基于Elman‑Adaboost强预测器的铁水硅含量预测方法.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CN106096637A(43)申请公布日2016.11.09(21)申请号201610393666.7(22)申请日2016.06.06(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人杨春节庄田王琳(74)专利代理机构杭州求是专利事务所有限公司33200代理人林松海(51)Int.Cl.G06K9/62(2006.01)C21B5/00(2006.01)权利要求书2页说明书7页附图2页(54)发明名称基于Elman-Adaboost强预测器的铁水硅含量预测方法(57)摘要本发明公开了一种基于Elman-Adaboost强预测器的铁水硅含量预测方法，属于工业过程监控、建模和仿真领域。首先，选择合适的输入变量，归一化后作为K个弱预测器的输入；其次，确定训练样本的初始权值；然后，分别进行K个弱预测器的训练，并根据其训练结果更新样本的权值，反复训练；最后，计算弱预测器的权重，融合多个弱预测器以得到强预测器的预测结果。高炉炼铁过程的动态性使铁水硅含量的预测精度不高，本发明针对这一问题，选择动态性能较好的Elman神经网络作为弱预测器，并通过Adaboost算法融合多个弱预测器以得到Elman-Adaboost强预测器，该模型应用于硅含量的预测研究尚属空白。本发明相比现有方法对于铁水硅含量的预测具有更高的精度。CN106096637ACN106096637A权利要求书1/2页1.一种基于Elman-Adaboost强预测器的铁水硅含量预测方法，其特征在于，该方法的步骤如下：步骤一：训练样本及归一化，选择输入变量及其时滞，进行归一化处理后，将其作为K个Elman神经网络弱预测器的输入，K为自然数；步骤二：初始化，随机选择m组为训练样本，n组为测试样本，确定训练样本的初始权值；步骤三：弱预测器预测，分别进行K个弱预测器的训练，并根据其训练结果更新样本的权值，反复训练；步骤四：强预测器预测，确定弱预测器的权重，融合多个弱预测器以得到强预测器的预测结果。2.根据权利要求1所述的方法，其特征在于，步骤一所述的训练样本及归一化过程如下：1)选择炉顶压力、透气性、喷煤、富氧率、炉顶温度、压差、料批、热风压力、热风温度、热风流量、热风湿度和前一炉硅含量这12个变量作为Elman神经网络的输入，所述12个变量以j表示；2)选择透气性、喷煤、富氧率、热风温度和热风流量的滞后步数分别为3、3、1、2、1，即所实现的非线性模型为：式中，xj(t)代表输入变量，y(t)为输出的硅含量，f(·)为非线性函数；3)对数据进行归一化处理，以统一数值较大的变量与数值较小的变量变化对输出影响的不平衡性：式中，xj为归一化处理前的变量，为归一化后的变量，max(xj)为xj中的最大值，min(xj)为xj中的最小值，处理后，将其作为K个Elman神经网络弱预测器的输入。3.根据权利要求1所述的方法，其特征在于，步骤二所述的网络初始化初始训练样本的权值为：式中，Di(t)为训练第t个Elman神经网络时的第i个样本的权值。4.根据权利要求3所述的方法，其特征在于，步骤三所述的弱预测器预测过程如下：1)训练第t个弱预测器时，用训练数据训练弱预测器并预测训练数据的输出，得到弱预测器预测误差ei(t)；2)更新样本权值：式中，θ为预先设定的值，使误差较大的训练个体权重较大，下一次迭代更加关注这些训练个体，更新后需对权值进行归一化处理，使权重不变下分布权值和为1。2CN106096637A权利要求书2/2页5.根据权利要求4所述的方法，其特征在于，步骤四所述的强预测器预测过程如下：1)弱预测器权重a(t)：式中，E(t)为m个样本的训练误差和，同样需对a(t)做归一化处理；2)使用测试样本进行预测得到K个弱预测器的输出y(t)，则强预测器的输出Y为：6.根据权利要求1所述的方法，其特征在于，适用于具有复杂动态性的高炉炼铁过程中的铁水硅含量预测。3CN106096637A说明书1/7页基于Elman-Adaboost强预测器的铁水硅含量预测方法技术领域[0001]本发明属于工业过程监控、建模和仿真领域，特别涉及一种基于Elman-Adaboost强预测器的铁水硅含量预测方法。背景技术[0002]钢铁工业的生产水平是衡量一个国家工业自动化程度的标准之一，而高炉炼铁是钢铁工业中的核心单元操作。高炉炼铁是将铁矿石还原成铁的过程，具有时变、非线性、多尺度和动态性等特征。铁水中的硅含量是反映生铁质量和生产过程热状态的一个重要变量，硅含量高预示着炉内焦炭剩余，硅含量低预示着炉内能量储备耗尽。较低的硅含量不仅能使生铁质量稳定，节省能量，而且能避免冷却炉床时产生炉缸冻结，所以应控制硅含量在一