技术领域
[0001] 本
发明属于自动化检测技术领域，具体地说，涉及一种自适应高炉铁水硅含量趋势预报方法。
背景技术
[0002] 高炉炼铁是当前的主导炼铁工艺，优化高炉操作、推进高炉炼铁技术进步是近年来
冶金领域的研究热点。高炉是密闭的逆流式热交换
竖炉，其内部反应过程是一个高度复杂的非线性过程，如图1所示，实质是将铁从铁
矿石等含铁化合物中还原出来：高炉上料系统将
炉料(铁矿石、熔剂、
焦炭等)分批次地从炉顶装入炉内；下部
风口将热风鼓入高炉与焦炭反应生成高温还原性
煤气；炉料在下降过程中不断被上升煤气流加热，发生还原、
熔化、造渣等一系列物理-化学反应生成液态渣、铁并沉积于炉缸，渣、铁周期性地从渣铁出口排出；煤气在上升过程中，成分不断变化，
温度不断降低，形成高炉废气，最后从炉顶排出。
冶炼过程中固、液、气、粉等多相物质共存，发生复杂的化学反应，冶炼过程具有时变、高维、分布参数等特征，并伴随高温、高压等特点。特别是半熔融状态软熔带的存在导致高炉炼铁过程极其复杂，使得其优化操作和自动控制成为冶金领域的难题，时至今日，炼铁过程仍要求高炉工长凭经验进行调控。研究面向高炉炼铁过程的可计算建模方法，实现其优化操作和自动控制是亟待解决的关键难题。
[0003] 20世纪下半叶以来，计算机、信息、控制等技术的进步为
钢铁工业的迅猛发展提供了先进的技术手段，在此过程中高炉炼铁过程的多个子工序如配料、布料、送风等逐步实现了自动化。进一步地，为保障高炉炉况平稳发展，实现喷煤量、焦炭负荷等控制变量的实时自动调控，最终实现高炉炼铁过程的闭环自动控制，要求建立高
精度的高炉炉温预报模型。在高炉炼铁工艺中，高炉铁水硅含量(Si，被称为“化学温度”)是高炉炉缸热状态的有效表征，且Si与炉况
稳定性、生产效率、能耗、铁水
质量等关系密切，故Si是高炉炼铁过程的主要优化控制目标。
[0004] 随着人们对高炉炼铁过程认识的不断深入，高炉炉温建模技术取得了长足进步。国内外研究人员根据高炉内部发生的传递现象和反应动
力学原理建立了多种机理模型，这些模型对于揭示高炉内部现象起了一定的积极作用，但机理模型在建模时均作了大量的简化处理，因此所得模型难以准确描述高炉炉温变化。上世纪80年代开始，欧美国家和日本等相继将专家 系统技术引入到高炉操作，利用炼铁专家知识模拟人类思维和推理模式对高炉炼铁过程进行建模。
专家系统的引入对于推动高炉炼铁过程的自动化起到了积极作用，带来了显著的经济效益。但我国高炉在原料、生产装备、生产工艺、操作方式、检测仪表以及检测数据的准确性、实时性等诸方面和国外先进高炉有较大差距。在追踪国际先进技术的
基础上，我国钢铁企业和高校结合本土的原料特点和操作模式相继开发了适合我国国情的专家系统，如首钢与北科大合作开发的“
人工智能高炉冶炼专家系统”，浙江大学开发的“高炉智能控制专家系统”等。这些专家系统的开发和应用，对提高我国高炉炼铁的控制水平起了积极的推动作用。但是目前专家系统的许多功能模
块仅仅是高炉工长经验的简单“IF-THEN”规则化或各种作业表格的
电子化，专家系统虽然利用了专家知识却无法挖掘海量生产数据背后隐藏的重要信息，导致核心模块(如高炉炉温预报)的应用效果大打折扣。随着新型仪表、网络化仪表以及
传感器技术在高炉炼铁过程中的广泛使用和计算机技术的迅速发展，大量的生产数据被采集和存储，如原料参数，包括铁矿石成份、喷煤速率、焦炭负荷、焦炭比等；鼓风参数，包括风量、风温、风压、富
氧程度、鼓风湿度、透气性指数等；铁水成份参数，包括铁水硅含量、铁水硫含量等。利用这些生产数据建立的高炉炉温数据驱动模型主要有
自回归模型、神经网络模型、模糊推理模型、
贝叶斯网络模型、偏最小二乘模型、非线性时间序列分析模型、模糊模型、混沌模型、SVM模型等。上述模型多是利用统计分析方法，如相关系数分析以及主元分析等，确定输入、输出变量，然后再利用神经网络、贝叶斯网络、偏最小二乘法、
支持向量机等工具的非线性逼近能力，通过不断训练学习获取输入与输出之间的函数关系，并在此基础上建立相应的预测、控
制模型。
[0005] CN200710164607.3的中国发明
专利公开了一种高炉铁水硅含量的特征分析预报方法。以高炉工艺参数为输入变量(包括铁量差、透气性、喷煤量、风温、料批、风量、富氧量、热风压力、炉顶压力、喷煤量、热风温度、炉顶温度、矿焦比、出铁量、煤气中CO、C02的含量等)，在对输入变量的样本数据进行指数加权移动平均滤波和归一化预处理后，采用改进的动态独立成分分析方法对输入变量的样本数据进行特征提取，消除生产工艺参数之间的相关性，使用最小二乘法向量的
算法建立高炉铁水硅含量预报的动态递推模型，引入
遗传算法优化模型参数。对高炉冶炼过程的铁水硅含量预报具有普遍的通用性，可获得较好的预报精度，提高高炉铁水硅含量的预报命中率。
[0006] 专利号为200910187796.5的中国专利公开了一种高炉铁水含硅量的预报方法，包括数据参数选取及预处理、预测算法、结果输出及操作指导，数据参数选取采用硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数，通过预测算法对硅含量进行预测。在炉况
波动小时主要依靠均线系统，在炉况波动 大时自动加入风口理论燃烧温度及前次铁水含硫量。该专利采用的数据参数少，并能获得较好的预报精度、提高高炉铁水硅含量的预报命中率。
[0007] 高炉炼铁过程是动态变化的复杂非线性过程，但目前所开发的数据驱动模型多是离线型静态模型，这些模型无法追踪系统的动态变化，模型的实时性和可靠性都难以满足实际生产的需要。
发明内容
[0008] 本发明的目的在于针对现有高炉炼铁过程中数据驱动模块无法有效追踪系统的动态变化等上述不足，提供了一种自适应高炉铁水硅含量趋势预报方法，该方法通过不断采集新样本对趋势预报模型进行自适应更新，追踪高炉冶炼过程的动态变化。
[0009] 根据本发明一
实施例，提供了一种自适应高炉铁水硅含量趋势预报方法，含有以下步骤：(一)确定趋势预报器的输入变量；
[0010] (二)对现场采集数据进行预处理；
[0011] (三)建立初始高炉铁水硅含量趋势预报器；
[0012] (四)采用趋势预报器对数据流中的样本进行趋势预测；
[0013] (五)建立基于在线LS-SVMs模型的自适应预报器；
[0014] (六)根据自适应预报器的输出预报结果指导工长操作。
[0015] 在根据本发明实施例的预报方法中，步骤(一)中，确定趋势预报器的输入变量的具体步骤为：
[0016] (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；
[0017] (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；
[0018] (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；
[0019] (4)以高炉铁水硅含量的变化趋势作为输出变量，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。
[0020] 在根据本发明实施例的预报方法中对现场采集数据进行预处理的具体步骤为：
[0021] (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；
[0022] (2)采用经验模式分解算法去除数据中的工业噪声；
[0023] (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；
[0024] (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。
[0025] 在根据本发明实施例的预报方法中，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：
[0026] (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：
[0027]
[0028]
[0029] 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；
[0030] (2)通过KKT条件将LS-SVMs模型转化为鞍点系统，表示为：
[0031]
[0032] 其中， i＝1,…,n，j＝1,…,n，k(·,·)为核函数，由用户指定；
[0033] (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：
[0034] 。
[0035]
[0036] 在根据本发明实施例的预报方法中，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：
[0037] (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；
[0038] (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。
[0039] 在根据本发明实施例的预报方法中，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：
[0040] (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
[0041]
[0042] 其中，K(Xold,Xadd)ij＝k(xi,xn+j)，C＝K(Xold,Xadd)+vIm， 新鞍点矩阵可表示为：
[0043]
[0044] 其中，
[0045] (2)利用高斯消元法对步骤(1)中的计算结果Aold进行修正，得到新鞍点矩阵的逆矩阵 其中，由 得到新的Lagrange乘子αnew和偏置参数bnew，进而获得自适应预报器
为：
[0046] 。
[0047]
[0048] 本发明提出的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。通过根据本发明实施例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。
附图说明
[0049] 附图1为高炉冶炼过程示意图。
[0050] 附图2为本发明实施例基于滑动窗口的增量式在线LS-SVMs模型学习示意图。
[0051] 附图3为本发明实施例高炉现场采集工业参数Si时间序列图。
[0052] 附图4为本发明实施例高炉现场采集工业参数风量时间序列图。
[0053] 附图5为本发明实施例高炉现场采集工业参数喷煤时间序列图。
具体实施方式
[0054] 以下结合附图对本发明实施例作进一步说明。
[0055] 以国内某2000m3高炉为例进行说明。一种基于预算支持向量集的LS-SVMs在线预报方法，含有以下步骤：
[0056] (一)确定趋势预报器的输入变量，其具体步骤为：
[0057] (1)根据现场高炉的传感器情况，采集与炉温相关的工业参数，包括高炉铁水硅含量、高炉铁水硫含量、风温、风量、透气性、喷煤量、风压、富氧量；
[0058] (2)出铁间隔时间为1.5小时，采用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为炉次数据1.5小时；
[0059] (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为7维；
[0060] (4)将高炉铁水硅含量的采集数据转化为趋势标签：yt＝sign([Si]t-[Si]t-1)，其中[Si]t表示炉次t的高炉铁水硅含量，[Si]t-1表示炉次t-1的高炉铁水硅含量，并选取高炉铁水硅含量的变化趋势yt∈{1,-1}作为模型的输出变量；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为：前一炉铁水硅含量、风量、风温、透气性、喷煤量、风压、富氧量。
[0061] (二)对现场采集数据进行预处理，其具体步骤为：
[0062] (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；本实施例中，应用偏差检测和数据变换两边
迭代进行数据清理，剔除因设备故障或人为失误等导致的奇异数据；
[0063] (2)采用经验模式分解算法去除数据中的工业噪声；
[0064] (3)利用变量之间的长期均衡关系，应用K最近邻算法完成对局部缺失数据的填充；
[0065] (4)采用如下数据标准化处理方法 i＝1,…,n；j＝1,…,d对样本数据进行预处理，其中，其中 表示原始采集数据，m(xj)表示第j个特征的平均值，σ(xj)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，降低各输入变量在数量级上的差异对趋势预报器的性能所产生的影响。
[0066] (三)建立初始高炉铁水硅含量趋势预报器，其具体步骤为：
[0067] (1)执行
数据处理后得到1240组连续数据，选取前30％的数据作为
训练数据，其余70％的数据为测试数据，首先基于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：
[0068]
[0069]
[0070] 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；
[0071] (2)LS-SVMs模型的Lagrangian函数为：
[0072]
[0073] 其中αi,i＝1,…,n为Lagrange乘子，LS-SVMs模型的最优解满足KKT条件:
[0074]
[0075] 通过KKT条件将LS-SVMs模型转化为鞍点系统，表示为：
[0076]
[0077] 其中， i＝1,…,n，j＝1,…,n，取Gaussian径向基函数 作为核函数，模型正则化参数v和核宽σ为模型超参数，利用
MATLAB程序包LS-SVMlab1.8在训练集上通过10折交叉验证的方式确定模型超参数为(v,σ)＝(2.04,57.12)；
[0078] (3)直接从MATLAB中调用最小残差法的内置函数求解上述步骤(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：
[0079] 。
[0080]
[0081] (四)采用趋势预报器对数据流中的样本进行趋势预测，其具体步骤为：
[0082] (1)数据流分别以2-by-2、5-by-5、10-by-10的形式进行采集，设某时刻采集到的数据块为{xn+1,…,xn+s}，利用高炉铁水硅含量趋势预报器对数据流中的样本进行预报；
[0083] (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。
[0084] (五)建立基于在线LS-SVMs模型的自适应预报器，其具体步骤为：
[0085] (1)利用高斯消元法更新LS-SVMs模型：为了便于描述，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
[0086]
[0087] 其中，K(Xold,Xadd)ij＝k(xi,xn+j)，C＝K(Xold,Xadd)+vIm， 新鞍点矩阵可表示为：
[0088]
[0089] 其中，
[0090] (2)利用高斯消元法对步骤(1)中的计算结果Aold进行修正，得到新鞍点矩阵的逆矩阵 其中，由 得到新的Lagrange乘子αnew和偏置参数bnew，进而获得自适应预报器
为：
[0091] 。
[0092]
[0093] (六)根据自适应预报器的输出预报结果指导工长操作。
[0094] 根据自适应预报器的输出预报结果，工长对理论燃烧温度相关参数如喷煤量、风量、风温等控制参数进行操作，以达到稳定炉温、炉况顺行的目标。
[0095] 应用本发明具体实施例上述基于在线LS-SVMs模型的自适应高炉铁水硅含量趋势预报方法，对868组测试数据进行了离线预报。本发明与传统的基于LS-SVMs的批处理预报方法共轭梯度法(CG)和零空间法(Nullspace)，以及递归更新LS-SVMs(RULS-SVMs)进行对比。仿真结果如表1所示，由表1可以看出，本发明所提出的在线预报方法IOLS-SVMs具有更高的预报精度、更短的运行时间，且可以处理数据流具有较强的灵活性。
[0096] 表1
[0097]
[0098] 上述实施例用来解释本发明，而不是对本发明进行限制，在本发明的精神和
权利要求的保护范围内，对本发明做出的任何
修改和改变，都落入本发明的保护范围。
