專利名稱：一種高爐鐵水硅含量的特征分析預(yù)報方法
技術(shù)領(lǐng)域：
本發(fā)明涉及本發(fā)明涉及高爐鐵水硅含量的特征分析預(yù)報方法。

背景技術(shù)：
高爐生產(chǎn)是在封閉條件下進(jìn)行復(fù)雜的化學(xué)、動力學(xué)、熱力學(xué)變化過程，是一個復(fù)雜、高度耦合的非線性系統(tǒng)。保持合理的爐溫是高爐生產(chǎn)穩(wěn)定的關(guān)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(fā)生波動，形成“過熱”或“過冷”，則容易誘發(fā)爐況故障。爐溫控制的好環(huán)直接影響爐況的波動，而爐況狀態(tài)又決定著爐溫的控制模式。所以，高爐冶煉生產(chǎn)過程綜合自動控制技術(shù)難度究其原因在與建立精確合理高爐爐溫控制數(shù)學(xué)模型。由于過程的復(fù)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(xué)熱)來間接地反映爐內(nèi)的溫度變化，判斷高爐爐缸熱狀態(tài)。高爐鐵水硅含量成為反映爐內(nèi)物理化學(xué)反應(yīng)情況、熱狀況和生鐵質(zhì)量的一個很重要的指標(biāo)，其變化的幅度和頻率直接反映了冶煉過程的穩(wěn)定性。鐵水硅含量是評定高爐爐況穩(wěn)定性和生鐵質(zhì)量的重要指標(biāo)，也是表征高爐熱狀態(tài)及其變化的標(biāo)志之一。為了有效控制高爐爐況穩(wěn)定性，獲取高爐內(nèi)部熱狀態(tài)的變化情況，建立高爐鐵水硅含量預(yù)報方法非常必要。


發(fā)明內(nèi)容
本發(fā)明的目的是提供一種高爐鐵水硅含量預(yù)報的特征分析預(yù)報方法。
包括如下步驟 1)確定高爐鐵水硅含量預(yù)報的模型輸入變量，輸入變量包括鐵量差、透氣性、噴煤量、風(fēng)溫、料批、風(fēng)量、富氧量、熱風(fēng)壓力、爐頂壓力、噴煤量、熱風(fēng)溫度、爐頂溫度、礦焦比、出鐵量、煤氣中CO、CO2的含量； 2)對獲取的高爐鐵水硅含量預(yù)報模型的輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理，對輸入變量樣本數(shù)據(jù)的指數(shù)加權(quán)移動平均濾波，歸一化； 3)采用改進(jìn)的動態(tài)獨(dú)立成分分析方法進(jìn)行輸入變量樣本數(shù)據(jù)動態(tài)特征分析提?。? 4)使用最小二乘支持向量基算法建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型； 5)采用遺傳算法對高爐鐵水硅含量預(yù)報的動態(tài)遞推模型參數(shù)進(jìn)行優(yōu)化。
2.根據(jù)權(quán)利要求1所述的一種高爐鐵水硅含量的特征分析預(yù)報方法，其特征在于所述的對于輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理的指數(shù)加權(quán)移動平均濾波方法為 其中

為i時刻的指數(shù)加權(quán)平均濾波后的樣本數(shù)據(jù)值；

時刻的指數(shù)加權(quán)移動平均濾波后的數(shù)據(jù)值；τ為采樣時間，x[(i+1)τ]為i+1時刻的原始樣本數(shù)據(jù)值，服從N(μ，σ2)分布；λ為權(quán)重因子，通常選為0與1之間； 所述的對于輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理的歸一化方法為采用反余切函數(shù)轉(zhuǎn)換歸一化方法，表達(dá)式為其中x為原始樣本數(shù)據(jù)，x′為歸一化后的樣本數(shù)據(jù)。
所述的采用改進(jìn)的動態(tài)獨(dú)立成分分析方法進(jìn)行輸入變量樣本數(shù)據(jù)動態(tài)特征提取方法為令xn+1(τ)＝y(tǒng)(τ-1)，ln+1＝l，首先采用動態(tài)獨(dú)立成分分析方法估計模型 y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...的各輸入變量xi(τ)的動力 xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))學(xué)階次li，根據(jù)模型y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...輸入變量xi(τ)， xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))i＝1，2，L，n+1，的動力學(xué)階次和N組時間序列樣本數(shù)據(jù)(τ＝1，2，L，N)，尋找一組相互獨(dú)立的特征變量sj(τ)，j＝1，2，L，m，使得 τ＝τ0，L，N 其中ωjp(k)稱為分離系數(shù)，τ0＝max(li)+1，i＝1，L，n+1，定義特征矩陣樣本矩陣和分離矩陣其中 i，sij＝si(τ0+j-1) 對樣本輸入空間中的各輸入變量xi(τ)，i＝1，2，L，n+1根據(jù)其動態(tài)特性給予不同的階次li，用以構(gòu)造樣本矩陣X，τ＝τ0，L，N可寫成以下矩陣方程形式S＝W·X，采用FastICA算法來在給定樣本矩陣X的前提下，計算分離矩陣W，從而獲得特征變量sj(τ)，j＝1，2，L，m，在所有采樣時刻τ＝1，2，L，N的估計值。記W的第i行為行向量wiT，i＝1，2，L，m，通過以下迭代過程在X的基礎(chǔ)上依次求出W的所有行 (7)給定誤差限ε＞0，令i＝1； (8)選取一初始列向量wi(0)，令迭代步數(shù)k＝1； (9)計算其中μ為零均值、單位方 差的高斯向量，G為一非二次函數(shù)，E為取數(shù)學(xué)期望； (10)計算并將結(jié)果標(biāo)稱化，即令wi(k)＝wi(k)/‖wi(k)‖； (11)若則令k＝k+1，轉(zhuǎn)回步驟(3)，否則輸出wi＝wi(k)，轉(zhuǎn)置后作為W的第i行； (12)如果i＜m，則令i＝i+1，轉(zhuǎn)回步驟(2)，否則算法結(jié)束。
所述的使用最小二乘支持向量機(jī)算法建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型在選定輸入變量和確定各輸入變量的動力學(xué)階次后建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型，設(shè)xi(t)，i＝1，2，L，n，為用于高爐鐵水硅含量預(yù)報的n個生產(chǎn)工藝參數(shù)在給定時間尺度下時刻t的測量值，y(t)為時刻t的鐵水硅含量預(yù)報值，則高爐鐵水硅含量預(yù)報模型具有的結(jié)構(gòu)， y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，... xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln)) 其中f通常為一強(qiáng)非線性的光滑函數(shù)，li和l分別是xi(t)和y(t)的動力學(xué)階次； 令s(τ)＝[s1(τ)，L，si(τ)，L，sm(τ)]T，i＝1，2，L m，則訓(xùn)練樣本經(jīng)過動態(tài)ICA提取特征后獲得的統(tǒng)計獨(dú)立特征信號與鐵水硅含量一起組成最小二乘支持向量機(jī)的訓(xùn)練集{(s(τ)，y(τ)}，τ＝τ0，τ0+1，L，N，其中在此基礎(chǔ)上，最小二乘支持向量機(jī)給出鐵水硅含量預(yù)報非線性回歸模型，其中K為一滿足Mercer條件的核函數(shù)，采用以下徑向基函數(shù)的形式 模型參數(shù)λi，i＝0，1，L，N-τ0+1，以同時最大化回歸模型的樣本擬合精度和硅含量預(yù)報性能為目標(biāo)，通過求解以下線性方程組獲得， 在式中，s(t)為在未來t時刻使用該模型預(yù)報鐵水硅含量y(t)時，由到t時刻為止的生產(chǎn)工藝參數(shù)測量值歷史紀(jì)錄xi(t-τ)，i＝1，2，L，n，τ＝0，1，L，li，以及到t-1時刻為止的鐵水硅含量歷史紀(jì)錄y(t-τ-1)，τ＝0，1，L，l，通過分離矩陣W提取特征后形成的特征向量，s(t)＝Wx(t)，-其中x(t)由下列t時刻的測量數(shù)據(jù)及其以前的歷史數(shù)據(jù)組成 x(t)＝[x1(t)，L，x1(t-l1)，L，xi(t)，L，xi(t-li)，L，xn(t)，L，xn(t-ln)，y(t-1)，L，y(t-1-l)]T 將式s(t)＝Wx(t)代入式獲得最終形式的鐵水硅含量預(yù)報模型 由x(t)＝[x1(t)，L，x1(t-l1)，L，xi(t)，L，xi(t-li)，L，xn(t)，L，xn(t-ln)，y(t-1)，L，y(t-1-l)]T對x(t)的定義可知，是一個動力學(xué)模型，采用徑向基核函數(shù)集合{K(s(τ)，s(t)}對高爐鐵水硅含量預(yù)報模型 y(t)＝f(y(t-1)，...t(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...中的未知函數(shù)f進(jìn)行逼近，具有 xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))與y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...相同的動力學(xué)結(jié)構(gòu)。
xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln)) 所述的采用遺傳算法對高爐鐵水硅含量預(yù)報的動態(tài)遞推模型參數(shù)進(jìn)行優(yōu)化 最大化回歸模型的樣本擬合精度和最大化硅含量預(yù)報性能這兩個目標(biāo)的優(yōu)化方向是不一致的，因此在 中，最小二乘支持向量機(jī)方法采用正則化參數(shù)γ＞0在上述優(yōu)化目標(biāo)之間進(jìn)行折中，此外，中徑向基核函數(shù)參數(shù)σ的取值對回歸模型的性能也有很大影響，采用具有全局優(yōu)化搜索能力的遺傳算法來選擇這兩個參數(shù)，按照logγ和logσ進(jìn)行二進(jìn)制染色體編碼；以回歸模型的驗證樣本集的均方根指標(biāo)為適應(yīng)度函數(shù)，其中yi為驗證樣本的真實值，

為驗證樣本根據(jù)訓(xùn)練好的模型得到的預(yù)測值，n為驗證樣本的個數(shù)；對正則化參數(shù)γ和徑向基核函數(shù)參數(shù)σ進(jìn)行遺傳優(yōu)化。
本發(fā)明以高爐鐵水硅含量預(yù)報模型的高爐工藝參數(shù)為輸入變量，在對輸入變量的樣本數(shù)據(jù)進(jìn)行指數(shù)加權(quán)移動平均濾波和歸一化預(yù)處理后，采用改進(jìn)的動態(tài)獨(dú)立成分分析方法對輸入變量的樣本數(shù)據(jù)進(jìn)行特征提取，消除生產(chǎn)工藝參數(shù)之間的相關(guān)性，使用最小二乘支持向量機(jī)算法建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型，引入遺傳算法以優(yōu)化模型參數(shù)。對高爐冶煉過程的鐵水硅含量預(yù)報具有普遍的通用性，可獲得較好的預(yù)報精度，提高高爐鐵水硅含量的預(yù)報命中率。



圖1是鐵水硅含量預(yù)報值與真實值的對比圖； 圖2是鐵水的硅含量預(yù)報誤差圖。

具體實施例方式 本發(fā)明針對高爐煉鐵過程的高度非線性，各個高爐生產(chǎn)參數(shù)之間強(qiáng)耦合等特點(diǎn)，將支持向量機(jī)算法和獨(dú)立成分分析算法相結(jié)合運(yùn)用于高爐煉鐵生產(chǎn)過程，建立基于支持向量機(jī)的高爐爐溫預(yù)報模型。本發(fā)明對高爐冶煉過程的鐵水硅含量預(yù)報具有普遍的通用性，提高了高爐鐵水硅含量預(yù)報的準(zhǔn)確性和命中率，給高爐平穩(wěn)可靠運(yùn)行提供技術(shù)上的保障。
高爐鐵水硅含量的特征分析預(yù)報方法包括如下步驟 1)確定高爐鐵水硅含量預(yù)報的模型輸入變量，包括鐵量差、透氣性、噴煤量、風(fēng)溫、料批、風(fēng)量、富氧量、熱風(fēng)壓力、爐頂壓力、噴煤量、熱風(fēng)溫度、爐頂溫度、礦焦比、出鐵量、煤氣CO、CO2的含量； 2)對獲取的高爐鐵水硅含量預(yù)報模型輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理，包括對輸入變量樣本數(shù)據(jù)的指數(shù)加權(quán)移動平均濾波，歸一化； 3)采用改進(jìn)的動態(tài)獨(dú)立成分分析方法進(jìn)行輸入變量樣本數(shù)據(jù)動態(tài)特征提取； 4)使用最小二乘支持向量基二算法建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型； 5)采用遺傳算法對高爐鐵水硅含量預(yù)報的動態(tài)遞推模型參數(shù)進(jìn)行優(yōu)化。
所述的對于輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理的指數(shù)加權(quán)移動平均濾波 指數(shù)加權(quán)移動平均濾波算法表達(dá)式為 其中

為i時刻的指數(shù)加權(quán)平均濾波后的樣本數(shù)據(jù)值；

為i+1時刻的指數(shù)加權(quán)移動平均濾波后的數(shù)據(jù)值；τ為采樣時間，x[(i+1)τ]為i+1時刻的原始樣本數(shù)據(jù)值，服從N(μ，σ2)分布；λ為權(quán)重因子，通常選為0與1之間； 所述的對于輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理的歸一化 采用反余切函數(shù)轉(zhuǎn)換歸一化方法，表達(dá)式為其中x為原始樣本數(shù)據(jù)，x′為歸一化后的樣本數(shù)據(jù)。
所述的采用改進(jìn)的動態(tài)獨(dú)立成分分析方法進(jìn)行輸入變量樣本數(shù)據(jù)動態(tài)特征提取 高爐生產(chǎn)工藝參數(shù)與鐵水硅含量之間還存在復(fù)雜的時間動力學(xué)關(guān)系，即當(dāng)前時刻的鐵水硅含量不但與高爐生產(chǎn)工藝參數(shù)的當(dāng)前狀態(tài)有關(guān)，還受到這些參數(shù)的歷史變化過程影響，因此高爐鐵水硅含量預(yù)報模型本質(zhì)上應(yīng)是一個動力學(xué)模型。但由于高爐冶煉動力學(xué)過程是一個大慣性的高階動態(tài)系統(tǒng)，生產(chǎn)工藝參數(shù)的瞬時變化對鐵水硅含量的影響較小，因此在建模時通常采用較大跨度的時間尺度，以降低計算復(fù)雜性。
獨(dú)立成分分析是一種源信號盲目分離技術(shù)，原用于在所有參數(shù)未知的情況下，從給定的多個組合測量信號中分離出若干個獨(dú)立信號源。獨(dú)立成分分析的出發(fā)點(diǎn)是根據(jù)已獲得的組合信號測量矩陣，以最大化各獨(dú)立信號源的非高斯性為準(zhǔn)則，尋找一個分離矩陣去估計各獨(dú)立信號源的值。與傳統(tǒng)的主成分分析等多變量統(tǒng)計方法不同的是，獨(dú)立成分分析提取的獨(dú)立特征不僅是不相關(guān)的，而且是統(tǒng)計獨(dú)立的。更重要的是，它提取了測量對象的高階統(tǒng)計信息，從而能更好地刻畫對象的特征和運(yùn)行狀況。
以上信號源分離的一個重要前提是各組合信號的所有測量值是相互獨(dú)立的。當(dāng)這個前提不成立時(例如當(dāng)組合信號是某一動態(tài)過程的變量時，顯然其不同時刻的測量值不是相互獨(dú)立的)，可采用動態(tài)獨(dú)立成分分析的方法，即將組合信號測量矩陣X按時間推移原則加以增廣，從而反映不同時刻測量信號之間的相關(guān)性。
根據(jù)獨(dú)立成分分析能夠從互相相關(guān)的信號中分離獨(dú)立成分的特點(diǎn)，同時考慮到鐵水硅含量預(yù)報模型的輸入空間中各個變量具有不同相關(guān)性，將動態(tài)獨(dú)立成分分析加以改進(jìn)，用于對鐵水硅含量預(yù)報模型的輸入變量進(jìn)行動態(tài)特征分析提取。
為表達(dá)方便起見，令xn+1(τ)＝y(tǒng)(τ-1)，ln+1＝l。首先采用動態(tài)獨(dú)立成分分析方法估計模型 y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...的各輸入變量xi(τ)的動力 xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))學(xué)階次li。動態(tài)特征提取的目的是，根據(jù)模型 y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...輸入變量xi(τ)， xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))i＝1，2，L，n+1，的動力學(xué)階次和N組時間序列樣本數(shù)據(jù)(τ＝1，2，L，N)，尋找一組相互獨(dú)立的特征變量sj(τ)，j＝1，2，L，m，使得 τ＝τ0，L，N 其中ωjp(k)稱為分離系數(shù)，τ0＝max(li)+1，i＝1，L，n+1。定義特征矩陣樣本矩陣和分離矩陣其中 i，j sij＝si(τ0+j-1) 與動態(tài)ICA以相同的階次向前遞推構(gòu)造樣本矩陣不同，式對樣本輸入空間中的各輸入變量xi(τ)，i＝1，2，L，n+1根據(jù)其動態(tài)特性給予不同的階次li，用以構(gòu)造樣本矩陣X。式 τ＝τ0，L，N可寫成以下矩陣方程形式 S＝W·X 本發(fā)明采用FastICA算法來在給定樣本矩陣X的前提下，計算分離矩陣W，從而獲得特征變量sj(τ)，j＝1，2，L，m，在所有采樣時刻τ＝1，2，L，N的估計值。記W的第i行為行向量wiT，i＝1，2，L，m。算法通過以下迭代過程在X的基礎(chǔ)上依次求出W的所有行 (1)給定誤差限ε＞0，令i＝1； (2)選取一初始列向量wi(0)，令迭代步數(shù)k＝1； (3)計算其中μ為零均值、單位方差的高斯向量，G為一非二次函數(shù)，E為取數(shù)學(xué)期望； (4)計算并將結(jié)果標(biāo)稱化，即令wi(k)＝wi(k)/‖wi(k)‖； (5)若則令k＝k+1，轉(zhuǎn)回步驟(3)。否則輸出wi＝wi(k)，轉(zhuǎn)置后作為W的第i行。
(6)如果i＜m，則令i＝i+1，轉(zhuǎn)回步驟(2)。否則算法結(jié)束。
所述的使用最小二乘支持向量機(jī)算法建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型 在選定輸入變量和確定各輸入變量的動力學(xué)階次后建立高爐鐵水硅含量預(yù)報的如下動態(tài)遞推模型 設(shè)xi(t)，i＝1，2，L，n，為用于高爐鐵水硅含量預(yù)報的n個生產(chǎn)工藝參數(shù)在給定時間尺度下時刻t的測量值，y(t)為時刻t的鐵水硅含量預(yù)報值，則高爐鐵水硅含量預(yù)報模型具有以下一般結(jié)構(gòu) y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，... xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln)) 其中f通常為一強(qiáng)非線性的光滑函數(shù)，li和l分別是xi(t)和y(t)的動力學(xué)階次。
由于鐵水硅含量化驗周期長、費(fèi)用高、取樣過程受生產(chǎn)的限制，因此在建立硅含量預(yù)報模型時無法獲得足夠豐富的樣本數(shù)據(jù)。為此本文采用了專門為小樣本建模設(shè)計的最小二乘支持向量機(jī)方法來建立鐵水硅含量預(yù)報回歸模型，以提高模型的預(yù)測精度。
經(jīng)過動態(tài)ICA提取特征后獲得的τ時刻統(tǒng)計獨(dú)立特征信號sj(τ)，τ＝τ0，τ0+1，L，N，考慮了各生產(chǎn)工藝參數(shù)xi在τ時刻直至τ-li時刻的測量值對τ時刻鐵水硅含量的影響，因此可以作為采用支持向量機(jī)方法建立鐵水硅含量預(yù)報模型時的輸入樣本。所有對應(yīng)采樣時刻的鐵水硅含量則作為預(yù)報模型的輸出樣本。
最小二乘支持向量機(jī)是基于正則化理論對標(biāo)準(zhǔn)SVM的改進(jìn)，它極大地降低了SVM的計算復(fù)雜度。最小二乘支持向量機(jī)把SVM的學(xué)習(xí)問題轉(zhuǎn)化為求解線性方程組的問題，因此具有較快的運(yùn)算速度。令s(τ)＝[s1(τ)，L，si(τ)，L，sm(τ)]T，i＝1，2，L m，則訓(xùn)練樣本經(jīng)過動態(tài)ICA提取特征后獲得的統(tǒng)計獨(dú)立特征信號與鐵水硅含量一起組成最小二乘支持向量機(jī)的訓(xùn)練集{(s(τ)，y(τ)}，τ＝τ0，τ0+1，L，N，其中在此基礎(chǔ)上，LS-SVM可以給出鐵水硅含量預(yù)報非線性回歸模型 其中K為一滿足Mercer條件的核函數(shù)，采用以下徑向基函數(shù)的形式 模型參數(shù)λi，i＝0，1，L，N-τ0+1，以同時最大化回歸模型的樣本擬合精度和硅含量預(yù)報性能為目標(biāo)，可通過求解以下線性方程組獲得 在中，s(t)為在未來t時刻使用該模型預(yù)報鐵水硅含量y(t)時，由到t時刻為止的生產(chǎn)工藝參數(shù)測量值歷史紀(jì)錄xi(t-τ)，i＝1，2，L，n，τ＝0，1，L，li，以及到t-1時刻為止的鐵水硅含量歷史紀(jì)錄y(t-τ-1)，τ＝0，1，L，l，通過分離矩陣W提取特征后形成的特征向量，即 s(t)＝Wx(t) 其中x(t)由下列t時刻的測量數(shù)據(jù)及其以前的歷史數(shù)據(jù)組成 x(t)＝[x1(t)，L，x1(t-l1)，L，xi(t)，L，xi(t-li)，L，xn(t)，L，xn(t-ln)，y(t-1)，L，y(t-1-l)]T 將式s(t)＝Wx(t)代入式可獲得最終形式的鐵水硅含量預(yù)報模型 由式x(t)＝[x1(t)，L，x1(t-l1)，L，xi(t)，L，xi(t-li)，L，xn(t)，L，xn(t-ln)，y(t-1)，L，y(t-1-l)]T對x(t)的定義可知，式是一個動力學(xué)模型，采用徑向基核函數(shù)集合{K(s(τ)，s(t)}對高爐鐵水硅含量預(yù)報模型 y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...中的未知函數(shù)f進(jìn)行逼近，具有 xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))與式y(tǒng)(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...相同的動力學(xué)結(jié)構(gòu)。
xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln)) 所述的采用遺傳算法對高爐鐵水硅含量預(yù)報的動態(tài)遞推模型參數(shù)進(jìn)行優(yōu)化 根據(jù)統(tǒng)計學(xué)習(xí)理論，最大化回歸模型的樣本擬合精度和最大化硅含量預(yù)報性能這兩個目標(biāo)的優(yōu)化方向是不一致的，因此在式 中，最小二乘支持向量機(jī)方法采用正則化參數(shù)γ＞0在上述優(yōu)化目標(biāo)之間進(jìn)行折中。此外，式中徑向基核函數(shù)參數(shù)σ的取值對回歸模型的性能也有很大影響。因此采用具有全局優(yōu)化搜索能力的遺傳算法來選擇這兩個參數(shù)。按照logγ和logσ進(jìn)行二進(jìn)制染色體編碼；以回歸模型的驗證樣本集的均方根指標(biāo)為適應(yīng)度函數(shù)，其中yi為驗證樣本的真實值，

為驗證樣本根據(jù)訓(xùn)練好的模型得到的預(yù)測值，n為驗證樣本的個數(shù)；對正則化參數(shù)γ和徑向基核函數(shù)參數(shù)σ進(jìn)行遺傳優(yōu)化。
示例為驗證本發(fā)明所提方法的有效性，采用某鋼廠2000m3高爐的實際生產(chǎn)數(shù)據(jù)進(jìn)行了鐵水硅含量預(yù)報應(yīng)用實驗。選取爐頂裝料料速、熱風(fēng)溫度和鼓入高爐的熱風(fēng)量、風(fēng)口區(qū)的噴煤量、高爐內(nèi)散料層料的透氣性(定義為鼓風(fēng)風(fēng)量和壓差的比值)作為硅含量預(yù)測模型的輸入變量。在模型訓(xùn)練和模型預(yù)測過程中使用的所有變量的采樣數(shù)據(jù)，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(yù)報周期。
實驗中共采集了510爐的樣本數(shù)據(jù)，其中連續(xù)300爐生產(chǎn)數(shù)據(jù)作為建模時的訓(xùn)練樣本，時間上較晚的另外連續(xù)210爐數(shù)據(jù)作為測試樣本。采用指數(shù)加權(quán)移動平均濾波算法對原始數(shù)據(jù)進(jìn)行了平滑處理和歸一化處理。然后對訓(xùn)練樣本進(jìn)行了特征提取和回歸建模。在用GA優(yōu)化正則化參數(shù)γ和徑向基核函數(shù)參數(shù)σ時，采用的種群大小為30，最大演化代數(shù)50，雜交概率0.8，變異概率0.1。優(yōu)化結(jié)果是γ＝1293，σ＝0.012。用連續(xù)210爐新的生產(chǎn)數(shù)據(jù)對建立的模型進(jìn)行鐵水硅含量預(yù)報的測試情況如圖1所示。圖1給出了鐵水硅含量預(yù)報值對真實化驗值的跟蹤效果。從圖2的預(yù)報誤差曲線可以看出，210爐鐵水的硅含量預(yù)報誤差均在其化驗值的10％以內(nèi)，且其變化趨勢很好地逼近了真實情況。
權(quán)利要求
1.一種高爐鐵水硅含量的特征分析預(yù)報方法，其特征在于包括如下步驟
1)確定高爐鐵水硅含量預(yù)報的模型輸入變量，輸入變量包括鐵量差、透氣性、噴煤量、風(fēng)溫、料批、風(fēng)量、富氧量、熱風(fēng)壓力、爐頂壓力、噴煤量、熱風(fēng)溫度、爐頂溫度、礦焦比、出鐵量、煤氣中CO、CO2的含量；
2)對獲取的高爐鐵水硅含量預(yù)報模型的輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理，對輸入變量樣本數(shù)據(jù)的指數(shù)加權(quán)移動平均濾波，歸一化；
3)采用改進(jìn)的動態(tài)獨(dú)立成分分析方法進(jìn)行輸入變量樣本數(shù)據(jù)動態(tài)特征分析提取；
4)使用最小二乘支持向量基算法建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型；
5)采用遺傳算法對高爐鐵水硅含量預(yù)報的動態(tài)遞推模型參數(shù)進(jìn)行優(yōu)化。
2.根據(jù)權(quán)利要求1所述的一種高爐鐵水硅含量的特征分析預(yù)報方法，其特征在于所述的對于輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理的指數(shù)加權(quán)移動平均濾波方法為其中
為i時刻的指數(shù)加權(quán)平均濾波后的樣本數(shù)據(jù)值；
為i+1時刻的指數(shù)加權(quán)移動平均濾波后的數(shù)據(jù)值；τ為采樣時間，x[(i+1)τ]為i+1時刻的原始樣本數(shù)據(jù)值，服從N(μ，σ2)分布；λ為權(quán)重因子，通常選為0與1之間；
3.根據(jù)權(quán)利要求1所述的一種高爐鐵水硅含量的特征分析預(yù)報方法，其特征在于所述的對于輸入變量樣本數(shù)據(jù)進(jìn)行預(yù)處理的歸一化方法為采用反余切函數(shù)轉(zhuǎn)換歸一化方法，表達(dá)式為其中x為原始樣本數(shù)據(jù)，x′為歸一化后的樣本數(shù)據(jù)。
4.根據(jù)權(quán)利要求1所述的一種高爐鐵水硅含量的特征分析預(yù)報方法，其特征在于所述的采用改進(jìn)的動態(tài)獨(dú)立成分分析方法進(jìn)行輸入變量樣本數(shù)據(jù)動態(tài)特征分析提取方法為令xn+1(τ)＝y(tǒng)(τ-1)，ln+1＝l，首先采用動態(tài)獨(dú)立成分分析方法估計模型y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...的各輸入變量xi(τ)的動 xi(t)，xi(t-1)，...,xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))力學(xué)階次li，根據(jù)模型y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...輸入變量 xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))xi(τ)，i＝1，2，L，n+1，的動力學(xué)階次和N組時間序列樣本數(shù)據(jù)(τ＝1，2，L，N)，尋找一組相互獨(dú)立的特征變量sj(τ)，j＝1，2，L，m，使得
τ＝τ0，L，N
其中ωjp(k)稱為分離系數(shù)，τ0＝max(li)+1，i＝1，L，n+1，定義特征矩陣樣本矩陣和分離矩陣其中
i，j sij＝si(τ0+j-1)
對樣本輸入空間中的各輸入變量xi(τ)，i＝1，2，L，n+1根據(jù)其動態(tài)特性給予不同的階次li，用以構(gòu)造樣本矩陣X，τ＝τ0，L，N可寫成以下矩陣方程形式S＝W·X，采用FastICA算法來在給定樣本矩陣X的前提下，計算分離矩陣W，從而獲得特征變量sj(τ)，j＝1，2，L，m，在所有采樣時刻τ＝1，2，L，N的估計值。記W的第i行為行向量wiT，i＝1，2，L，m，通過以下迭代過程在X的基礎(chǔ)上依次求出W的所有行
(1)給定誤差限ε＞0，令i＝1；
(2)選取一初始列向量wi(0)，令迭代步數(shù)k＝1；
(3)計算其中μ為零均值、單位方差的高斯向量，G為一非二次函數(shù)，E為取數(shù)學(xué)期望；
(4)計算并將結(jié)果標(biāo)稱化，即令wi(k)＝wi(k)/‖wi(k)‖；
(5)若則令k＝k+1，轉(zhuǎn)回步驟(3)，否則輸出wi＝wi(k)，轉(zhuǎn)置后作為W的第i行；
(6)如果i＜m，則令i＝i+1，轉(zhuǎn)回步驟(2)，否則算法結(jié)束。
5.根據(jù)權(quán)利要求1所述的一種高爐鐵水硅含量的特征分析預(yù)報方法，其特征在于所述的使用最小二乘支持向量機(jī)算法建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型在選定輸入變量和確定各輸入變量的動力學(xué)階次后建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型，設(shè)xi(t)，i＝1，2，L，n，為用于高爐鐵水硅含量預(yù)報的n個生產(chǎn)工藝參數(shù)在給定時間尺度下時刻t的測量值，y(t)為時刻t的鐵水硅含量預(yù)報值，則高爐鐵水硅含量預(yù)報模型具有的結(jié)構(gòu)，
y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，... xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))
其中f通常為一強(qiáng)非線性的光滑函數(shù)，li和l分別是xi(t)和y(t)的動力學(xué)階次；
令s(τ)＝[s1(τ)，L，si(τ)，L，sm(τ)]T，i＝1，2，Lm，則訓(xùn)練樣本經(jīng)過動態(tài)ICA提取特征后獲得的統(tǒng)計獨(dú)立特征信號與鐵水硅含量一起組成最小二乘支持向量機(jī)的訓(xùn)練集{(s(τ)，y(τ)}，τ＝τ0，τ0+1，L，N，其中在此基礎(chǔ)上，最小二乘支持向量機(jī)給出鐵水硅含量預(yù)報非線性回歸模型，其中K為一滿足Mercer條件的核函數(shù)，采用以下徑向基函數(shù)的形式
模型參數(shù)λi，i＝0，1，L，N-τ0+1，以同時最大化回歸模型的樣本擬合精度和硅含量預(yù)報性能為目標(biāo)，通過求解以下線性方程組獲得，
在式中，s(t)為在未來t時刻使用該模型預(yù)報鐵水硅含量y(t)時，由到t時刻為止的生產(chǎn)工藝參數(shù)測量值歷史紀(jì)錄xi(t-τ)，i＝1，2，L，n，τ＝0，1，L，li，以及到t-1時刻為止的鐵水硅含量歷史紀(jì)錄y(t-τ-1)，τ＝0，1，L，l，通過分離矩陣W提取特征后形成的特征向量，s(t)＝Wx(t)，一其中x(t)由下列t時刻的測量數(shù)據(jù)及其以前的歷史數(shù)據(jù)組成
x(t)＝[x1(t)，L，x1(t-l1)，L，xi(t)，L，xi(t-li)，L，xn(t)，L，xn(t-ln)，y(t-1)，L，y(t-1-l)]T
將式s(t)＝Wx(t)代入式獲得最終形式的鐵水硅含量預(yù)報模型
由x(t)＝[x1(t)，L，x1(t-l1)，L，xi(t)，L，xi(t-li)，L，xn(t)，L，xn(t-ln)，y(t-1)，L，y(t-1-l)]T對x(t)的定義可知，是一個動力學(xué)模型，采用徑向基核函數(shù)集合{K(s(τ)，s(t)}對高爐鐵水硅含量預(yù)報模型
y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...中的未知函數(shù)f進(jìn)行逼近，具有xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-1)，...xn(t-ln))與y(t)＝f(y(t-1)，...y(t-l)，x1(t)，x1(t-1)，...x1(t-l1)，...相同的動力學(xué)結(jié)構(gòu)。
xi(t)，xi(t-1)，...xi(t-li)，...xn(t)，xn(t-l)，...xn(t-ln))
6.根據(jù)權(quán)利要求1所述的一種高爐鐵水硅含量的特征分析預(yù)報方法，其特征在于所述的采用遺傳算法對高爐鐵水硅含量預(yù)報的動態(tài)遞推模型參數(shù)進(jìn)行優(yōu)化最大化回歸模型的樣本擬合精度和最大化硅含量預(yù)報性能這兩個目標(biāo)的優(yōu)化方向是不一致的，因此在
中，最小二乘支持向量機(jī)方法采用正則化參數(shù)γ＞0在上述優(yōu)化目標(biāo)之間進(jìn)行折中，此外，中徑向基核函數(shù)參數(shù)σ的取值對回歸模型的性能也有很大影響，采用具有全局優(yōu)化搜索能力的遺傳算法來選擇這兩個參數(shù)，按照logγ和logσ進(jìn)行二進(jìn)制染色體編碼；以回歸模型的驗證樣本集的均方根指標(biāo)為適應(yīng)度函數(shù)，其中yi為驗證樣本的真實值，
為驗證樣本根據(jù)訓(xùn)練好的模型得到的預(yù)測值，n為驗證樣本的個數(shù)；對正則化參數(shù)γ和徑向基核函數(shù)參數(shù)σ進(jìn)行遺傳優(yōu)化。
全文摘要
本發(fā)明公開了一種高爐鐵水硅含量的特征分析預(yù)報方法。以高爐鐵水硅含量預(yù)報模型的高爐工藝參數(shù)為輸入變量，在對輸入變量的樣本數(shù)據(jù)進(jìn)行指數(shù)加權(quán)移動平均濾波和歸一化預(yù)處理后，采用改進(jìn)的動態(tài)獨(dú)立成分分析方法對輸入變量的樣本數(shù)據(jù)進(jìn)行特征提取，消除生產(chǎn)工藝參數(shù)之間的相關(guān)性，使用最小二乘支持向量機(jī)算法建立高爐鐵水硅含量預(yù)報的動態(tài)遞推模型，引入遺傳算法以優(yōu)化模型參數(shù)。對高爐冶煉過程的鐵水硅含量預(yù)報具有普遍的通用性，可獲得較好的預(yù)報精度，提高高爐鐵水硅含量的預(yù)報命中率。
文檔編號G06F17/50GK101211383SQ20071016460
公開日2008年7月2日 申請日期2007年12月21日 優(yōu)先權(quán)日2007年12月21日
發(fā)明者吳鐵軍, 玲 于, 李艷君, 吳毅平, 鈞 陶, 孫麗麗, 方 杜, 微 周, 崔承剛 申請人:浙江大學(xué)