一种高炉铁水硅含量在线预测方法.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CN110097929A(43)申请公布日2019.08.06(21)申请号201910304149.1(22)申请日2019.04.16(71)申请人北京科技大学地址100083北京市海淀区学院路30号(72)发明人程树森梅亚光张丽英徐文轩牛群(74)专利代理机构北京市广友专利事务所有限责任公司11237代理人张仲波(51)Int.Cl.G16C20/70(2019.01)G16C20/20(2019.01)权利要求书2页说明书5页附图3页(54)发明名称一种高炉铁水硅含量在线预测方法(57)摘要本发明提供一种高炉铁水硅含量在线预测方法，根据高炉硅元素传输机理，从高炉作业参数中选择影响铁水硅含量的参数作为预测模型的输入变量，采用皮尔森相关性分析方法确定输入变量与铁水硅含量之间的滞后时间，再对输入变量的样本数据和预测数据进行标准化处理，消除量纲不同对模型预测准确度的影响，采用核极限学习机对下一时刻的铁水硅含量进行预测，采用滑动窗更新的方法对训练集数据进行在线更新，引入遗传算法对核极限学习机模型的关键参数进行优化。本发明提供的在线预测方法适用于对高炉铁水硅含量进行长期在线预测，实际检测结果证明本发明提供的预测方法的预测精度较高，有利于高炉操作人员提前了解高炉硅含量水平，及时对作业参数进行调整。CN110097929ACN110097929A权利要求书1/2页1.一种高炉铁水硅含量在线预测方法，其特征在于，包括以下步骤：1)基于高炉内硅元素传输机理，确定模型的输入变量：小时料批、总风量、风温、风压、喷煤量、燃料比、总氧量、透气性指数、炉墙温差、炉腹煤气量、鼓风湿度、中部压差和下部压差；2)针对高炉操作的大时滞特点，选取一段较长时间内的高炉生产数据为研究对象，采用皮尔森相关性分析确定各变量与铁水硅含量之间的滞后时间；3)选择当前时刻前若干小时内的生产数据为训练集，对训练集和预测集的各输入变量做z-score标准化处理，消除量纲不同带来的影响；4)使用核极限学习机算法建立高炉铁水硅含量预报模型，计算得到输出权重，进而基于此计算下一时刻的硅含量预测值；所述的使用核极限学习机算法建立高炉铁水硅含量预报模型，即将核函数引入到极限学习机中，用核映射取代传统极限学习机中的随机映射，增加模型的稳定性；核函数类型选用高斯核函数，首先基于训练集输入数据和所选择的核函数类型，得到隐含层矩阵，再利用最小二乘法求出隐含层与输出层之间的输出权重矩阵，同时，基于预测集输入数据求出隐含层矩阵，再乘以上述输出权重矩阵，即得到硅含量预测值；5)采用滑动窗更新的方法，在训练集中逐步添加新数据，同时去除距离当下时刻最远的旧数据，达到对训练集进行动态更新的效果，返回步骤3)继续预测下一时刻的铁水硅含量；6)选取一段较长时间内的高炉生产数据为研究对象，采用遗传算法对核极限学习机模型的关键参数进行优化。2.根据权利要求1所述的一种高炉铁水硅含量在线预测方法，其特征在于：步骤2)所述的皮尔森相关性分析方法为：首先选取较长一段时间内的生产参数为研究对象，人为地设定各变量与硅含量之间的滞后时间为1-8小时，根据下式计算不同滞后时间下输入变量与硅含量之间的皮尔森相关性系数，其中xi为输入变量值，yi为硅元素含量值，N为参与相关性分析的数据组数)，再结合原理分析各变量与硅含量之间的正负相关性，进而选取相关性系数绝对值最大或最小时对应的滞后时间为各变量与硅含量之间的合理滞后时间；3.根据权利要求1所述的一种高炉铁水硅含量在线预测方法，其特征在于：步骤3)所述的标准化处理方法为：将训练集和预测集的输入变量根据下式进行z-score标准化变换，其中x’为标准化后的输入变量值，x为输入变量值，μ为输入变量的均值，σ为输入变量的标准差；4.根据权利要求1所述的一种高炉铁水硅含量在线预测方法，其特征在于：步骤4)所述的使用核极限学习机算法建立硅含量预测模型，方法为假设输入数据集里包含N组待训练Tn数据(xi，ti)，其中xi＝[xi1,xi2,…,xin]∈R，表示第i组输入数据中包含的n个变量，ti＝Tm[ti1,ti2,…,tim]∈R，表示第i组目标值数据中包含的m个变量，对于高炉铁水硅含量预测m2CN110097929A权利要求书2/2页＝1,对于传统单隐层前馈神经网络，其数学模型表示为：其中wi表示隐含层第i个神经元与输入层神经元之间的权重矩阵，βi表示隐含层第i个神经元与输出层神经元之间的权重矩阵，bi表示隐含层第i个神经元的偏置，g(x)为激活函数。5.根据权利要求1所述的一种高炉铁水硅含量在线预测方法，其特征在于：步骤4)所述核函数选择为高斯核函数：所述核极限学习机的输出为隐含层输出权重矩阵6.根据权利要求1