基于规则辅助的高炉冶炼过程数据驱动建模方法.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CN107092743A(43)申请公布日2017.08.25(21)申请号201710246244.1(22)申请日2017.04.15(66)本国优先权数据201610236242.X2016.05.05CN(71)申请人中国石油大学(华东)地址266580山东省青岛市黄岛区长江西路66号(72)发明人渐令宋晓欣高富豪宋允全梁锡军(74)专利代理机构青岛联信知识产权代理事务所37227代理人段秀瑛王月玲(51)Int.Cl.G06F17/50(2006.01)权利要求书3页说明书7页附图3页(54)发明名称基于规则辅助的高炉冶炼过程数据驱动建模方法(57)摘要本发明涉及一种基于规则辅助的高炉冶炼过程数据驱动建模方法，通过收集、整理专家知识得到IF…THEN…规则，根据IF…THEN…规则将采集的原始数据转化为规则数据，利用多核学习算法整合多个专家知识得到基于规则的规则预测模型，并建立数据驱动预测模型，通过Sigmoid函数将规则预测模型和数据驱动预测模型的输出决策值转换为后验概率，并对数据驱动预测模型和规则预测模型进行集成，获得规则辅助的数据驱动模型。由于将专家知识、模糊规则等异质信息与数据驱动模型进行集成，与现有技术相比，本发明建模方法可以显著提高数据驱动模型的预测精度和可解释性，从而提高高炉冶炼过程采集数据的利用率。CN107092743ACN107092743A权利要求书1/3页1.一种基于规则辅助的高炉冶炼过程数据驱动建模方法，其特征在于，含有以下步骤：(一)采集2000m3高炉冶炼过程实际数据，高炉实际采集数据具有时序特征，故在数据处理过程中保持数据先后顺序不变；采用如下数据处理方法对采样数据进行预处理，其中表示原始采集数据，表示第j个特征的平均值，表示第j个采集变量的标准差，将采集数据转换为无量纲数据，消除数据的数量级差异，将上述预处理后的数据转换为规则数据，其具体步骤为：(1)收集并整理专家知识、利用决策树算法生成IF…THEN…规则：(2)定义第k个样本点xk的第ip个特征关于基本规则区间的隶属度为：其中，(3)定义合取算子∧及析取算子∨计算and-型规则及or-型规则对样本xk的规则支持度为：(4)利用规则支持度产生规则数据，规则数据表示为：mrk＝(r1(xk)，…，rm(xk))∈[01](6)；(二)采用多核学习算法融合多源规则数据，其具体步骤为：(1)选择高斯RBF函数作为核函数，利用步骤(一)产生的p组规则数据分别产生核矩阵K1，…，Kp；(2)利用面向LS-SVMs的多核学习算法对p组规则数据进行融合：s.t.||μ||≤1,μi≥0，i＝1，…，p+1,2CN107092743A权利要求书2/3页T其中fi(α)＝αKiα，i＝1，…，p+1，求解上述融合的优化问题，得到LS-SVMs模型正则化参数ν＝μp+1及最优核矩阵系数μi(i＝1，…，p)，进而获得进行数据融合的规则核矩阵(三)建立数据驱动预测模型，其具体步骤为：利用LS-SVMs建立数据驱动模型为：其中，w为分类超平面的法向量，b为分类超平面的截距项，ei为误差项，v≥0为模型正则化参数，表示特征映射，通过指定核函数的方式隐式确定；通过求解上述数据驱动模型的KKT系统得到数据驱动预测模型为：(四)建立规则预测模型，其具体步骤为：将步骤(二)中的得到LS-SVMs模型正则化参数ν以及规则矩阵KR代入LS-SVMs模型的KKT系统求解公式(11)表示的KKT系统得到规则预测模型：(五)采用Sigmoid函数拟合将步骤(四)中规则预测模型的输出转换为后验概率，其具体步骤为：通过拟牛顿算法求解优化问题：其中N+/N_分别为正/负类样本点个数；得到Sigmoid函数的最优拟合参数A和B，进而将规则预测模型的输出决策值转化为后验概率进行输出，后验概率表示为：(六)通过后验概率集成数据驱动预测模型和规则预测模型，建立规则辅助的数据驱动模型，其具体步骤为：通过步骤(五)分别拟合出数据驱动预测模型和规则预测模型的Sigmoid函数的最优拟合参数，将数据驱动预测模型和规则预测模型的决策值转换为后验3CN107092743A权利要求书3/3页概率PD和PR，并对数据驱动预测模型和规则预测模型进行集成，获得规则辅助的数据驱动模型为：2.如权利要求1所述的基于规则辅助的高炉冶炼过程数据驱动建模方法，其特征在于，所述高炉冶炼过程实际数据包括控制参数和状态参数，所述控制参数包括喷煤量、风量、风温以及富氧量，所述状态参数包括高炉铁水硅含量、凸台温差、冶炼强度、透气性指数、料速、顶风压力以及炉渣碱度；以高炉铁水硅含量作为高炉炉温的表征，并选取其为规则辅助的数据驱动模型的输出变量，通过对高炉铁