自适应高炉铁水硅含量趋势预报方法.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CN105574297A(43)申请公布日2016.05.11(21)申请号201610088041.X(22)申请日2016.02.16(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代理人徐艳艳高洋(51)Int.Cl.G06F17/50(2006.01)权利要求书2页说明书8页附图2页(54)发明名称自适应高炉铁水硅含量趋势预报方法(57)摘要本发明涉及一种自适应高炉铁水硅含量趋势预报方法，基于在线最小二乘支持向量机，建立基于在线LS-SVMs模型的自适应预报器，通过不断采集新样本对趋势预报模型进行自适应性更新，追踪高炉冶炼过程的动态变化，实时性和可靠性好。本发明提供的自适应高炉铁水硅含量趋势预报方法，能够灵活高效处理高炉铁水硅含量的趋势预报问题，数据可以以数据块的形式收集，与传统批处理方式以及当前的在线预报方法相比，有效降低了计算复杂难度和模型运行时间。CN105574297ACN105574297A权利要求书1/2页1.一种自适应高炉铁水硅含量趋势预报方法，其特征在于：含有以下步骤：(一)确定趋势预报器的输入变量；(二)对现场采集数据进行预处理；(三)建立初始高炉铁水硅含量趋势预报器；(四)采用趋势预报器对数据流中的样本进行趋势预测；(五)建立基于在线LS-SVMs模型的自适应预报器；(六)根据自适应预报器的输出预报结果指导工长操作。2.根据权利要求1所述的自适应高炉铁水硅含量趋势预报方法，其特征在于：步骤(一)中，确定趋势预报器的输入变量的具体步骤为：(1)采集与高炉铁水硅含量密切相关的喷煤量、风量、风温三个控制变量，以及与高炉铁水硅含量密切相关的透气性、前次铁水硅含量、前次铁水硫含量三个状态变量；(2)以出铁间隔时间为标准，采用卷积或最小二乘时间配准方式对采样数据进行协整，统一各变量的时间尺度；(3)采用互信息方法对各变量的时滞进行分析，利用Takens定理重构产生数据对象的特征空间，确定趋势预报器的输入变量的个数；(4)以高炉铁水硅含量的变化趋势作为趋势预报器的输出变量，采用F-分数模式分析与交叉验证相结合的方法对高炉炼铁过程的采集变量进行筛选，确定趋势预报器的输入变量。3.根据权利要求1所述的自适应高炉铁水硅含量趋势预报方法，其特征在于：步骤(二)中，对现场采集数据进行预处理的具体步骤为：(1)使用统计软件R分析现场采集数据的基本统计特性并进行数据清理；(2)采用经验模式分解算法去除数据中的工业噪声；(3)应用C4.5决策树算法或K最近邻算法完成对局部缺失数据的填充；(4)采用数据标准化处理方法将采集数据转换为无量纲数据，消除数据的数量级差异。4.根据权利要求1所述的自适应高炉铁水硅含量趋势预报方法，其特征在于：步骤(三)中，建立初始高炉铁水硅含量趋势预报器的具体步骤为：(1)根据初始的样本数据集合{(x1，y1)，…，(xn，yn)}建立LS-SVMs模型，LS-SVMs模型表示为：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；(2)通过KKT条件将LS-SVMs模型转化为鞍点系统，表示为：其中，i＝1，…，n，j＝1，…，n，k(·，·)为核函数，由用户指定；2CN105574297A权利要求书2/2页(3)采用最小残差法求解上述步骤(2)中的鞍点系统，得到Lagrange乘子αi，i＝1，…，n和偏置参数b，进而获得趋势预报器为：5.根据权利要求4所述的自适应高炉铁水硅含量趋势预报方法，其特征在于：步骤(四)中，采用趋势预报器对数据流中的样本进行趋势预测的具体步骤为：(1)数据流以mini-batch的形式进行采集，设某时刻采集到的数据块为{xn+1，…，xn+s}，利用步骤(三)中获得的趋势预报器对数据流中的样本进行预报；(2)当采集到样本真实标签后对比趋势预报器的预报结果，将错误预测样本{xn+1，…，xn+m}加入支持向量集。6.根据权利要求5所述的自适应高炉铁水硅含量趋势预报方法，其特征在于：步骤(五)中，建立基于在线LS-SVMs模型的自适应预报器的具体步骤为：(1)利用高斯消元法更新LS-SVMs模型：引入下列记号Xold＝[x1；x2；…；xn]，yold＝[y1；y2；…；yn]，当错误预测样本{xn+1，…，xn+m}加入支持向量集时，需要更新LS-SVMs模型的鞍点系统为其中，K(Xold，Xadd)ij＝k(xi，xn+j)，C＝K(Xold，Xadd)+vIm，新鞍点矩阵可表示为：其中，(2)利