CN102156405A - 小样本贫信息下的烧结矿化学成分预测与智能控制系统 - Google Patents

Abstract

本发明公开一种小样本贫信息下的烧结矿化学成分预测与智能控制系统，包括数据采集模块、数据归一化模块、灰熵模块、支持向量机模块、组合模块、推断模块、烧结矿化学成分预测模块和智能控制模块。本发明针对烧结过程的大滞后性、非线性以及参数信息的不完整性，结合一种灰熵-支持向量机的运算方法，建立了烧结矿各化学成分预测模型，在烧结工况稳定时能有效预测烧结矿化学成分。实验结果和多种模型比较表明，本发明小样本贫信息下的烧结矿化学成分预测与智能控制系统能在小样本贫信息的条件下对烧结矿化学成分做出比较准确的预测，此种模型具有预测精度高、所需样本少、计算简便等优点，取得了令人满意的结果。

Description

小样本贫信息下的烧结矿化学成分预测与智能控制系统

技术领域

本发明涉及冶金领域的烧结过程领域的自动控制，特别涉及一种小样本贫信息下的烧结矿化学成分预测与智能控制系统。

背景技术

烧结矿化学成分波动较大是高炉原料存在的一个十分突出问题。目前我国烧结矿化学成分主要是通过控制原料系统来控制的，80年代以来，我国不少厂家建立了混匀料场，取得一定效果，但只能为烧结厂提供7～10天的稳定成分；对配料进行了微机定值自动控制各原料的给料量，但尚未考虑最优控制问题，而且由于各种烧结矿原料化学成分随机波动，烧结产品取样、分析存在相当长的时间延迟、使得烧结矿化学成分的稳定控制相当困难。国外在80年代提出新的控制烧结矿化学成分的方法——用自回归和多元回归模型预测和控制烧结矿化学成分(CaO，SiO₂，MgO，FeO)系统，日本住友金属公司小仓厂自1982年3月以来在3号烧结机上使用了该系统，1985年12月起，和歌山4号烧结机也使用了此控制系统，都取得了较好的操作效果。80年代起，国外也将预测模型应用到烧结生产其他方面的控制中，如英格兰钢铁公司Redcar烧结厂预测废气温度控制机速，用自适应模型预测成品机械强度指数和FeO含量都取得一定效果。

在我国，关于烧结矿化学成分超前预测也有不少报道。随着技术的不断成熟，人工智能技术在国内烧结生产中被大量采用，主要用于工艺参数的优化和烧结矿化学成分与产质量的预报。

北京科技大学张舒，高为民应用误差反向传播方式建立了烧结矿性能指标预测的经网络模型，并用实际烧结生产数据对模型进行了训练，训练后的模型可以对烧结过程进行分析，并可对烧结矿的FeO含量和烧结矿转鼓指数进行预测。

东北大学郭文军，何力本利用前馈神经网络，建立了烧结矿化学成分超前预报的模型；通过对现场实际运行数据分析表明，预报模型具有良了的预报结果和实际应用前景。

邵贤强，邱道尹针对烧结过程生产实际，运用神经网络中的BP学习算法设计了分类器，用于在线推断烧结矿的质量，为了加快BP学习算法的收敛速度，采用了自适应变步长学习算法，实验结果表明，由此建立的烧结过程神经网络质量预报模型，预报正确率高，具有很好的泛化能力。

中南工业大学王雅琳、桂卫华等人针对工业生产过程的复杂性和时变性，提出一种用于工业生产过程模建的自适应监督式分布神经网络(SDNN)，将SDNN网络与传统建模方法相结合，应用于铅锌烧结过程的烧结块成分预测。工业应用结果表明，SDNN模型具有较高的预测精度。与传统建模方法有机结合能更好地描述工业生产过程。

东北大学姜宏洲、李万新等人开发了烧结矿FeO含量智能检测仪。检测仪应用图像处理与神经网络技术，依照烧结看火工对烧结矿FeO含量的判断方法，用CCD摄像机采集烧结机尾断面图像，对所采集的图像进行实时处理，最后给出相应的FeO含量等级。

烧结矿化学成分的稳定性已越来越成为整个铁前系统能否保持良好运行的关键。钢厂对烧结矿的检验以现有的检验方式和装备已无法满足生产工艺的需要，造成检验周期长、检验结果严重滞后。尤其是产品质量异常时，既不能及时调整烧结生产又无法及时指导高炉生产，而且经调研发现，国内多数企业均存在类似问题。这种状况已经严重干扰了烧结生产，对炼铁生产也造成了不可小视的损失，在烧结厂开发出烧结矿化学成分的预测模型和预测系统已是当务之急。因此，迫切需要开发功能优良的烧结过程烧结矿化学成分预测系统，使烧结过程控制水平进入一个新的阶段，尽快接近或达到同行业国际先进水平，这样才能带来巨大的经济效益。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供一种基于灰熵-支持向量机算法的小样本贫信息下的烧结矿化学成分预测与智能控制系统。

本发明的技术方案是这样实现的：

小样本贫信息下的烧结矿化学成分预测与智能控制系统，包括：数据采集模块、数据归一化模块、灰熵模块、支持向量机模块、组合模块、推断模块、烧结矿化学成分预测模块和智能控制模块；数据采集模块实时采集与所要预测的烧结矿化学成分有关的数据，并将实时采集的与所要预测的烧结矿化学成分有关的数据传输给数据归一化模块；数据归一化模块对传输过来的与所要预测的烧结矿化学成分有关的数据进行归一化预处理，并将预处理后的数据传递给灰熵模块；灰熵模块将数据归一化模块处理过的数据信息进行灰熵处理，并将数据挖掘结果传送给支持向量机模块；支持向量机模块将通过灰熵处理过的结果进行进一步预测，预测结果传输给组合模块；组合模块将灰熵模块数据挖掘结果、支持向量机模块预测结果及两者的组合预测算法进行比较、性能分析和误差计算；推断模块运用贝叶斯推断理论的方法来自动确定展小二乘支持向量机模块的正则化参数和核参数，并将确定的正则化参数和核参数反馈给烧结矿化学成分预测模块；烧结矿化学成分预测模块对烧结矿化学成分进行实时预测，并与实时采集的实际值进行比较；智能控制模块是将预测值与实际值进行实时控制。

上述小样本贫信息下的烧结矿化学成分预测与智能控制系统，根据所要采集的与所要预测的烧结矿化学成分有关的数据，所述数据采集模块采用相应的传感器或测量仪器。

上述小样本贫信息下的烧结矿化学成分预测与智能控制系统，所述智能控制模块将预测值与实际值进行实时控制时采用模糊PID控制、单回路控制或免疫PID控制。

本发明的有益效果是：针对烧结过程的大滞后性、非线性以及参数信息的不完整性，结合一种灰熵-支持向量机的运算方法，建立了烧结矿各化学成分预测模型，在烧结工况稳定时能有效预测烧结矿化学成分。实验结果和多种模型比较表明，本模型能在小样本贫信息的条件下对烧结矿化学成分做出比较准确的预测，此种模型具有预测精度高、所需样本少、计算简便等优点，取得了令人满意的结果。

附图说明

图1为本发明小样本贫信息下的烧结矿化学成分预测与智能控制系统的示意图；

图2为本发明小样本贫信息下的烧结矿化学成分预测与智能控制系统的实现流程图；

图3为本发明小样本贫信息下的烧结矿化学成分预测与智能控制系统针对烧结矿碱度的预测曲线图(横坐标代表时间，纵坐标代表烧结矿碱度值)；

图4为本发明小样本贫信息下的烧结矿化学成分预测与智能控制系统针对烧结矿转鼓强度的预测曲线图(横坐标代表时间，纵坐标代表烧结矿转鼓强度值)；

图5为本发明小样本贫信息下的烧结矿化学成分预测与智能控制系统针对烧结矿化学成分MgO的预测曲线图(横坐标代表时间，纵坐标代表MgO值)；

图6为本发明小样本贫信息下的烧结矿化学成分预测与智能控制系统针对烧结矿化学成分SiO₂的预测曲线图(横坐标代表时间，纵坐标代表SiO₂值)；

图7烧结矿碱度的模糊免疫PID控制的控制误差曲线(横坐标代表时间，单位：秒；纵坐标代表控制误差)；

图8烧结矿碱度的模糊免疫PID控制的阶跃响应曲线(横坐标代表时间，单位：秒；纵坐标代表阶跃响应值)。

图中：1-数据采集模块，2-数据归一化模块，3-灰熵模块，4-支持向量机模块，5-组合模块，6-推断模块，7-烧结矿化学成分预测模块，8-智能控制模块。

具体实施方式

结合附图对本发明做进一步的说明：

如图1所示，基于灰熵-支持向量机的小样本贫信息下的烧结矿化学成分预测与智能控制系统包括：数据采集模块1、数据归一化模块2、灰熵模块3，支持向量机模块4、组合模块5、推断模块6、烧结矿化学成分预测模块7和智能控制模块8。

数据采集模块1实时采集用户需要的与烧结矿各化学成分有关的数据，将实时采集的数据传递给数据归一化模块2；例如：利用红外测水仪测水，利用铂铑铂热电偶和镍铬、镍硅热电偶采集点火温度及混合料温度，利用测厚仪采集料层厚度，利用变频器采集台车速度，利用压力变送器采集烧结负压，利用热式气体质量流量计采集煤气流量；此外，混均矿中的FeO、MgO、CaO的含量，生石灰与煤粉配比，混合料粒度以及大烟道废气温度等均传递给数据归一化模块2。

烧结系统中，对烧结矿化学成分指标影响较大的工艺参数有原料参数(对应原料的配比、焦粉配比)和操作参数(一二混加水率、料层厚度、台车速度)。因此确定了烧结矿化学成分预报的输入变量，每一种化学成分预测的影响因素都是不同的(烧结矿化学成分的影响因素见表1)，这些输入变量基本上都有智能仪表或测量比较稳定可靠的检测元件测量，而且还有冗余设备。为了更好的控制配料过程和烧结过程，配料系统和烧结过程的主要参数通过通讯或4～20mADC的电流的形式远传至烧结主控室，这些输入变量的瞬时流量值就可以准确可靠地显示，这样就为烧结矿化学成分的网络预测创造了良好的条件。

数据归一化模块2的作用是将采集的数据映射[0，1]。因为所有收集的样本数据往往不是在同一个数量级，所收集的数据映射到[0，1]之间进行归一化处理，这样有利于提高网络的训练速度。

样本数据中不可避免地存在着部分异常数据，这部分异常数据将给预测模型带来一定的影响，有可能还起误导作用。因此所用的训练样本和测试样本都必须是经过仔细筛选而形成的。

归一化公式如下式：

$x_{\mathrm{ij}}^{\′}=\frac{x_{\mathrm{ij}}\_x_{j\min }}{x_{j\max \_}{x}_{j\min }}\×0.8+0.1---\left(1\right)$

归一化计算结束后，再做反归一化处理，便得到实际的输出值即预报值。反归一化公式如下：

x_ij＝1.25(x_jmax-x_jmin)×(x′_ij-0.1)+x_jmin    (2)

公式(1)和(2)中，x′_ij表示经标准化后的第i样本第j变量的数据；x_ij表示原始空间量；x_jmax和x_jmin分别表示样本集中变量j的最大和最小数据。

灰熵模块3将数据归一化模块2处理过的的数据信息进行灰熵，运用灰熵理论，将隐藏模糊的烧结矿化学成分中的影响因素进行智能数据处理，将各化学成分和相应的影响因素的重要程度进行了综合排序，使生产单位能根据所提供的变量和排序结果指导烧结矿生产和质量控制。并将数据挖掘结果传送给支持向量机模块4。

按照灰熵的概念作如下定义：

定义1：设数列X＝(x₁，x₂，…，x_n)，x_i≥0，且∑x_i＝1，称函数

为序列X的灰熵，x_i为属性信息。

定义2：设X为比较列，Y为参考列，R_j＝{ξ(x(k)，y(k))|k＝1，2，…，n}，则映射Map：R_j→P_j，P_i＝ξ(x(k)，

y(i))，P_i∈P_j，i＝1，2，…，n，称为灰关联系数分布映射，映射值称为分布的密度值。

根据灰熵定义以及灰关联系数分布映射，灰熵可表示为：

$H\left(R_j\right)=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{P}_i\ln P_i---\left(3\right)$

定义3：若H_max为灰熵的最大值，则序列X_j的灰熵关联度：

$R_E\left(X_j\right)=\frac{H\left(R_j\right)}{H_{\max }}---\left(4\right)$

定义3体现灰熵的一般特性，该灰熵具有Shannon熵的全部性质(非负、可加、上凸、极值)，但灰熵与Shannon熵的区别在于Shannon熵是一种概率熵，且具有确定性，而灰熵具有灰性不确定性，每一个属性信息只能视为灰列中的一个现实白化点。所以为了消除随机性和不确定性，灰熵具有最大值。

烧结矿化学成分的影响因素比较多，比如以FeO为例，FeO的影响因素主要有料层厚度、燃料配比、一混和二混混合料水分、焦粒粒度等等。我们从某烧结厂获取2009年～2010年的实际生产数据，将烧结矿FeO的5个影响因素的样本数据120组作为灰关联熵的参考序列矩阵，将与此相对应的烧结终点数据作为灰关联熵的比较序列矩阵，进行烧结矿FeO的灰关联熵分析，得到影响烧结矿FeO因素的排序，燃料配比是最优因素，也就是说燃料配比这个因素对烧结矿FeO含量的影响是最大的；料层厚度次之，混合料水分也是一个最重要的参数之一；焦粒粒度的灰关联熵最小，说明它对烧结矿FeO的影响微乎其微。对影响因素的灰熵分析最终的排名顺序和实际理论分析完全相符。在以后的支持向量机预测中，可以按照这些影响因素的灰关联熵率来研究，这样不仅可以大大节省网络结构，提高网络收敛速度，而且可以明显改善网络的动态调节特性。烧结矿化学成分的影响因素见表1。

支持向量机模块4将通过灰熵处理过的结果进行进一步预测，预测结果传输给组合模块5，以前使用过的算法有人工神经网络、灰色理论、灰色神经网络等，本发明使用支持向量机算法。

组合模块5主要是将灰熵模块数据挖掘结果、支持向量机模块预测结果、两者的组合预测算法进行比较、性能分析、误差计算等。

为衡量预测结果，采用两个统计学指标：均方根误差σ_MSE和平方相对误差δ_MAPE：

${\mathrm{\σ}}_{\mathrm{MSE}}=\sqrt{\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{(x_t-{\hat{x}}_t)}^2},$ ${\mathrm{\δ}}_{\mathrm{MAPE}}==\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\frac{|x_t-{\hat{x}}_t|}{\left|x_t\right|}---\left(5\right)$

式中x_t和

分别为烧结矿各化学成分的实际值和预测值；

推断模块6是运用贝叶斯推断理论的方法来自动确定展小二乘支持向量机的正则化参数和核参数，并将确定的正则化参数和核参数反馈给烧结矿化学成分预测模块7。

证据框架将贝叶斯推断分为3个准则的推断，贝叶斯证据框架下的基本思想是最大化参数分布的后验，而最佳参数值或模型是在参数分布后验最大化的情况下得到的，在最小二乘支持向量机中，准则1可以推断参数ω和b，准则2可以估计正则化参数γ，准则3可以用来估计核参数σ。其整个推断的基础就是贝叶斯规则：在贝叶斯第一准则下，标准支持向量机估计算法可解释为对自由参数ω的贝叶斯推断。利用最大化参数的后验，即得到参数ω的最佳值，参数ω的后验。

$P(\mathrm{\ω}/D,\mathrm{\γ},H)=\frac{P(D/\mathrm{\ω},\mathrm{\γ},H)P(\mathrm{\ω}/\mathrm{\γ},H)}{P(D/\mathrm{\γ},H)}---\left(6\right)$

在贝叶斯第二准则下，利用贝叶斯参数推断模型对最小二乘支持向量机正规化参数γ进行推断。利用最大化参数γ的后验，即可得到参数γ的最佳值。参数γ的后验：

$P(\mathrm{\γ}/D,H)=\frac{P(D/\mathrm{\γ},H)P(\mathrm{\γ},H)}{P(D/H)}---\left(7\right)$

在贝叶斯第三准则下，支持向量机估计算法的最优核参数选择可以看作为贝叶斯参数估计理论对核参数的推断估计，这可以看作模型比较的过程。利用最大化模型σ的后验，即可得到支持向量机核参数σ的最佳值。模型σ的后验：

$P(H,D)=\frac{P(D/H)P\left(H\right)}{P\left(D\right)}---\left(8\right)$

烧结矿化学成分预测模块7得到烧结矿各化学成分的预测模型，就可以对烧结矿化学成分如碱度、全铁、CaO、转鼓强度等成分进行在线预测了，各化学成分的预测值并与实时采集的实际值进行比较，具体预测曲线图见附图3-图6，由图可知：本实施例的烧结矿化学成分预测与控制系统能够很好地预测烧结矿碱度、烧结矿转鼓强度、烧结矿化学成分MgO和烧结矿化学成分SiO₂，预测结果与实际测试的结果能够非常好地吻合。

智能控制模块8是将预测值与实际值进行实时控制，这里的控制算法有模糊PID控制、单回路控制、模糊免疫PID控制等。选用烧结矿碱度作为被控对象，选用控制算法为模糊免疫PID算法，烧结矿碱度的控制误差和阶跃响应曲线见附图7、图8。控制方式灵活多变，用户可以根据自己的实际需要自行选择控制模式。

本发明操作简单、方便，修改参数比较容易，系统运行稳定，预测精度高，控制及时。本发明适用于复杂恶劣的工业环境，降低操作工人的劳动强度，控制效果良好，降低烧结终点波动率，大大提高烧结过程的产量及质量指标。

表1烧结矿化学成分的影响因素一览表

以上实施例仅用于说明本发明的优选实施方式，但本发明并不限于上述实施方式，在所述领域普通技术人员所具备的知识范围内，本发明的精神和原则之内所作的任何修改、等同替代和改进等，其均应涵盖在本发明请求保护的技术方案范围之内。

Claims (3)

1.小样本贫信息下的烧结矿化学成分预测与智能控制系统，其特征在于，包括：数据采集模块(1)、数据归一化模块(2)、灰熵模块(3)、支持向量机模块(4)、组合模块(5)、推断模块(6)、烧结矿化学成分预测模块(7)和智能控制模块(8)；数据采集模块(1)实时采集与所要预测的烧结矿化学成分有关的数据，并将实时采集的与所要预测的烧结矿化学成分有关的数据传输给数据归一化模块(2)；数据归一化模块(2)对传输过来的与所要预测的烧结矿化学成分有关的数据进行归一化预处理，并将预处理后的数据传递给灰熵模块(3)；灰熵模块(3)将数据归一化模块(2)处理过的数据信息进行灰熵处理，并将数据挖掘结果传送给支持向量机模块(4)；支持向量机模块(4)将通过灰熵处理过的结果进行进一步预测，预测结果传输给组合模块(5)；组合模块(5)将灰熵模块数据挖掘结果、支持向量机模块预测结果及两者的组合预测算法进行比较、性能分析和误差计算；推断模块(6)运用贝叶斯推断理论的方法来自动确定展小二乘支持向量机模块的正则化参数和核参数，并将确定的正则化参数和核参数反馈给烧结矿化学成分预测模块(7)；烧结矿化学成分预测模块(7)对烧结矿化学成分进行实时预测，并与实时采集的实际值进行比较；智能控制模块(8)是将预测值与实际值进行实时控制。

2.根据权利要求1所述的小样本贫信息下的烧结矿化学成分预测与智能控制系统，其特征在于，根据所要采集的与所要预测的烧结矿化学成分有关的数据，所述数据采集模块(1)采用相应的传感器或测量仪器。

3.根据权利要求1所述的小样本贫信息下的烧结矿化学成分预测与智能控制系统，其特征在于，所述智能控制模块(8)将预测值与实际值进行实时控制时采用模糊PID控制、单回路控制或免疫PID控制。

Images