鬼佬大哥大
  • / 11
  • 下載費用:30 金幣  

一種高爐鐵水硅含量的變量選擇預報方法.pdf

關 鍵 詞:
一種 高爐 鐵水 含量 變量 選擇 預報 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
摘要
申請專利號:

CN201510230749.X

申請日:

2015.05.07

公開號:

CN104899425A

公開日:

2015.09.09

當前法律狀態:

撤回

有效性:

無權

法律詳情: 發明專利申請公布后的視為撤回IPC(主分類):G06F 19/00申請公布日:20150909|||實質審查的生效IPC(主分類):G06F 19/00申請日:20150507|||公開
IPC分類號: G06F19/00(2011.01)I 主分類號: G06F19/00
申請人: 浙江大學
發明人: 馬淑艷; 楊春節; 宋菁華
地址: 310027浙江省杭州市西湖區浙大路38號
優先權:
專利代理機構: 杭州求是專利事務所有限公司33200 代理人: 林松海
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510230749.X

授權公告號:

||||||

法律狀態公告日:

2018.03.27|||2015.10.07|||2015.09.09

法律狀態類型:

發明專利申請公布后的視為撤回|||實質審查的生效|||公開

摘要

本發明公開了一種高爐鐵水硅含量的變量選擇預報方法。以高爐鐵水硅含量預報模型的高爐工藝參數為輸入變量,在對輸入變量的樣本數據進行歸一化預處理后,采用多變量相關性分析方法和斯皮爾曼等級相關性分析方法對輸入變量的樣本數據進行變量選擇,消除生產工藝參數之間的相關性,使用支持向量機算法建立高爐鐵水硅含量預報模型,引入粒子群算法以優化模型參數。對高爐冶煉過程的鐵水硅含量預報具有普遍的通用性,可獲得較好的預報精度,提高高爐鐵水硅含量的預報命中率。

權利要求書

權利要求書
1.  一種高爐鐵水硅含量的變量選擇預報方法,其特征在于,包括如下步驟:
1)對獲取的高爐鐵水硅含量預報模型的相關變量進行預處理,對樣本數據的歸一化;
2)使用多變量相關性分析和斯皮爾曼等級相關性分析的方法對樣本數據變量進行相關性分析;
3)確定高爐鐵水硅含量預報的模型輸入變量,輸入變量包括爐頂壓力、爐頂溫度、料速、爐頂煤氣中的CO、CO2和上一爐的硅含量;
4)使用支持向量機算法建立高爐鐵水硅含量預報的模型;
5)采用粒子群算法對高爐硅含量預報的模型參數進行優化。

2.  根據權利要求1所述的方法,其特征在于,步驟1)所述的對于獲取的高爐鐵水硅含量預報模型的相關變量進行預處理,對樣本數據的歸一化方法為:xi*=(xi-minxi)/(maxxi-minxi),其中xi和xi*分別表示歸一化前后的值,maxxi和minxi分別表示樣本數據中的最大和最小值。

3.  根據權利要求1所述的方法,其特征在于,步驟2)所述的對于使用多變量相關性分析方法和斯皮爾曼等級相關性分析方法對樣本數據的變量選擇,其中多變量相關性分析的方法為:其中x和y分別表示任意兩個變量,cov(x,y)表示變量x和y的協方差矩陣,當x=y時,r(x,y)=1表示具有完全線性相關性,r(x,y)=0表示具有不完全相關性,r(x,y)=-1表示具有完全負線性相關性;斯皮爾曼等級相關性分析方法為:
ρ(x,y)=1-6Σi=1Nd(xi,yi)2N(N2-1)]]>
其中N是變量樣本的個數,d(xi,yi)表示兩個變量每一對樣本的等級的差。

4.  根據權利要求1所述的方法,其特征在于,步驟3)所述的輸入變量選擇平均 相關性系數小于0.15的變量。

5.  根據權利要求1所述的方法,其特征在于,步驟4)使用支持向量機算法建立高爐鐵水硅含量預報的模型為:記模型輸入變量數據樣本為(xi,yi),i=1,2,…N,xi∈Rn,其中xi為輸入變量,yi是對應的輸出變量,N是變量樣本的個數。是一個將輸入變量x映射到高維特征空間的非線性映射,在特征空間進行線性回歸就對應于低維輸入空間的非線性回歸,在特征空間中構建一個線性回歸函數這里ω是特征空間的向量,假如所有訓練數據都可以在精度ε下用線性函數擬合,考慮到允許擬合的情況,引入松弛因子ξ,ξ*≥0,根據結構風險最小化原則,得到最優化問題:
min12||ω||2+C(vϵ+1NΣi=1N(ξi+ξi*))]]>


ϵ≥0,ξ1,ξi*≥0,i=1,2,...N]]>
其中,參數用來控制支持向量的個數或者錯誤樣本點的個數,C≥0表示懲罰因子,用來對超出擬合平面的點進行懲罰;上述最優化問題的對偶問題為:

s.t.Σi=1N(αi-αi*)=0]]>
0αiC/N,0αi*C/N,i=1,2,...N]]>
其中αi和表示拉格朗日乘子,在解決這個問題的過程中,非零的拉格朗日乘子對應的訓練樣本稱為支持向量,擬合的超平面完全由支持 向量決定:
f(x)=Σi=1N(αi*-αi)k(xi,x)+b]]>
其中定義為核函數,所述的核函數為高斯核函數,定義如下:
k(xi,x)=exp(-||xi-x||22σ2).]]>

6.  根據權利要求5所述的方法,其特征在于,步驟5)所述的采用粒子群算法對支持向量機的模型參數進行優化:模型中的參數ν,懲罰因子C和核函數中的參數σ采用具有全部搜索能力的粒子群算法來選擇,以回歸模型的驗證樣本集的均方根指標為適應度函數,其中yi為驗證集樣本的真實值,驗證樣本根據訓練好的模型得到的預測值,N為驗證樣本的個數。

說明書

說明書一種高爐鐵水硅含量的變量選擇預報方法
技術領域
本發明涉及高爐鐵水硅含量的變量選擇預報方法。
背景技術
高爐生產是在封閉條件下進行復雜的化學、動力學、熱力學變化過程,是一個復雜、高度耦合的非線性系統。保持合理的爐溫是高爐生產穩定的關鍵因素之一。在冶煉過程中,爐溫控制在正常范圍,高爐就順行。如果爐溫控制發生異常波動,行程“過熱”或“過冷”,則容易誘發爐況故障。爐溫控制的好壞直接影響爐況的波動,而爐況狀態又決定著爐溫的控制模式。所以高爐冶煉生產過程綜合自動控制技術難度究其原因在于建立精確合理高爐爐溫控制數學模型,由于過程的復雜性及測量上的困難,一般通過高爐鐵水硅含量(一般稱為化學熱)來間接的反映爐內的溫度變化,判斷高爐爐缸熱狀態。高爐鐵水硅含量成為反映爐內物理化學反應情況、熱狀況和生鐵質量的一個很重要的指標,其變化的幅度和頻率直接反映了冶煉過程的穩定性。鐵水硅含量是評定高爐爐況穩定性和生鐵質量的重要指標,也是表征高爐熱狀態及其變化的標志之一。為了有效的控制高爐爐況穩定性,獲取高爐內部熱狀態的變化情況,建立高爐鐵水硅含量預報方法非常重要。
長期以來,國內外研究人員根據高爐煉鐵內部所發生的化學反應和傳遞現象建立了多種機理數學模型,這些模型在理論上對于揭示高爐內部現象和反應高爐煉鐵機理起了一定的積極作用,但是也存在著準確性低及計算耗時等缺點。鑒于此,數據驅動技術正在廣泛的研究,以試圖實現對高爐煉鐵過程的實時模擬和控制,數據驅動建模技術是以描述數據的特征作為建模的主要準則,在數據為自身說話的信念之下,分析系統變量間的相關關系。目前,利用數據驅動的思想建立的高爐鐵水硅含量預測的模型主要有自回歸模型、神經網絡模型、非線性時間序列分析模型、模糊模型、貝葉斯網絡模型、偏最小二乘模型、支持向量機模型等,這些模型在預測高爐鐵水硅含量時,大多都利用了高爐數據采集到的全部相關變量作為自變量,但是由于高爐現場強噪聲的環境和高爐數據本身的強相關性,引用全部的變量值作為自變量雖然能充分利用高爐豐富的 數據特征,同時也帶入了很大的噪聲,給硅含量的預測準確性提供了很大的阻礙。
發明內容
為了克服現有技術的不足,本發明提供一種高爐鐵水硅含量預報的變量選擇預報方法。
方案如下:
一種高爐鐵水硅含量預報的變量選擇預報方法,包括以下步驟:
1)對獲取的高爐鐵水硅含量預報模型的相關變量進行預處理,對樣本數據的歸一化;
2)使用多變量相關性分析方法和斯皮爾曼等級相關性分析的方法對樣本數據的變量選擇;
3)確定高爐鐵水硅含量預報的模型輸入變量,輸入變量包括爐頂壓力、爐頂溫度、料速、爐頂煤氣中的CO、CO2和上一爐的硅含量;
4)使用支持向量機算法建立高爐鐵水硅含量預報的模型;
5)采用粒子群算法對高爐硅含量預報的模型參數進行優化。
所述的對于獲取的高爐鐵水硅含量預報模型的相關變量進行預處理,對樣本數據的歸一化方法為:xi*=(xi-min xi)/(max xi-min xi),其中xi和xi*分別表示歸一化前后的值,max xi和min xi分別表示樣本數據中的最大和最小值。
所述的對于使用多變量相關性分析方法和斯皮爾曼等級相關性分析方法對樣本數據的變量選擇,其中多變量相關性分析的方法為:
r(x,y)=cov(x,y)σxσy]]>
其中x和y分別表示任意兩個變量,cov(x,y)表示變量x和y的協方差矩陣。當x=y時,r(x,y)=1表示具有完全線性相關性,r(x,y)=0表示具有不完全相關性,r(x,y)=-1表示具有完全負線性相關性。使用多變量相關性系數分析的方法能夠很好的衡量高爐變量之間的線性相關性。斯皮爾曼等級相關性分析方法為:
ρ(x,y)=1-6Σi=1Nd(xi,yi)2N(N2-1)]]>
其中N是變量樣本的個數,d(xi,yi)表示兩個變量每一對樣本的等級的差。
所述的對于變量選擇與預報方法,結合多變量相關性分析方法和斯皮爾曼等級相關性系數分析方法,選擇多個變量平均相關性系數小于0.15的變量作為輸入變量。
所述的使用支持向量機算法建立高爐鐵水硅含量預報的模型:記模型輸入變量數據樣本為(xi,yi),i=1,2,…N,xi∈Rn,其中xi為輸入變量,yi是對應的輸出變量,N是變量樣本的個數。是一個將輸入變量x映射到高維特征空間的非線性映射,在特征空間進行線性回歸就對應于低維輸入空間的非線性回歸。在特征空間中構建一個線性回歸函數這里ω是特征空間的向量。假如所有訓練數據都可以在精度ε下用線性函數擬合,考慮到允許擬合的情況,引入松弛因子ξ,ξ*≥0,根據結構風險最小化原則,我們可以得到:
min12||ω||2+C(νϵ+1NΣi=1N(ξi+ξi*))]]>


ε≥0,ξi,ξi*≥0,i=1,2,…N
其中,參數ν∈[0,1]用來控制支持向量的個數或者錯誤樣本點的個數,C≥0表示懲罰因子,用來對超出擬合平面的點進行懲罰。我們可以得到上述最優化問題的對偶問題為:

s.t.Σi=1N(αi-αi*)=0]]>
0αiC/N,0αi*C/N,i=1,2,...N]]>
其中αi和表示拉格朗日乘子。在解決這個問題的過程中,非零的拉格朗日乘子對應的訓練樣本稱為支持向量,擬合的超平明完全有支持向量決定:
f(x)=Σi=1N(αi*-αi)k(xi,x)+b]]>
其中定義為核函數,滿足莫斯條件的函數都可以被稱為核函數,這里,使用高斯核函數,定義如下:
k(xi,x)=exp(-||xi-x||22σ2)]]>
所述的采用粒子群算法對支持向量機的模型參數進行優化:模型中的參數ν,懲罰因子C和核函數中的參數σ都對模型的預測精度有很大的影響,采用具有全部搜索能力的粒子群算法來選擇這三個參數。以回歸模型的驗證樣本集的均方根指標為適應度函數,其中yi為驗證集樣本的真實值,驗證樣本根據訓練好的模型得到的預測值,N為驗證樣本的個數。
本發明的有益效果:
本發明以高爐鐵水硅含量預報模型的高爐工藝參數為輸入變量,在對輸入變量的樣本數據進行歸一化預處理之后,采用多變量相關性分析和斯皮爾曼等級相關性系數分析方法對輸入變量進行相關性分析,消除生產工藝參數之間的相關性,根據分析的結果確定輸入變量,使用支持向量機算法建立高爐鐵水硅含量預報的模型,引入粒子群算法以優化模型參數。對高爐冶煉過程的鐵水硅含量預報具有普遍的通用性,可獲得較好的預報精度,提高高爐鐵水硅含量的預報命中率。
附圖說明
圖1是鐵水硅含量預報值和真實值的對比圖;
圖2是鐵水硅含量預報誤差圖。
具體實施方式
本發明針對高爐煉鐵過程的高度非線性,各個高爐生產參數之間強耦合等特點,將支持向量機算法應用于高爐煉鐵生產過程,建立基于支持向量機的高爐鐵水硅含量預報模型。本發明對高爐冶煉過程的鐵水硅含量預報具有普遍的通用性,提高了高爐鐵水硅含量預報的準確性和命中率,給高爐平穩可靠運行提供技術上的保障。多變量相關性分析的方法僅僅是從線性情況下衡量數據變量之間的相關性,而高爐數據不僅具有線性性,也有非常強的非線性,所以僅僅使用多變量相關性分析方式是非常片面的,而斯皮爾曼等級相關性分析的方法是根據等級資料研究兩個變量間相關關系的方法,它是依據兩列成對等級的各對等級數之差來進行計算的,對數據條件的要求沒有積差相關系數嚴格,是由連續變量觀測資料轉化得到的等級資料,不論兩個變量的總體分布形態、樣本容量的大小如何,都可以用斯皮爾曼等級相關來進行研究。所以非常適合高爐數據的分析,同時結合多變量相關性分析的方法,不僅能從線性角度,也能從非線性角度精確地衡量數據本身的相關性,給模型的精確預測提供了保障。
高爐鐵水硅含量的變量選擇預報方法包括以下步驟:
1)對獲取的高爐鐵水硅含量預報模型的相關變量進行預處理,對樣本數據的歸一化;
2)使用多變量相關性分析方法和斯皮爾曼等級相關性分析方法對樣本數據的變量選擇;
3)確定高爐鐵水硅含量預報的模型輸入變量,輸入變量包括爐頂壓力、爐頂溫度、料速、爐頂煤氣中的CO、CO2和上一爐的硅含量;
4)使用支持向量機算法建立高爐鐵水硅含量預報的模型;
5)采用粒子群算法對高爐硅含量預報的模型參數進行優化。
所述的對于獲取的高爐鐵水硅含量預報模型的相關變量進行預處理,對樣本數據的歸一化方法為:xi*=(xi-min xi)/(max xi-min xi),其中xi和xi*分別表示歸一化前后的值,max xi和min xi分別表示樣本數據中的最大和最小值。
所述的對于使用多變量相關性分析方法和斯皮爾曼等級相關性分析方法對樣本數據的變量選擇,其中多變量相關性分析的方法為:
r(x,y)=cov(x,y)σxσy]]>
其中x和y分別表示任意兩個變量,cov(x,y)表示變量x和y的協方差矩陣。當x=y時,r(x,y)=1表示具有完全線性相關性,r(x,y)=0表示具有不完全相關性,r(x,y)=-1表示具有完全負線性相關性。使用多變量相關性系數分析的方法能夠很好的衡量高爐變量之間的線性相關性。斯皮爾曼等級相關性分析方法為:
ρ(x,y)=1-6Σi=1Nd(xi,yi)2N(N2-1)]]>
其中N是變量樣本的個數,d(xi,yi)表示兩個變量每一對樣本的等級的差。
所述的對于變量選擇的方法結合多變量相關性分析方法和斯皮爾曼等級相關性分析方法,選擇多個變量平均相關性系數小于0.15的變量作為輸入變量。
所述的使用支持向量機算法建立高爐鐵水硅含量預報的模型為:
記模型輸入變量數據樣本為(xi,yi),i=1,2,…N,xi∈Rn,其中xi為輸入變量,yi是對應的輸出變量,N是變量樣本的個數。是一個將輸入變量x映射到高維特征空間的非線性映射,在特征空間進行線性回歸就對應于低維輸入空間的非線性回歸。在特征空間中構建一個線性回歸函數這里ω是特征空間的向量。假如所有訓練數據都可以在精度ε下用線性函數擬合,考慮到允許擬合的情況,引入松弛因子ξ,ξ*≥0,根據結構風險最小化原則,我們可以得到:
min12||ω||2+C(νϵ+1NΣi=1N(ξi+ξi*))]]>


ε≥0,ξi,ξi*≥0,i=1,2,…N
其中,參數ν∈[0,1]用來控制支持向量的個數或者錯誤樣本點的個數,C≥0表示 懲罰因子,用來對超出擬合平面的點進行懲罰。我們可以得到上述最優化問題的對偶問題為:

s.t.Σi=1N(αi-αi*)=0]]>
0αiC/N,0αi*C/N,i=1,2,...N]]>
其中αi和表示拉格朗日乘子。在解決這個問題的過程中,非零的拉格朗日乘子對應的訓練樣本稱為支持向量,擬合的超平明完全有支持向量決定:
f(x)=Σi=1N(αi*-αi)k(xi,x)+b]]>
其中定義為核函數,滿足莫斯條件的函數都可以被稱為核函數,這里,我們使用高斯核函數,定義如下:
k(xi,x)=exp(-||xi-x||22σ2)]]>
所述的采用粒子群算法對支持向量機的模型參數進行優化:
模型中的參數ν,懲罰因子C和核函數中的參數σ都對模型的預測精度有很大的影響,采用具有全部搜索能力的粒子群算法來選擇這三個參數。以回歸模型的驗證樣本集的均方根指標為適應度函數,其中yi為驗證集樣本的真實值,驗證樣本根據訓練好的模型得到的預測值,N為驗證樣本的個數。
實施例
為驗證本發明所提方法的有效性,采用某鋼廠2500m3高爐的實際生產數據進行鐵水硅含量預報應用實驗。選取包括爐頂壓力、爐頂溫度、料速、爐頂煤氣中的CO、CO2和上一爐的硅含量作為硅含量預測模型的輸入變量。在模型訓練和模型預測過程中使用的所有變量的采樣數據,均采用以鐵水出爐爐次為單位的測量平均值作為采樣和預報周期。
實驗中共采集了1000爐的樣本數據,其中連續900爐作為建模時的訓練樣本,時間上較晚的另外100爐作為測試樣本。
接下來結合該具體過程對本發明的實施步驟進行詳細的闡述:
1)對獲取的高爐鐵水硅含量預報模型的相關變量進行預處理,對樣本數據的歸一化;
2)使用多變量相關性分析方法和斯皮爾曼等級相關性分析方法對樣本數據的變量選擇;
3)確定高爐鐵水硅含量預報的模型輸入變量,輸入變量包括爐頂壓力、爐頂溫度、料速、爐頂煤氣中的CO、CO2和上一爐的硅含量;
4)使用支持向量機算法建立高爐鐵水硅含量預報的模型;
5)采用粒子群算法對高爐硅含量預報的模型參數進行優化。
所述的對于獲取的高爐鐵水硅含量預報模型的相關變量進行預處理,對樣本數據的歸一化方法為:xi*=(xi-min xi)/(max xi-min xi),其中xi和xi*分別表示歸一化前后的值,max xi和min xi分別表示樣本數據中的最大和最小值。
所述的對于使用多變量相關性分析方法和斯皮爾曼等級相關性分析方法對樣本數據的變量選擇,其中多變量相關性分析的方法為:
r(x,y)=cov(x,y)σxσy]]>
其中x和y分別表示任意兩個變量,cov(x,y)表示變量x和y的協方差矩陣。當x=y時,r(x,y)=1表示具有完全線性相關性,r(x,y)=0表示具有不完全相關性,r(x,y)=-1表示具有完全負線性相關性。使用多變量相關性分析的方法能夠很好的衡量高爐變量之間的線性相關性。斯皮爾曼等級相關性系數方法為:
ρ(x,y)=1-6Σi=1Nd(xi,yi)2N(N2-1)]]>
其中N是變量樣本的個數,d(xi,yi)表示兩個變量每一對樣本的等級的差。
所述的對于變量選擇的方法結合多變量相關性分析方法和斯皮爾曼等級相關性分析方法,選擇多個變量平均相關性系數小于0.15的變量作為輸入變量。
所述的使用支持向量機算法建立高爐鐵水硅含量預報的模型為:
記模型輸入變量數據樣本為(xi,yi),i=1,2,…N,xi∈Rn,其中xi為輸入變量,yi是對應的輸出變量,N是變量樣本的個數。是一個將輸入變量x映射到高維特征空間的非線性映射,在特征空間進行線性回歸就對應于低維輸入空間的非線性回歸。在特征空間中構建一個線性回歸函數這里ω是特征空間的向量。假如所有訓練數據都可以在精度ε下用線性函數擬合,考慮到允許擬合的情況,引入松弛因子ξ,ξ*≥0,根據結構風險最小化原則,我們可以得到:
min12||ω||2+C(νϵ+1NΣi=1N(ξi+ξi*))]]>


ε≥0,ξi,ξi*≥0,i=1,2,…N
其中,參數ν∈[0,1]用來控制支持向量的個數或者錯誤樣本點的個數,C≥0表示懲罰因子,用來對超出擬合平面的點進行懲罰。我們可以得到上述最優化問題的對偶問題為:

s.t.Σi=1N(αi-αi*)=0]]>
0αiC/N,0αi*C/N,i=1,2,...N]]>
其中αi和表示拉格朗日乘子。在解決這個問題的過程中,非零的拉格朗日乘子對應的訓練樣本稱為支持向量,擬合的超平明完全有支持向量決定:
f(x)=Σi=1N(αi*-αi)k(xi,x)+b]]>
其中定義為核函數,滿足莫斯條件的函數都可以被稱為核函數,這里,我們使用高斯核函數,定義如下:
k(xi,x)=exp(-||xi-x||22σ2)]]>
所述的采用粒子群算法對支持向量機的模型參數進行優化:
模型中的參數ν,懲罰因子C和核函數中的參數σ都對模型的預測精度有很大的影響,采用具有全部搜索能力的粒子群算法來選擇這三個參數。以回歸模型的驗證樣本集的均方根指標為適應度函數,其中yi為驗證集樣本的真實值,驗證樣本根據訓練好的模型得到的預測值,N為驗證樣本的個數。
在用PSO優化參數得到μ=0.44,C=4.90,σ=0.6。用連續100爐新的生產數據對建立的模型進行鐵水硅含量預報的測試情況如圖1所示。圖1給出了鐵水硅含量預報值對真實化驗值的跟蹤效果,從圖2的預報誤差曲線可以看出,100爐鐵水的硅含量預報的誤差小于0.1的比例為86%,高于其他變量選擇方法,且其變化趨勢很好的逼近了真實情況。

關于本文
本文標題:一種高爐鐵水硅含量的變量選擇預報方法.pdf
鏈接地址:http://www.wwszu.club/p-6369726.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大