CN103194553A - 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 - Google Patents

Abstract

本发明涉及一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法，属于钢铁企业生产过程能源预测控制技术领域。首先利用最小二乘支持向量机的方法建立预测模型，对钢铁冶炼高炉的氧气使用量进行预测，然后根据预测结果利用控制系统调节高炉氧气供应量。利用最小二乘支持向量机的方法进行高炉氧气使用量的预测，提高了预测的精度和运算速度。通过较为精准的高炉氧气量预测能够为冶炼操作人员提供参考，并利用现有高炉供氧控制系统和设备，及时调节高炉供氧量，提高氧气利用效率，节约能源。

Description

一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法

技术领域

本发明属于钢铁企业生产过程能源预测控制技术领域，提供了一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法。

背景技术

钢铁产业是国民经济建设支柱产业，巨大的产量需要大量的能源作为支撑。因此，能源利用率直接影响吨钢综合能耗和产品生产成本。优化产业结构，利用自动化、信息化技术是提高钢铁企业能源利用率的有效方法。氧气是现代钢铁企业冶炼过程中使用的重要二次能源，其制备过程是制氧机通过消耗电能分离空气中的氮氧分子，制取高浓度氧气。钢铁企业氧气的主要用户包括转炉和高炉，高炉富氧冶炼过程中氧气消耗量约占企业总耗量的30%，，如何减少放散，高效稳定地利用氧气是钢铁企业氧气系统节能的关键。

1911年，德国、俄国开始向高炉供给富氧空气，这是在炼铁工业中使用氧气的最初尝试。二次世界大战之后，高炉富氧鼓风炼铁技术在许多国家开始推广应用。随着高炉炼铁工艺技术的发展，多数钢铁企业高炉炼铁采用富氧喷煤技术。高炉富氧鼓风是利用风机将大量富含氧气的预热空气压送入炉内。高炉富氧供氧方式分为三种：第一种机前供氧，即将氧气送入鼓风机吸风口和鼓风一起加压，经送风系统进入高炉风口内，国外多采用此方法；第二种机后供氧，即在鼓风从风机主管出来之后，在放风阀前某处，将氧气加入和冷风混合经加热送入炉内，目前国内多数使用此办法，加热压送的详细过程是风机将加热到1300℃左右的预热空气送入带有耐火材料内衬的高炉围管；第三种是机后供氧，通过氧煤枪将氧气和煤粉混合，直送风口前，目的是提高局部区域氧浓度，使煤粉更完全燃烧。

富氧喷煤冶炼工艺原理主要为鼓入氧气在高温环境中与煤粉发生反应，反应过程如式（1）、（2）所示。还原剂CO与炉料接触发生还原反应，将铁矿中的铁还原出来，成为铁单质。当温度高于570℃时：Fe₂O₃→Fe₃O₄→FeO→Fe；当温度低于570℃时：Fe₂O₃→Fe₃O₄→Fe。

                             (1)

                             (2)

根据CO还原铁氧化物的平衡三相成分与温度的关系可知，随着CO浓度的增加，铁氧化物更多被还原为单质铁。根据铁氧化物动力学反应原理——未反应核模型理论，还原剂CO还原铁氧化物逐级进行，通过外扩散和内扩散将铁氧化物还原成铁单质，此为高炉炼铁的反应过程。

高炉富氧喷煤技术主要作用是提高炉内氧化性能，加速煤粉氧化反应，提高理论燃烧温度，增强冶炼性能。国内外生产实践证明，高炉富氧率每增加1%，喷煤比可增加18kg/t铁，高炉可增产约2.5～3%，高炉喷煤约达150kg/t～200kg/t铁。充分发挥煤代焦的冶炼优势，降低高炉炼铁能耗量。高炉富氧是提高高炉生产效率，强化冶炼的重要手段，也是提高煤粉的燃烧率和置换比、降低焦比、提高铁产量的有效举措，有着良好的经济效益和社会效益。在高炉炼铁生产过程中，依据冶炼情况调控供氧量，显得尤为重要。

目前，国内大多数钢铁企业高炉炼铁富氧率预测是基于人工经验的短时粗略预测，对预测者的实际操作经验要求较高，且缺少相应的预测理论模型支持。因此，预测人员很难根据现场生产状况对高炉氧气使用量进行快速预测和调节，且预测精度难以满足生产需求。随着自动化、信息化技术的快速发展，通过利用人工智能方法进行能源供需预测，促进能源供需平衡是钢铁企业节能减排未来的发展方向。

人工智能的产生使得利用钢铁企业氧气系统的历史数据进行预测成为可能。目前主要用于氧气供需预测的系统和方法主要有决策支持系统(Decide Support System, DSS)和人工神经网络模型。DSS系统中虽然集成了氧气生产、存储和使用的理论模型，但大多是根据学者的构思建立理论模型和仿真，与现场运行实际情况有别，预测精度低，适用于决策辅助。BP人工神经网络模型具有较高的非线性映射能力，能以任意精度逼近非线性函数，是近年来应用于预测领域的热门技术，但此技术还存在以下诸多问题：①BP神经网络计算速度慢，一般需要成百上千次的迭代，难以实现实时预测；②BP神经网络的学习过程是对一个高度非线性函数求全局最优解的过程，容易陷入局部最优；③隐含神经元数量和连接权难以确定，可操作性差；④存在过拟合(Overfit)问题，泛化能力差等。

支持向量机(Support Vector Machine, SVM)是Corinna Cortes和Vapnik等于1995年提出的，基于结构风险最小化原则，其泛化能力优于一些传统的统计学习方法。能较好的解决小样本、非线性及高维模式识别等实际问题，并能够推广应用到函数拟合等问题中。最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)是标准支持向量机的改进，用等式约束代替标准支持向量机的不等式约束，将求解二次规划问题转变为求解线性问题。在解决大样本问题时，LSSVM降低了模型的难度，减少了运算复杂度，并能有效的提高模型精度和运算速度。

发明内容

为克服现有技术的不足，本发明提供一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法，利用最小二乘支持向量机的方法进行高炉氧气使用量的预测，提高了预测的精度和运算速度。通过较为精准的高炉氧气量预测能够为冶炼操作人员提供参考，并利用现有高炉供氧控制设备（如阀门、PLC、DCS等手动/自动控制设备），及时调节高炉供氧量，提高氧气利用效率，减少放散，节约能源。

本发明首先利用高炉冶炼生产历史数据建立最小二乘支持向量机预测模型，对钢铁冶炼高炉的氧气使用量进行预测，然后根据预测结果利用控制系统调节高炉氧气供应量。本发明需要从高炉氧气消耗过程的各个生产环节对氧气使用量进行预测，高炉富氧喷煤炼铁过程中需要加入铁矿石、烧结矿、球团矿、熔剂、煤粉、焦炭等物料，同时向高炉供应燃气，鼓入热风（富氧空气）。高炉鼓风配入氧气量受以上因素影响，如随着矿石或者喷煤量的增加，氧气的供应需要提高，以满足炉内冶炼过程氧化反应的需要。

本发明的技术方案是根据钢铁企业高炉冶炼过程历史实际生产数据，进行分析整理之后构成样本集。样本集一分为二：训练集和测试集，根据最小二乘支持向量机内建黑箱模型过程，运用训练集数据进行参数优化选择并建立高炉冶炼氧气使用量拟合模型。模型因变量为高炉氧气使用量，自变量为影响使用量的各个因素的量。运用测试集对拟合而成的最小二乘支持向量机模型进行测试，最终选取相关系数最大，MAE、MAPE和MSE值的最佳模型作为预测模型。利用此模型对影响因素新的运行数据下高炉冶炼用氧量进行预测，操作人员依据此预测值通过现有控制技术及时调节氧气系统高炉区域供应量。本发明利用高炉冶炼历史生产数据建立最小二乘支持向量机的预测模型，对钢铁冶炼高炉的氧气使用量进行控制的具体步骤包括如下：

第一阶段，高炉冶炼实际生产数据提取和整理

1.1从高炉冶炼数据库中提取影响氧气使用量的影响因子和氧气使用量的数据，依据数据统计周期（分钟或小时），将每一时刻t (t=1,2,…,N)的m (m∈N)个影响因子数据写成原始数据矩阵（t为某一时刻，每一时刻都有m个影响因子）：

                         (3)

1.2氧气使用量的数据写成矩阵

：

                              (4)

1.3以上两个矩阵叠加构成样本矩阵S：

                       (5)

1.4对样本矩阵数据进行归一化处理，矩阵S的每一个维度（列）按如下映射进行归一化处理：

                     (6)

其中，x为矩阵中一列数据的输入值，y为经过归一化处理的输出值，y _max 、y _min 分别为归一化范围的最大值和最小值，如归一化范围为[0,1]，则最大值为1，最小值为0；归一化范围为[-1,1]，则最大值为1，最小值为-1；x _max 、x _min 分别为矩阵一列数据的最大值和最小值，如

中数据的最大值和最小值；归一化处理之后的样本矩阵为H，由影响因子和氧气使用量归一化处理后的数据构成：

                     (7)

第二阶段，样本矩阵H分为训练集和测试集，利用LSSVM（最小二乘支持向量机）对训练集进行建模：训练集拟合模型，参数优化选取

2.1将归一化处理之后的样本集矩阵H分为训练集和测试集

训练集：

                 (8)

测试集：

                 (9)

其中，LSSVM非线性回归建模过程依据训练集数据H _训练分为输入值（自变量） x _im 和输出值（因变量） y _i1,(i=1,2,…,j-1,j)

2.2 LSSVM对训练集的建模是将输入样本 x _im 用一个非线性函数

映射到一个高维特征空间变为

，在此高维特征空间进行线性回归，从而取得原空间非线性回归的方程：

                           (10)

为满足LSSVM结构风险最小化原则，选取目标优化函数为：

           (11)

式中，

为高维空间中预测模型的复杂度和常数项，

为模型的拟合误差，C为错误惩罚因子，s.t.为约束条件；根据结构风险最小化原则，LSSVM将SVM优化问题的损失函数由误差和转变为误差的平方和，约束条件由不等式约束转变为等式约束。

2.3经过Lagrangian变换、求解，得到非线性回归模型：

                     (12)

式中，

为Lagrange乘子，

；根据Mecer核技巧，

， 

称为核函数，则最终LSSVM模型变成：

                       (13)

2.4利用MATLAB 2011a程序对训练集拟合建模，并对模型参数（核参数和错误惩罚因子等）进行优化选取，对模型拟合结果进行比较：

                     (14)

分别为拟合值和训练集中的输出值 y _i1，分别为拟合值的均值和输出值的均值，R是相关系数，越接近1表示建立的模型的拟合效果越好，选取拟合效果最好的参数作为模型参数，根据此参数确定拟合模型

，即为预测模型。最后根据预测模型结合高炉冶炼过程中影响氧气使用量的影响因子的最新数据对钢铁冶炼高炉氧气使用量进行预测。

第三阶段，为了对上述拟合模型的预测效果进行评判，运用测试集进行拟合模型的测试

3.1运用测试集数据H _测试，测试输入值（自变量） X _pm 和真实值（因变量） Y _p1,(p=j+1,…,t)进行拟合模型预测精度测试：将测试输入值 X _pm 作为拟合模型的自变量输入值，运用拟合模型计算输出预测值

，将输出预测值

与真实值 Y _p1按下式计算评价指标，对模型的预测精度做出评价，分别选取均方误差MSE、平均绝对误差MAE和平均相对误差MAPE为评价指标：

                      (15)

其中，

为真实值( Y _p1)，

为预测值()。

经过上述对比评价，选出钢铁冶炼高炉氧气使用量预测的最终模型，最后根据最终模型结合高炉冶炼过程中影响氧气使用量的影响因子数据对钢铁冶炼高炉氧气使用量进行预测。

所述第一阶段影响氧气使用量的影响因子为冶炼原料、燃料、热风量及辅助原料的种类和使用量。例如铁矿石、烧结矿、球团矿、熔剂、煤粉、焦炭等，以及供应焦比、燃气量、风量、风温等。

所述第二阶段样本集集数据进行归一化处理之后分为训练集和测试集，训练集拟合建模，测试集模型进行预测效果的测试。

所述第二阶段中模型参数的选取采用交叉验证法、启发式算法（如遗传算法、粒子群优化算法、模拟退火算法、蚁群算法等）等方法。

所述利用控制系统调节高炉氧气供应量是根据预测结果利用现有技术结合高炉供氧控制设备（如阀门、PLC、DCS等手动/自动控制设备）进行自动化控制。

高炉冶炼过程中采集的最新氧气使用量影响因素的值作为输入数据，运用MATLAB 2011a建立的预测模型计算求得预测值。此预测值为最终高炉冶炼生产未来t+1时刻的氧气使用预测量。高炉冶炼操作人员根据此预测量，利用企业现有调节、控制手段，对氧气供应量进行调节，实现对高炉供氧量的优化控制。

本发明以钢铁企业高炉冶炼生产历史数据为基础，以MATLAB编程为辅助，建立最小二乘支持向量机模型，对高炉氧气使用量进行预测和控制。首先是根据训练集数据通过编程优化选取模型参数，获得拟合模型。再根据测试集对模型预测性能进行测试，并对拟合模型输出值与真实值进行比较，通过评价指标得出本发明运用的高炉氧气使用量预测模型建模方法可行，预测精度较高。

本发明的有益效果是：运用LSSVM的新方法，利用企业实际生产运行数据通过MATALB编程计算，能够对高炉冶炼过程中氧气使用量进行有效预测，并根据现有控制方法对氧气供应量进行调节，达到合理使用氧气，节能减排的目的。

附图说明

图1是本发明氧气使用量LSSVM模型预测流程图；

图2是本发明高炉冶炼氧气供应量控制简易流程图；

图3是本发明实施例2#高炉小时用氧量训练LSSVM模型拟合曲线图；

图4是本发明实施例2#高炉小时用氧量LSSVM预测值与真实值对比图；

图5是本发明实施例数据样本集是否进行归一化处理高炉冶炼氧气使用量LSSVM预测模型的预测效果对比图；

图6是本发明实施例数据样本是否归一化处理、不同参数优化方式的LSSVM预测模型预测效果对比图。

具体实施方式

下面结合具体实施方式，对本发明作进一步说明。

实施方式一：根据某钢铁联合企业的2#高炉小时用氧情况，运用历史数据建立LSSVM模型，并应用此模型对该座高炉未来某一时段用氧量进行预测。

钢铁企业现有15000m³/h深冷制氧机1台，450立高炉2座、50t转炉2座，氧气球罐1个。高炉冶炼采用富氧喷煤技术，氧气由制氧机制取经球罐稳压，再经过调压阀和调控阀门供给高炉。

利用企业计算机系统，从数据库提取2#高炉生产过程采集的仪表数据，即历史数据（影响氧气使用量的影响因子），包含下料量、风量、风温、喷煤量，4个影响因素和供氧量，以下料量、风量、风温、喷煤量为自变量，氧气使用量为因变量，以小时为单位，共选取520组数据，则t=520，m=4。选取其中的500组数据为训练集，20组数据为测试集，则j=500。经过归一化处理，运用500组训练数据建立LSSVM模型，采用交叉验证参数寻优方法。在Matlab环境中编程建模，利用initlssvm函数建立模型，利用tunelssvm优化选取参数，simlssvm函数根据测试集自变量数据求解得预测值。

训练集所建立模型如图5红色曲线所示，蓝色点为实际生产运行数据，红色线条的节点为LSSVM所建模型拟合值。根据拟合模型，对测试集进行测试，预测效果如图6所示。蓝色带星号节点为生产实际氧气使用量数据，黑色十字节点为拟合模型预测值，根据预测值和真实值评价预测模型。由图6可知，该预测模型预测精度较高，能够在正常生产情况下辅助决策者进行调度决策，具有实际指导意义。

最后运用此预测模型，输入新的生产数据，输出氧气使用量预测值，利用企业现有控制方式结合预测值调节高炉氧气供应量。

实施方式二：某钢铁联合企业现有450立高炉两座，1380立高炉两座，40吨转炉两座，120吨转炉两座，4500立和7000立制氧机各两套，10000立制氧机一组及其它附属设备。

企业大容量高炉，采用富氧鼓风冶炼，冶炼过程中需要根据实际生产情况对富氧率进行实时调整。利用本发明进行实施过程中，提取数据库中一台大容量高炉冶炼过程所采集的数据（影响氧气使用量的影响因子）。已知焦比系数、焦碳、焦炭干基、焦碳湿重、煤粉、烧结矿、澳矿、秘球、料批、焦块、焦丁（湿）、总矿耗，12类高炉氧气使用量影响因子。以天为计数单位，提取数据共计29组（行），则t=29，m=12。

首先对数据进行分列的归一化处理，归一化范围为[0,1]。之后，选取其中24组数据为训练集，5组数据为测试集。运用MATALB 2011a编程建模，其中选取不同的参数优化方式（交叉验证法和遗传算法）和两种支持向量机（SVM、LSSVM）建立高炉用氧量预测模型。然后利用5组测试集数据对拟合模型预测能力进行测试，测试结果如图5、6所示。

图5所示，黑色方块为真实生产数据，绿色倒三角为未进行归一化处理的LSSVM模型测试效果，紫色斜方块儿为归一化处理后LSSVM模型测试数据。可知，归一化预处理后，模型预测更加精准。图6所示，AD黑色方块曲线节点为真实值，红色圆圈为交叉验证法参数优化选取方式的SVM模型测试值，蓝色正三角为遗传算法参数优化选取的SVM模型测试值，另外绿色星号和紫色斜方块为数据样本归一化处理与否的LSSVM模型测试结果，其中绿色星号为归一化处理，紫色斜方块未进行归一化处理。

根据预测值和真实值评价公式评价各个预测模型，评价指标如下表所示。由表可知归一化LSSVM预测模型预测准确度较高，具有可行性和优越性。图6线条对比说明，遗传算法优化之后的预测模型预测效果更好，LSSVM预测结果更加精准，能够较为准确的为生产操作人员提供指导。

 [0035]最后，利用此预测模型，根据数据库最新收集影响高炉冶炼氧气使用量影响因子和氧气使用量的数据，对未来一段时间高炉氧气使用量进行预测。生产操作人员可根据预测结果，结合企业氧气供应量调控技术，对氧气供应量进行相应调节，以满足生产需求，节约能源。

以上对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法，其特征在于：首先利用高炉冶炼历史生产数据建立最小二乘支持向量机的预测模型，然后对预测模型进行测试，得出钢铁冶炼高炉氧气使用量预测的最终模型，通过最终模型对钢铁冶炼高炉的氧气使用量进行预测控制，最后根据预测结果利用控制系统调节高炉氧气供应量；具体步骤包括如下：

第一阶段，高炉冶炼实际生产数据提取和整理

1.1从高炉冶炼数据库中提取影响氧气使用量的影响因子和氧气使用量的数据，依据数据统计周期，将每一时刻t (t=1,2,…,N)的m (m∈N)个影响因子数据写成原始数据矩阵                                                

：

1.2氧气使用量的数据写成矩阵

：

1.3以上两个矩阵叠加构成样本矩阵S：

1.4对样本矩阵数据进行归一化处理：矩阵S的每一个维度按如下映射进行归一化处理：

其中，x为矩阵中一列数据的输入值，y为经过归一化处理的输出值，y _max 、y _min 分别为归一化范围的最大值和最小值，x _max 、x _min 分别为矩阵一列数据的最大值和最小值，归一化处理之后的样本矩阵为H，由影响因子和氧气使用量归一化处理后的数据构成：

第二阶段，样本矩阵为H分为训练集和测试集，利用LSSVM对训练集进行建模

2.1 将归一化处理之后的样本集矩阵H分为训练集和测试集

训练集：

测试集：

其中，LSSVM建模过程依据训练集数据H _训练分为输入值 x _im 和输出值 y _i1,(i=1,2,…,j-1,j)

2.2 LSSVM对训练集的建模是将输入样本 x _im 用一个非线性函数

映射到一个高维特征空间变为

，在此高维特征空间进行线性回归，从而取得原空间非线性回归的方程：

为了满足LSSVM结构风险最小化原则，选取目标优化函数为：

式中， ω ,b分别为高维空间中预测模型的复杂度和常数项，

为模型的拟合误差，C为错误惩罚因子，s.t.为约束条件；

2.3将目标优化函数经过Lagrangian变换、求解，得到非线性回归模型：

式中，

为Lagrange乘子，；根据Mecer核技巧，

，

称为核函数，则最终LSSVM模型变成：

2.4 利用MATLAB 2011a程序对训练集拟合建模，并对模型参数进行优化选取、模型拟合结果比较：

分别为拟合值和训练集中的输出值 y _i1，

分别为拟合值的均值和输出值的均值，R是相关系数，越接近1表示建立的模型的拟合效果越好，选取拟合效果最好的参数作为模型参数，根据此参数确定拟合模型

，即为预测模型；

第三阶段，运用测试集进行拟合模型的测试

3.1运用测试集数据H _测试，测试输入值 X _pm 和真实值 Y _p1,(p=j+1,…,t)进行拟合模型预测精度测试：将测试输入值 X _pm 作为拟合模型的自变量输入值，运用拟合模型计算输出预测值，将输出预测值

与真实值 Y _p1按下式计算评价指标，对模型的预测精度做出评价，分别选取均方误差MSE、平均绝对误差MAE和平均相对误差MAPE为评价指标：

其中，

为真实值 Y _p1，

为预测值

；

经过上述的对比评价，选出钢铁冶炼高炉氧气使用量预测的最终模型，最后根据最终模型结合高炉冶炼过程中影响氧气使用量的影响因子数据对钢铁冶炼高炉氧气使用量进行预测。

2.根据权利要求1所述的基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法，其特征在于：所述第一阶段影响氧气使用量的影响因子为冶炼原料、燃料、热风量及辅助原料的种类和使用量。

3.根据权利要求1所述的基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法，其特征在于：所述第二阶段中模型参数的选取采用交叉验证法或启发式算法。

4.根据权利要求1所述的基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法，其特征在于：所述利用控制系统调节高炉氧气供应量是根据预测结果结合高炉供氧控制系统和设备进行自动化控制。

Images