值，而且具有稳定性强，成本低，投资少等显著优点。且本发明的方法适用范围广，不仅适用于高炉铁水硅含量，也适用于其他成分信息，模型实时更新，能自适应各种工况。CN111444942ACN111444942A权利要求书1/2页1.一种高炉铁水硅含量智能预报方法，其特征在于，所述方法包括：对高炉的历史工况数据按波动率进行分类，获得不同工况的历史训练参数，其中所述历史工况数据包括高炉工况数据和与所述高炉工况数据对应的硅含量数据；对不同工况的历史训练参数，分别训练预测网络；将当前工况数据输入不同的预测网络，获得与所述预测网络数目相同的预测值；将所述预测值输入决策网络，获得硅含量实时预测值。2.根据权利要求1所述的高炉铁水硅含量智能预报方法，其特征在于，对高炉的历史工况数据按波动率进行分类包括：计算所述历史工况数据中硅含量数据的波动率，所述波动率的计算公式为；2RF(Xj)＝D(Xj)/E(Xj),其中，Xj为第j组历史工况数据，RF(Xj)为第j组历史工况数据中硅含量数据的波动率，D2(Xj)为第j组历史工况数据在定长区间内硅含量数据的方差，E(Xj)为第j组历史工况数据在定长区间内硅含量数据的二阶矩；根据所述波动率，将所述历史工况数据分成平稳历史工况数据和波动历史工况数据。3.根据权利要求2所述的高炉铁水硅含量智能预报方法，其特征在于，对不同工况的历史训练参数，分别训练预测网络包括：将所述平稳历史工况数据输入第一预测网络进行训练，获得平稳预测网络；将所述波动历史工况数据输入第二预测网络进行训练，获得波动预测网络。4.根据权利要求3所述的高炉铁水硅含量智能预报方法，其特征在于，将所述平稳历史工况数据输入第一预测网络进行训练，获得平稳预测网络包括：基于所述平稳历史工况数据，采用列文伯格-马夸尔特算法和模拟退火算法训练递归神经网络，从而获得第一预测网络，其中所述递归神经网络采用Huber损失函数，表达式为：其中，Lδ(y,f(x))为损失函数的值，y为数据的真实值，f(x)为网络的预测值，δ为由用户自定义的超参数。5.根据权利要求1-4任一所述的高炉铁水硅含量智能预报方法，其特征在于，对高炉的历史工况数据按波动率进行分类，获得不同工况的历史训练参数之前还包括：按照预设周期实时采集高炉工况与硅含量相关程度满足预设阈值的历史工况数据；计算当前实时工况数据与所述历史工况数据之间的加权欧式距离，并按照所述加权欧式距离选取预设组数目的与所述当前实时工况数据对应的当前工况数据，且计算当前实时工况数据与所述历史工况数据之间的加权欧式距离的具体公式为：其中，ρj为当前实时工况数据与第j组历史工况数据的加权欧式距离，Xi为第j组历史工况数据的第i项工况，Yi表示当前实时工况数据，wi为第j组历史工况数据中第i项工况与硅2CN111444942A权利要求书2/2页含量之间的相关系数，n为第j组历史工况数据的工况总数目；对所述历史工况数据和当前工况数据进行预处理。6.根据权利要求5所述的高炉铁水硅含量智能预报方法，其特征在于，对所述历史工况数据进行预处理包括：计算所述历史工况数据中各工况数据的平均值；计算所述历史工况数据中各工况数据的加权欧式距离，从而获得权重欧式距离矩阵；采用拉依达准则筛选数据，求取所述权重欧式距离矩阵中的权重欧式距离的均值；采用贝塞尔公式求解所述权重欧式距离矩阵中的权重欧式距离的标准差；基于所述标准差，按照拉依达准则，剔除所述历