CN102163261A - 一种基于案例推理的钢水温度预测方法 - Google Patents

Abstract

本发明公开了一种基于案例推理的钢水温度预测方法，包括：步骤一，建立存储有钢水温度的影响因素的值和钢水温度的案例库；步骤二，定义当前问题和问题解；步骤三，根据关键的状态向量对案例库中的案例集进行类选；步骤四，根据所有状态向量的离散值对类选后的案例集进行粗选；步骤五，根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选；步骤六，择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的问题解。本发明是基于多步检索策略案例推理方法，克服了传统神经网络方法训练时间长和不适合在线应用等缺点，由于采用了带权值的灰色关联度方法，在一定程度上解决了生产数据不完整或存在干扰的问题。

Description

一种基于案例推理的钢水温度预测方法

技术领域

本发明属于炼钢技术领域，涉及一种基于案例推理的钢水温度预测方法。

背景技术

随着炼钢厂生产精细化程度的提高，对钢水温度控制要求越来越高，及时准确地获取各个工序钢水温度的要求更加迫切。传统的热电偶测量方法的缺点是劳动强度大、测量的准确性和稳定性不高、无法进行连续测量，且数据反馈滞后，不能适应紧凑高效的现代化生产。由于不能及时准确地获取钢水温度，导致很多企业较大幅度地提高转炉出钢温度，浪费了大量能源。由于炼钢厂各个工序之间存在着复杂的物理化学反应和传递现象，很难使用机理或数学模型加以描述。Jose Manuel等使用人工神经网络(Artificial Neural Network，ANN)作为分类器，并设计模糊推理函数预测电炉出钢温度；毛志忠等结合传统机理模型和智能方法，并采用改进AdaBoost RT集成BP网络作为智能模型部分校正机理模型中难以准确获得的参数，再使用机理模型预测LF炉终点钢水温度；田慧欣等提出一种基于Bagging或ELM的多模型预报方法，实现对LF炉出钢钢水的温度预测，该方法是一种混合方法，在提高智能方法预报精度的同时使得机理模型与智能模型的优势得以互补；韩颖采用最小二乘支持向量机方法对电炉出钢钢水温度进行预测，通过对模型参数进行优选，使所建模型具备了良好的拟合和预测能力；王安娜等应用BP神经网络预测LF炉出钢钢水温度，取得了较好效果；陶子玉等对BP神经网络进行了附加动量项和自适应修改学习率两个方面的修改，成功将其应用于LF炉钢水终点温度预报；李亮等应用BP神经网络对VD终点钢水温度进行预报；杨为民、谢书明和常立忠等应用神经网络预测转炉终点，包括终点温度和终点碳含量。以上大多数方法都是采用一般人工神经网络作为钢水温度的预测方法，而一般人工神经网络存在学习时间长、泛化能力弱等问题。

应用基于案例推理技术预测钢水温度是一种新的尝试。当前，已有少数学者应用基于案例推理技术进行预测，例如，湛腾西等应用基于案例推理技术预测电厂烟气中的含氧量，王晓等应用基于案例推理技术预测非常规突发事件资源需求，孙铁强应用基于案例推理技术对热风炉送风温度进行预测，均取得了较好的效果。但是，已有基于案例推理技术应用于预测存在着不足：案例检索方法上使用最近相邻策略或归纳推理策略，在案例信息不完整的情况下通常得不到准确的结果；当案例库较大时，检索时间较长。

发明内容

本发明所要解决的技术问题是：提供一种基于案例推理的钢水温度预测方法，该方法具有更高的准确率。

为解决上述技术问题，本发明采用如下技术方案。

一种基于案例推理的钢水温度预测方法，包括以下步骤：

步骤一，建立存储有钢水温度的影响因素的值和钢水温度的案例库；

步骤二，定义当前问题和问题解；所述当前问题是一条钢水温度的影响因素取值的记录，所述问题解是当前问题的预测温度；

步骤三，根据关键的状态向量对案例库中的案例集进行类选；所述状态向量为取值形式为离散值的影响因素；

步骤四，根据所有状态向量的离散值对类选后的案例集进行粗选；

步骤五，根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选；

步骤六，择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的问题解。

作为本发明的一种优选方案，所述钢水温度的影响因素包括出钢时间、包龄、出钢前温度、钢水净重量、运输时间、加高碳锰铁重量、加硅铁重量、加铝块重量、加铝镁钙铁重量、加铝质复合脱氧剂重量、加增碳剂重量、加中碳锰铁重量。

作为本发明的另一种优选方案，所述灰度相似度是采用基于灰色关联度的方法计算案例的相似度，具体计算过程为：

设当前问题为s₀，已有案例集为{S_i|i＝1...m}，m是已有案例的数目，则s₀和已有案例集中各个案例s_i在n维空间上的灰色相似度为：

$G_{\mathrm{SIM}}(s_0,s_i)=\frac{1}{1+\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{G}_d^2(s_0\left(k\right),s_i\left(k\right))}},$

其中，G_d(s₀(k)，s_i(k))＝1/G_s(s₀(k)，s_i(k))-1为s₀和s_i在特征向量的第k个属性上的灰色距离；

$G_s(s_0\left(k\right),s_i\left(k\right))=[\underset{i}{\min }\underset{k}{\min }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)+\mathrm{\ζ}\underset{i}{\max }\underset{k}{\max }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)]/$

$\left[w_k\right|s_0\left(k\right)-s_i\left(k\right)|+\mathrm{\ζ}\underset{i}{\max }\underset{k}{\max }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)],$

G_s(s₀(k)，s_i(k))为s₀和s_i在特征向量的第k个属性上的关联系数，ζ∈[0，1]为分辨系数，w_k为特征向量的第k个属性的权值。

作为本发明的再一种优选方案，所述择优是综合考虑大于预设相似度阈值的案例集合，预测钢水温度的计算公式如下：

$T=\mathrm{\Σ}(G_i*T_i)/\mathrm{\Σ}{G}_i,G_i\≥G_0$

其中，G₀是预设相似度阈值，G_i是当前问题与候选案例的灰度相似度，T_i是候选案例的实际温度。

本发明的有益效果在于：本发明所述的基于案例推理的钢水温度预测方法克服了传统神经网络方法训练时间长和不适合在线应用等缺点，大大缩短了搜索时间，且由于采用了带权值的灰色关联度方法，在一定程度上解决了生产数据不完整或存在干扰的问题。

附图说明

图1为本发明所述的基于案例推理的钢水温度预测方法的流程图；

图2为层次分析法求钢水温度影响因素的成对比较矩阵示意图；

图3为传统的人工神经网络方法预测的结果示意图；

图4为本发明所述的基于案例推理的钢水温度预测方法的结果示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步详细说明。

实施例一

本实施例提供一种基于案例推理的钢水温度预测方法，如图1所示，包括以下步骤：

步骤一：建立钢水温度案例库。

所述案例库用于存储钢水温度的影响因素的值和钢水温度，每条钢水温度影响因素的值和钢水温度组成的记录称为案例，形如＜(出钢时间＝5，包龄＝67，出钢前温度＝1648，钢水净重量＝308160，运输时间＝19.18，加高碳锰铁重量＝1200，加硅铁重量＝0.00，加铝块重量＝453.00，加铝镁钙铁重量＝0.00，加铝质复合脱氧剂重量＝0.00，加增碳剂重量＝153.00，加中碳锰铁重量＝0.00)，(1598)＞。案例库的维护采用合适的遗忘和保留策略以保持案例库的适应性。

步骤二：定义当前问题和问题解。

所述当前问题是一条钢水温度的影响因素取值的记录。所述问题解是当前问题的预测温度。

步骤三：根据关键状态向量对案例库中的案例集进行类选。

所述类选是根据关键状态向量的取值将当前问题匹配到案例集。影响钢水温度的因素既可能是状态向量，也可能是特征向量。所谓状态向量，指的是该影响因素取值形式为离散值，如出钢时间＝{正常、偏高、偏低}；所谓特征向量，指的是该影响因素取值形式为连续值，如出钢时间＝{t|t＞0，t∈R}。另外，为了区分不同合金料加入方式，为每种加料方式分别建立相应的案例集，即每种合金加料组合对应一组案例，从而达到将案例库分为多个案例集以减少搜索时间的目的。关键状态向量指的是加入合金料的组合方式。

步骤四：根据所有状态向量的离散值对类选后的案例集进行粗选。

所述粗选是在类选后的案例集中再根据状态向量所取的离散值进行匹配搜索。

步骤五：根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选。

所述精选是在粗选后的案例集中根据相似度再进行搜索。采用基于灰色关联度的方法计算案例的相似度，而在计算时只考虑连续取值的特征向量。设当前问题为s₀，已有案例集为{s_i|i＝1...m}，m是已有案例的数目，则s₀和已有案例集中各个案例s_i在n维空间上的灰色相似度为： $G_{\mathrm{SIM}}(s_0,s_i)=\frac{1}{1+\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{G}_d^2(s_0\left(k\right),s_i\left(k\right))}}.$

G_d(s₀(k)，s_i(k))＝1/G_s(s₀(k)，s_i(k))-1为s₀和s_i在特征向量的第k个属性上的灰色距离。

$G_s(s_0\left(k\right),s_i\left(k\right))=[\underset{i}{\min }\underset{k}{\min }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)+\mathrm{\ζ}\underset{i}{\max }\underset{k}{\max }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)]/$

$\left[w_k\right|s_0\left(k\right)-s_i\left(k\right)|+\mathrm{\ζ}\underset{i}{\max }\underset{k}{\max }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)]$

G_s(s₀(k)，s_i(k))为s₀和s_i在特征向量的第k个属性上的关联系数，ζ∈[0，1]为分辨系数，一般取ζ＝0.5，w_k为特征向量的第k个属性的权值，该权值由层次分析法计算并确定。图2为层次分析法求钢水温度影响因素的成对比较矩阵示意图。

步骤六：择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的预测温度。

所述择优是综合考虑大于预设相似度阈值的案例集合。预测钢水温度的计算公式如下：

$T=\mathrm{\Σ}(G_i*T_i)/\mathrm{\Σ}{G}_i,G_i\≥G_0$

其中，G₀是预设相似度阈值，取0.70；G_i是候选案例和当前问题的灰度相似度，T_i是候选案例的实际温度。

本发明针对炼钢厂钢水温度在线预测的实际应用需求，提出一种包括类选、粗选、精选和择优的多步检索方法的案例推理方法；与传统基于案例推理方法相比，本发明所述方法大大缩短了搜索时间；由于应用层次分析法来确定影响钢水温度的各个因素的权值，并使用灰色关联度来计算案例的相似度，克服了传统相似度计算方法在案例信息不完整的情况下通常得不到准确结果的缺点。

本发明所述的方法是一种类选、粗选、精选和择优的四步检索方法，大大缩短了检索时间；使用灰色关联度来计算案例的相似度，克服了传统相似度计算方法在案例信息不完整的情况下无法获得准确结果的缺点；且与人工神经网络等传统预测方法相比，基于案例推理比人工神经网络具有更高的命中率，如[-10，+10]误差范围内的温度命中率，人工神经网络只有50.00％，而基于案例推理为55.71％，两者相差5.71％，而[-15，+15]误差范围内的温度命中率，人工神经网络只有74.29％，而基于案例推理为77.14％，两者相差2.85％。图3和图4分别是人工神经网络方法和基于案例推理方法的预测结果。

本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其他形式、结构、布置、比例，以及用其他元件、材料和部件来实现。

Claims (4)

1.一种基于案例推理的钢水温度预测方法，其特征在于，包括以下步骤：

步骤一，建立存储有钢水温度的影响因素的值和钢水温度的案例库；

步骤二，定义当前问题和问题解；所述当前问题是一条钢水温度的影响因素取值的记录，所述问题解是当前问题的预测温度；

步骤三，根据关键的状态向量对案例库中的案例集进行类选；所述状态向量为取值形式为离散值的影响因素；

步骤四，根据所有状态向量的离散值对类选后的案例集进行粗选；

步骤五，根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选；

步骤六，择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的问题解。

2.根据权利要求1所述的基于案例推理的钢水温度预测方法，其特征在于：所述钢水温度的影响因素包括出钢时间、包龄、出钢前温度、钢水净重量、运输时间、加高碳锰铁重量、加硅铁重量、加铝块重量、加铝镁钙铁重量、加铝质复合脱氧剂重量、加增碳剂重量、加中碳锰铁重量。

3.根据权利要求1所述的基于案例推理的钢水温度预测方法，其特征在于，所述灰度相似度是采用基于灰色关联度的方法计算案例的相似度，具体计算过程为：

设当前问题为s₀，已有案例集为{s_i|i＝1...m}，m是已有案例的数目，则s₀和已有案例集中各个案例s_i在n维空间上的灰色相似度为：

$G_{\mathrm{SIM}}(s_0,s_i)=\frac{1}{1+\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{G}_d^2(s_0\left(k\right),s_i\left(k\right))}},$

其中，G_d(s₀(k)，s_i(k))＝1/G_s(s₀(k)，s_i(k))-1为s₀和s_i在特征向量的第k个属性上的灰色距离；

$G_s(s_0\left(k\right),s_i\left(k\right))=[\underset{i}{\min }\underset{k}{\min }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)+\mathrm{\ζ}\underset{i}{\max }\underset{k}{\max }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)]/$

$\left[w_k\right|s_0\left(k\right)-s_i\left(k\right)|+\mathrm{\ζ}\underset{i}{\max }\underset{k}{\max }\left(w_k\right|s_0\left(k\right)-s_i\left(k\right)\left|\right)],$

G_s(s₀(k)，s_i(k))为s₀和s_i在特征向量的第k个属性上的关联系数，ζ∈[0，1]为分辨系数，w_k为特征向量的第k个属性的权值。

4.根据权利要求1所述的基于案例推理的钢水温度预测方法，其特征在于：所述择优是综合考虑大于预设相似度阈值的案例集合，预测钢水温度的计算公式如下：

T＝∑(G_i*T_i)/∑G_i，G_i≥G₀

其中，G₀是预设相似度阈值，G_i是当前问题与候选案例的灰度相似度，T_i是候选案例的实际温度。

Images