CN103834758B - 一种连续高精度的高炉料位实时检测方法 - Google Patents

Abstract

本发明公开了一种连续高精度的高炉料位实时检测方法，该方法以划分时间段的方式对现有的雷达检测数据与机械探尺检测数据进行样本选取，采用一种混合模糊聚类算法完成了雷达数据样本的聚类；通过智能方法获取雷达和机械探尺检测数据的关系模型，在此基础上构建滑动窗口模型对现有雷达检测数据进行处理，获得了高炉实时精确的料位信息，在现有雷达和机械探尺检测装备的基础上实现了高炉实时料位信息的连续高精度检测。本发明的方法克服了机械探尺无法连续测量以及雷达精度不高的双向缺点，充分利用高炉现有的检测设备，具有投资成本少、检测精度高、实时性好等特点。

Description

一种连续高精度的高炉料位实时检测方法

技术领域

本发明涉及高炉检测技术领域，更具体涉及一种连续高精度的高炉料位实时检测方法。

背景技术

钢铁工业是国民经济基础工业之一，高炉冶炼作为钢铁生产过程的上游工序，是能耗最大的环节。高炉料位是高炉布料操作中一个重要的调控参数，料位过高，可能导致溜槽下行受阻，不能正常布料；料位过低，又会使炉顶温度升高，影响安全生产。此外，料位的高低直接影响着料面形状的分布。实时准确地获取高炉料位参数，有利于高炉合理布料，及时调控煤气流分布，保证炉顶布料操作的安全性，对于提高高炉产量，降低能耗，减少炉壁损耗，保证高炉顺行有着重要作用。

高炉料位的检测方法可分为两大方向，一是利用测距装置直接对料位进行测量，目前主要有：机械探尺测量法、雷达测量法、激光测量法；二是利用其它参量间接推测料位，包括：红外成像法、视频监控法、布料模型计算法等。

机械探尺测量法是利用机械探尺在高炉内对料面进行直接接触式测量，使用稳定，可靠度高；但机械探尺测量时间间隔长，不能实现连续测量，且布料时无法测量料面。雷达测量法是利用电磁波测距原理进行非接触式测量，连续实时性很好，且能很好地克服黑暗等炉内不利因素；但雷达测量点直径过大，所得数据是微波覆盖面积的平均值，造成数据精度不高，而且雷达设备成本极高，不易维护。激光测量法是利用激光测距技术对高炉料面进行扫描，开炉试验中效果较好，但高炉正常运行时受炉内粉尘、水雾等恶劣环境干扰很大。

红外线成像和视频监控都是利用摄像头对高炉料面进行拍摄，将数字图像或红外图像显示在电脑终端，此类方法只能定性观察炉料的分布，无法得到准确的料位信息。布料模型计算法利用数学建模的方法推算拟合出料面信息，此种方法成本低，但由于炉内影响因素复杂多变，数学模型难以精确模拟真实炉况，此种方法可靠性低。

相关工作人员在高炉料位测试方面做了大量工作，相关专利包括：专利号CN202322889U，名称为一种改进的高炉料线探测装置。该专利提供了一种改进的高炉料线探测装置，利用重力原理接触式测量料线，不受机械传动阻力的影响，检测值准确；但该专利提供的料线探测装置仍然和传统机械探尺一样，具有检测时间长、需要回避布料料流、无法连续测量的问题。

专利号CN201589640U，名称为高炉炉内物位检测装置。该专利利用雷达测距原理对高炉炉内物位进行检测，通过导波管将雷达波传入高炉内部，可以实现连续性测量；但该专利中的雷达装置仍然具有测量点直径较大，只能得到雷达波覆盖面的平均料位高度的特点；且无法避免非接触式测量所带来的检测精度受限、检测信息易被噪声污染等问题。

专利号CN103045785A，名称为一种在线测量高炉料面的方法和系统。该专利利用一台激光测距仪和一个测距旋转装置对高炉料面进行测距，获得料面的坐标,进而连线形成物料的轮廓线。该专利仍然没有解决高炉内部高温多粉尘的恶劣条件对激光测量影响的问题，并且旋转装置机构复杂，维护成本高。

专利号CN102409123A，名称为一种基于多源异构数据融合的高炉料面成像系统。该专利对比了多种专利方法后，提出了一种采用多种传感器数据相融合来重构高炉料面形状的方法，通过多个雷达、机械探尺获取高炉料位高度信息，通过十字测温仪获取高炉温度信息，再利用数据融合方法将高炉高度信息和温度信息相融合获得料面形状。该专利虽然采用了多源数据融合的方法，但只涉及高炉高度信息和温度信息的融合。并且，目前高炉中十字测温仪的温度信息无法准确反映料面情况，只能用作定性参考指标，故用温度信息拟合的料面形状精度不高。此外，该专利虽然在机械探尺外用到了雷达来共同建立高炉三维高度曲面，但其雷达只是单纯的增加了料位检测点，并未单独考虑雷达和机械探尺各自的信息特征，仍未能解决雷达检测的料位数据不精确以及机械探尺检测的料位数据无法连续的问题。该专利需使用多台雷达，存在设备成本高、不易安装维护的问题。

综上所述，现有的各种高炉料位检测方法，无法同时实现连续测量和高精度测量。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是如何在保证高炉位料测量精度的前提下实现连续测量。

（二）技术方案

为了解决上述技术问题，本发明提供了一种连续高精度的高炉料位实时检测方法，所述方法包括以下步骤：

S1、根据高炉布料工艺以划分时间段的方式对现有的雷达检测数据以及机械探尺检测数据进行样本选取，得到雷达数据样本以及机械探尺数据样本，所述雷达数据样本以及机械探尺数据样本组成数据样本；对选取的数据样本进行预处理，得到用于数据融合的训练样本；

S2、采用混合模糊聚类算法，对所述步骤S1中的雷达数据样本进行聚类分析处理，得到所述雷达数据样本的聚类中心；

S3、选取RBF神经网络模型结构及建模方法，根据所述步骤S2中得到的聚类中心以及所述步骤S1中得到的训练样本，建立雷达和机械探尺检测数据的关系模型；

S4、利用所述骤S3中确定的雷达和机械探尺检测数据的关系模型，构建滑动窗口模型，对现有雷达检测数据进行处理，获得高炉连续高精度的料位信息。

优选地，所述步骤S1具体包括以下步骤：

S11、对雷达检测数据和机械探尺检测数据剔除噪声较大的数据段，选取工况稳定的数据段作为数据样本源；

S12、根据高炉布料和等待时的料位变化特征，对所述步骤S11数据样本源中的雷达检测数据按布料批次进行时间段划分，选取同一时间段内的N个雷达检测数据作为雷达数据样本；

S13、选取与所述步骤S12中雷达数据样本对应时间段内的机械探尺检测数据，作为机械探尺数据样本，同时作为该雷达数据样本的目标输出值；雷达数据样本和目标输出值构成用于数据融合的训练样本。

优选地，所述步骤S2具体包括以下步骤：

S21、将传统的硬聚类算法和模糊聚类算法进行混合，构建出混合模糊聚类算法的目标函数：

$J_H=\mathrm{\θ}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}{\left|\right|x_k-v_i\left|\right|}^2+(1-\mathrm{\θ})\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{\left(u_{\mathrm{ik}}\right)}^2{\left|\right|x_k-v_i\left|\right|}^2---\left(1\right)$

其中c是聚类数，n为样本数，x_k为聚类样本，v_i为聚类中心向量，θ∈[0,1)，u_ik∈[0,1]是第k个特征向量与第i个聚类中心之间的隶属度，其中所述隶属度的约束条件为

${\mathrm{\Σ}}_{i=1}^c{u}_{\mathrm{ik}}=1,u_{\mathrm{ik}}\≥0,\∀k---\left(2\right)$

S22、利用条件极值求解方法对所述目标函数J_H的极小值进行求解，得到隶属度u_ik的计算公式以及聚类中心v_i的计算公式；

S23、随机选取c个雷达数据样本作为初始聚类中心v_i(i=1,2,...,c)；

S24、对所述雷达数据样本，判断其属于单类还是属于多个类；

S25、根据所述步骤S24的判断结果分别采取不同的方式求取样本的隶属度u_ik，并将隶属度归一化处理；

S26、利用所述步骤S25得到的归一化隶属度重新调整聚类中心v_i,若聚类中心不再变化，则得到雷达数据样本的聚类中心；否则重复S24～S26。

优选地，所述步骤S3具体包括以下步骤：

S31、确定RBF神经网络基函数结构；

S32、将所述步骤S2得到的聚类中心v_i作为所述RBF神经网络的基函数中心c_i；

S33、引入隶属度选择阈值，对各类里的样本重新筛选；

S34、利用所述步骤S32得到的基函数中心c_i以及所述步骤S33筛选出的样本，计算出RBF神经网络的基函数方差σ_i；

S35、利用步骤S1得到的训练样本、所述步骤S32得到的基函数中心c_i以及所述步骤S34得到的基函数方差σ_i求解RBF神经网络隐含层到输出层的权值w_i，建立雷达和机械探尺检测数据的关系模型；其中所述模型的输入维数为雷达数据样本宽度N，输出维数为1。

优选地，所述步骤S4具体包括以下步骤：

S41、以步骤S3中得到的关系模型的输入维数作为数据选取窗口的长度；

S42、选取一组高炉雷达实时检测数据作为一组输入数据，输入到所述步骤S3得到的关系模型，把模型输出值作为与输入数据相对应的某一时刻的料位值；

S43、将数据选取窗口在雷达实时检测数据上向前滑动一个时刻；

S44、所述步骤S42～S43，获取下一时刻的高炉料位值。

（三）有益效果

本发明提供了一种连续高精度的高炉料位实时检测方法，本发明的方法以划分时间段的方式对现有的雷达检测数据以及机械探尺检测数据进行样本选取，采用混合模糊聚类算法完成了雷达数据样本的聚类；通过智能方法获得了雷达和机械探尺数据的关系模型，在此基础上构建滑动窗口模型对现有雷达检测数据进行处理，实现了高炉实时料位信息的连续高精度检测，克服了机械探尺无法连续测量以及雷达精度不高的双向缺点，并且本发明充分利用高炉现有的检测设备，具有投资成本少、检测精度高、实时性好等特点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为数据样本选取方法示意图；

图2为聚类算法流程图；

图3为滑动窗口模型示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

目前高炉广泛使用机械探尺和雷达两种料位检测装置。高炉雷达通过向料面发射电磁波并接收回波的形式测量某一区域的料位，雷达的工作原理决定了雷达检测数据具有连续性实时性的优点。机械探尺直接接触式测量，获得的料位信息准确度很高，可视为料位实际值。根据高炉布料工艺，高炉是按批布料的，可分为布料和等待两个环节，每批料的布料时间通常为一分多钟，一批料布完后进入数分钟的等待时间，然后又进入下一批料的布料环节，依次循环。整个循环过程中，雷达对料位进行连续不间断地测量（如10秒采样一次），机械探尺只在每批料的等待时间里测量一次。由此可知，对于一次布料过程，雷达可获得数十个料位检测数据，机械探尺可获得一个料位检测数据。分析数据可知，在每批料的等待时间里高炉料面变化相对较为平缓，雷达在这段时间内测得的料位数据会向机械探尺检测的料位实际值趋近，这使得雷达检测数据具有“聚类”的特点。此外，高炉恶劣环境中存在很多不确定因素，使得雷达回波容易被大量噪声及无关信号干扰，导致雷达检测数据精度下降，数据呈现出典型的“模糊”特点。

针对雷达检测数据的特点，本发明提供了一种混合模糊聚类算法对雷达检测数据进行聚类。混合模糊聚类算法的核心思想是将需要聚类的样本全部定义为混合模糊样本，即样本属于某一些类，以上所指的“属于”是指隶属度层面上的“属于”。基于该定义的聚类，吻合雷达检测数据的本征特点，能更准确地描述样本数据内在的分配关系，更直观地反应了样本数据之间的聚类关系。

根据高炉布料工艺，当机械探尺和雷达分别测量高炉料面同一区域的料位信息时，两种传感器的测量数据将会出现强相关性，表现为雷达检测数据带着模糊聚类的特征与机械探尺检测数据相互关联，因此，本发明采用RBF神经网络智能建模方法建立雷达和机械探尺检测数据的关系模型。针对雷达和机械探尺的检测数据随时间分布呈无限维的特点，本发明构建了滑动窗口模型对雷达实时检测数据进行处理，在现有雷达和机械探尺检测装备的基础上实现了高炉实时料位信息的连续高精度检测。

本发明的连续高精度的高炉料位实时检测方法包括以下步骤：

（1）根据高炉布料工艺以划分时间段的方式对现有的雷达检测数据以及机械探尺检测数据进行样本选取，得到雷达数据样本以及机械探尺数据样本，所述雷达数据样本以及机械探尺数据样本组成数据样本，数据样本选取方法如图1所示。对选取的数据样本进行预处理，剔除错误样本，得到用于数据融合的训练样本；

（2）采用混合模糊聚类算法，对（1）中所得雷达数据样本进行聚类分析处理，得到雷达数据训练样本的聚类中心，聚类算法流程图如图2所示；

（3）选取合适的RBF神经网络模型结构及建模方法，根据（2）中所得聚类中心以及（1）中所得训练样本，建立雷达和机械探尺检测数据的关系模型；

（4）根据高炉雷达实时检测数据和（3）中确定的雷达和机械探尺检测数据的关系模型，构建滑动窗口模型对雷达检测数据进行处理，获得高炉连续高精度的料位信息。窗口滑动模型示意图如图3所示。

具体操作步骤如下：

（1）获取训练样本

1)雷达数据样本和机械探尺检测数据进行去错处理，剔除噪声较大的数据段，选取工况稳定的数据段作为数据样本源；

2)根据高炉布料和等待时的料位变化特征，对1）中选取的雷达实时检测数据按布料批次进行时间段划分。按划分的时间段，选取同一时间段内的N个雷达检测数据作为一个雷达数据样本；

3)选取与2）中雷达数据样本对应时间段内的机械探尺检测数据，作为该雷达数据样本的目标输出值，雷达数据样本和目标输出值构成用于数据融合的训练样本。

（2）对雷达数据样本聚类处理

4)引入控制参数θ，将传统的硬聚类算法和模糊聚类算法进行混合，即通过参数θ将硬聚类的目标函数和模糊聚类的目标函数进行一个仿射运算，构建出混合模糊聚类算法的目标函数

$J_H=\mathrm{\θ}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}{\left|\right|x_k-v_i\left|\right|}^2+(1-\mathrm{\θ})\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{\left(u_{\mathrm{ik}}\right)}^2{\left|\right|x_k-v_i\left|\right|}^2---\left(1\right)$

其中c是聚类数，n为样本数，x_k为聚类样本，v_i为聚类中心向量，θ∈[0,1)，u_ik∈[0,1]是第k个特征向量与第i个聚类中心之间的隶属度；

5)对隶属度附加约束条件：

${\mathrm{\Σ}}_{i=1}^c{u}_{\mathrm{ik}}=1,\∀k---\left(2\right)$

6)根据4）和5）的结果，利用条件极值求解方法求目标函数JH取极小值时的隶属度u_ik和聚类中心v_i（如：拉格朗日乘数法），得到隶属度u_ik和聚类中心v_i：

$u_{\mathrm{ik}}=\frac{2+(c-2)\mathrm{\θ}}{2(1-\mathrm{\θ})}\frac{1}{{\mathrm{\Σ}}_{v_j\∈C}{\left(\frac{\left|\right|x_k-v_i\left|\right|}{\left|\right|x_k-v_j\left|\right|}\right)}^2}-\frac{\mathrm{\θ}}{2(1-\mathrm{\θ})}---\left(3\right)$

$v_i=\frac{{\mathrm{\Σ}}_{k=1}^n[\mathrm{\θ}{u}_{\mathrm{ik}}+(1-\mathrm{\θ}){\left(u_{\mathrm{ik}}\right)}^2]x_k}{{\mathrm{\Σ}}_{k=1}^n[{\mathrm{\θu}}_{\mathrm{ik}}+(1-\mathrm{\θ}){\left(u_{\mathrm{ik}}\right)}^2]},(1\≤i\≤c)---\left(4\right)$

7)根据6）中的计算结果，结合隶属度的物理意义u_ik≥0，推导出可用于判断每个样本x_k属于哪个类的判别公式：

${\left|\right|x_k-v_i\left|\right|}^2\≤\frac{2+(c-2)\mathrm{\θ}}{\mathrm{\θ}}\frac{1}{{\mathrm{\Σ}}_{j=1}^c{\left(\frac{1}{\left|\right|x_k-v_j\left|\right|}\right)}^2}---\left(5\right)$

8)引入变量T_k、ζ(T_k)，将7）中公式改写成集合形式：

$T_k=\left\{\begin{array}{c}{v}_i\&Element;T_k:{\left|\right|x_k-v_i\left|\right|}^2<\frac{2+(\mathrm{\&zeta;}\left(T_k\right)-2)\mathrm{\&theta;}}{\mathrm{\&theta;}}\&times;\\ \frac{1}{{\mathrm{\&Sigma;}}_{v_j\&Element;T_k}{\left(\frac{1}{\left|\right|x_k-v_{}j\left|\right|}\right)}^2}\end{array}\right\}---\left(6\right)$

其中，T_k表示的是所有含有第k个样本的类的聚类中心的集合，而ζ(T_k)则表示第k个样本被ζ(T_k)个类共同所有；

9)定义ζ(T_k)=1时的样本点隶属度为：

$u_{\mathrm{ik}}=\left\{\begin{array}{cc}1& \mathrm{if}{\left|\right|x_k-v_i\left|\right|}^2=\underset{1\&le;j\&le;c}{\min }\left\{{\left|\right|x_k-v_j\left|\right|}^2\right\}\\ 0& \mathrm{otherwise}\end{array}\right\}---\left(7\right)$

10)根据6）中的计算结果，求出1<ζ(T_k)≤c时的样本点隶属度计算公式：

$u_{\mathrm{ik}}=\frac{2+(\mathrm{\&zeta;}\left({T_k}^{(v-1)}\right)-2)\mathrm{\&theta;}}{2(1-\mathrm{\&theta;})}\frac{1}{{\mathrm{\&Sigma;}}_{v_j\&Element;{T_k}^{\left(v\right)}{\left(\frac{\left|\right|x_k-v_i\left|\right|}{\left|\right|x_k-v_j\left|\right|}\right)}^2}}-\frac{\mathrm{\&theta;}}{2(1-\mathrm{\&theta;})}---\left(8\right)$

11)根据6）至10）的计算结果，构建迭代算法，对2）中所得的雷达数据样本进行聚类处理，得到雷达数据训练样本的聚类中心。

具体流程如下：

Step1：初始化聚类数c、聚类中心v₁,v₂,...,v_c和θ的值，初始化T_k ^(v)和ζ(T_k)，定义样本初始时属于所有类；

Step2：利用8）判断各个样本所属的类，更新集合T_k ^(v)和它们的基数ζ(T_k ^(v))(1≤k≤n)；

Step3：如果ζ(T_k ^(v))=1，利用9）的结果计算该样本的隶属度u_ik；若1<ζ(T_k)≤c，利用10）的结果来计算该样本的隶属度u_ik；

Step4：如果u_ik<0，令u_ik=0；

Step5：再利用归一化公式（9）将隶属度归一化处理；

Step6：用6）中聚类中心计算公式结合新的隶属度更新聚类中心v_i；

Step7：如果聚类中心变化在误差范围内就停止计算，否则跳转到step2。

（3）对雷达和机械探尺检测数据建模

12)确定RBF神经网络基函数结构，例如：高斯函数；

13)根据11）的求解结果，将雷达数据训练样本的聚类中心v_i作为RBF神经神经网络的基函数中心c_i；

14)引入隶属度选择阈值ξ，对各类里的样本用公式（10）重新筛选；

G_i={x_k∈C_i:u_ik≥ξ∈(0,1)}    （10）

15)根据13）中的基函数中心c_i和14）筛选出的样本，用公式（11）计算出RBF神经网络基函数方差σ_i；

${\mathrm{\&sigma;}}_i=\frac{2}{3}\underset{x_k\&Element;G_i}{\mathrm{man}}\left\{{\left|\right|x_k-c_i\left|\right|}^2\right\},(1\&le;i\&le;c)---\left(11\right)$

16)根据3）中所得的训练样本以及13）、15）的结果，用最小二乘法求解RBF神经网络隐含层到输出层的权值w_i。由此RBF神经网络的三个参数全部确定，该RBF网络模型即为雷达和机械探尺检测数据的关系模型，其中模型的输入维数为2）中选取的雷达数据样本宽度N，输出维数为1。

（4）计算高炉实时料位信息

17)以16）中所述RBF神经网络模型的输入维数N作为数据选取窗口的长度；

18)选取一组高炉雷达实时检测数据作为一组输入数据；

19)将18）的结果，输入到16）所得的RBF神经网络模型，把模型输出值作为与输入数据相对应的某一时刻的料位值；

20)将数据选取窗口在雷达实时检测数据上向前滑动一个时刻；

21)重复18）-20）步骤，连续获得下一时刻的料位值，即获得了高炉连续高精度的料位信息。

以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种连续高精度的高炉料位实时检测方法，其特征在于，所述方法包括以下步骤：

S1、根据高炉布料工艺以划分时间段的方式对现有的雷达检测数据以及机械探尺检测数据进行样本选取，得到雷达数据样本以及机械探尺数据样本，所述雷达数据样本以及机械探尺数据样本组成数据样本；对选取的数据样本进行预处理，得到用于数据融合的训练样本；

S2、采用混合模糊聚类算法，对所述步骤S1中的雷达数据样本进行聚类分析处理，得到所述雷达数据样本的聚类中心；

S3、选取RBF神经网络模型结构及建模方法，根据所述步骤S2中得到的聚类中心以及所述步骤S1中得到的训练样本，建立雷达和机械探尺检测数据的关系模型；

S4、利用所述骤S3中确定的雷达和机械探尺检测数据的关系模型，构建滑动窗口模型，对现有雷达检测数据进行处理，获得高炉连续高精度的料位信息；

其中，

所述步骤S1具体包括以下步骤：

S11、对雷达检测数据和机械探尺检测数据剔除噪声较大的数据段，选取工况稳定的数据段作为数据样本源；

S12、根据高炉布料和等待时的料位变化特征，对所述步骤S11数据样本源中的雷达检测数据按布料批次进行时间段划分，选取同一时间段内的N个雷达检测数据作为雷达数据样本；

S13、选取与所述步骤S12中雷达数据样本对应时间段内的机械探尺检测数据，作为机械探尺数据样本，同时作为该雷达数据样本的目标输出值；雷达数据样本和目标输出值构成用于数据融合的训练样本。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、将传统的硬聚类算法和模糊聚类算法进行混合，构建出混合模糊聚类算法的目标函数：

$J_H=\mathrm{\&theta;}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{u}_{\mathrm{ik}}{\left|\right|x_k-v_i\left|\right|}^2+(1-\mathrm{\&theta;})\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}{\left(u_{\mathrm{ik}}\right)}^2{\left|\right|x_k-v_i\left|\right|}^2---\left(1\right)$

其中c是聚类数，n为样本数，x_k为聚类样本，v_i为聚类中心向量，θ∈[0,1)，u_ik∈[0,1]是第k个特征向量与第i个聚类中心之间的隶属度，其中所述隶属度的约束条件为

${\mathrm{\&Sigma;}}_{i=1}^c{u}_{\mathrm{ik}}=1,u_{\mathrm{ik}}\&GreaterEqual;0,\&ForAll;k---\left(2\right);$

S22、利用条件极值求解方法对所述目标函数J_H的极小值进行求解，得到隶属度u_ik的计算公式以及聚类中心v_i的计算公式；

S23、随机选取c个雷达数据样本作为初始聚类中心v_i(i＝1,2,...,c)；

S24、对所述雷达数据样本，判断其属于单类还是属于多个类；

S25、根据所述步骤S24的判断结果分别采取不同的方式求取样本的隶属度u_ik，并将隶属度归一化处理；

S26、利用所述步骤S25得到的归一化隶属度重新调整聚类中心v_i,若聚类中心不再变化，则得到雷达数据样本的聚类中心；否则重复S24～S26。

3.根据权利要求1所述的方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、确定RBF神经网络基函数结构；

S32、将所述步骤S2得到的聚类中心v_i作为所述RBF神经网络的基函数中心c_i；

S33、引入隶属度选择阈值，对各类里的样本重新筛选；

S34、利用所述步骤S32得到的基函数中心c_i以及所述步骤S33筛选出的样本，计算出RBF神经网络的基函数方差σ_i；

S35、利用步骤S1得到的训练样本、所述步骤S32得到的基函数中心c_i以及所述步骤S34得到的基函数方差σ_i求解RBF神经网络隐含层到输出层的权值w_i，建立雷达和机械探尺检测数据的关系模型；其中所述模型的输入维数为雷达数据样本宽度N，输出维数为1。

4.根据权利要求1所述的方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、以步骤S3中得到的关系模型的输入维数作为数据选取窗口的长度；

S42、选取一组高炉雷达实时检测数据作为一组输入数据，输入到所述步骤S3得到的关系模型，把模型输出值作为与输入数据相对应的某一时刻的料位值；

S43、将数据选取窗口在雷达实时检测数据上向前滑动一个时刻；

S44、重复所述步骤S42～S43，获取下一时刻的高炉料位值。