CN104750902A - 基于多输出支持向量回归机的铁水质量多元动态软测量方法 - Google Patents

Abstract

基于多输出支持向量回归机的铁水质量多元动态软测量方法属于高炉冶炼自动化控制领域，特别涉及一种基于多输出支持向量回归机(M-SVR)的高炉炼铁过程铁水质量多元动态软测量方法。本发明可通过常规在线测量方法提供的模型输入数据，给出当前时刻多元铁水质量参数的在线估计值，为高炉生产过程的优化操作和优化运行提供关键质量指标。本发明包括以下步骤：(1)辅助变量选择与模型输入变量确定；(2)M-SVR软测量模型的训练和使用。

Description

基于多输出支持向量回归机的铁水质量多元动态软测量方法

技术领域

本发明属于高炉冶炼自动化控制领域，特别涉及一种基于多输出支持向量回归机(M-SVR)的高炉炼铁过程铁水质量多元动态软测量方法。

背景技术

高炉炼铁是一个极为复杂的非线性动态过程，用于将铁从铁矿石等含铁化合物中还原出来，冶炼出质量合格的铁水。通常，表征高炉铁水质量的四大指标为Si含量、P含量、S含量和铁水温度。实际生产中，实现高炉全过程自动控制的首要任务是实现高炉铁水质量参数的在线检测。然而，高炉冶炼期间，炉内发生复杂的气-固、固-固、固-液相反应，并伴随有高温、高压、多相、多场耦合效应，难以直接检测高炉内部状态，也难以对最终的铁水质量参数进行直接在线检测。为此，就需要建立高炉铁水质量参数的在线软测量模型。而高炉运行参数耦合严重、非线性较强、对测量设备要求较高等一系列原因决定了高炉铁水质量的机理模型不易建立。为此，需要充分利用过程丰富的运行数据，并借助于智能建模或统计过程建模技术，建立数据驱动的铁水质量智能软测量模型。

专利公开号CN102031319A公开了“一种高炉铁水含硅量的预报方法”，使用移动平均法对高炉铁水中的硅(Si)含量进行预报。该方法采用铁水含硅量短期、中期、长期的均值作为预报的模型的基本数据，然后结合神经网络对模型进行训练，得到模型中连接权值。

专利公开号CN103981317A公开了“基于温降模型的高炉出铁口铁水温度的连续检测方法”，利用铁水沟底部所埋热电偶的测温数据，最终辨识出铁口处的铁水温度。该方法解决了高炉铁水温度检测需人工参与，间断不连续，耗材多，测温值不稳定的问题。

专利公开号CN103320559A公开了“一种高炉铁水硫含量预报方法”，以硫(S)含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭S含量、入炉煤粉S含量作为铁水含硫预报的输入变量，基于径向基函数神经网络建模技术，预报下一次铁水的含硫量。

上述专利报道的方法以及其他相关文献相关类似方法均只是针对的单个铁水质量参数(如铁水温度、Si含量、S含量等)进行软测量，未能对表征高炉铁水质量的主要参数，即Si(硅)含量、P(磷)含量、S(硫)含量和铁水温度同时进行多元在线软测量，因而不能全面反映铁水质量水平，实用性较差。另外，这些方法没有考虑输入输出时序以及过程时滞关系，因而不能 很好地捕捉高炉冶炼过程的固有动态特性。在冶炼工况变化显著时，这些方法就不能适应工况的变化而对铁水质量参数进行较为准确地测量。综上所述，目前国内外还没有专门针对高炉冶炼过程铁水质量参数(Si含量、P含量、S含量和铁水温度)进行多元动态软测量的方法。

发明内容

为了解决以上高炉冶炼过程铁水质量参数的测量不足，本发明的目的就是基于文献[M.Sanchez-Fernandez，M.de-Prado-Cumplido，J.Arenas-Garcia and F.Perez-Cruz.SVM multiregression for nonlinear channel estimation in multiple-input multiple-output systems[J].IEEE Transactions on Signal Processing,2004:106-108.]提出的新型多元支持向量回归机(M-SVR)技术，构造一个具有输出自反馈结构、并考虑不同时刻输入输出数据的铁水质量多元动态软测量模型，同时对Si含量、P含量、S含量和铁水温度四大铁水质量指标进行多元在线动态软测量。本发明可通过常规在线测量方法提供的模型输入数据，给出当前时刻多元铁水质量参数的在线估计值，为高炉生产过程的优化操作和优化运行提供关键质量指标。

为实现上述目的，本发明采用如下技术方案，本发明包括以下步骤：

(1)辅助变量选择与模型输入变量确定

需要软测量的高炉铁水质量参数为Si(硅)含量y₁(％)、P(磷)含量y₂(％)、S(硫)含量y₃(％)和铁水温度y₄(℃)。根据工艺机理以及变量的可测、可观和变量之间的相关性，选择软测量的辅助变量包括：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)。

根据过程动态特性，基于上述6个辅助变量，确定如下16个变量为软测量模型的输入变量：

本次炉腹煤气量u₁(t)(m³)；

本次热风温度u₂(t)(℃)；

本次热风压力u₃(t)(KPa)；

本次富氧率u₄(t)；

本次鼓风湿度u₅(t)(RH)；

本次设定喷煤量u₆(t)(m³/h).

上次炉腹煤气量u₁(t-1)(m³)；

上次热风温度u₂(t-1)(℃)；

上次水热风压力u₃(t-1)(KPa)；

上次富氧率u₄(t-1)；

上次鼓风湿度u₅(t-1)(RH)；

上次设定喷煤量u₆(t-1)(m³/h)；

上次Si含量估计值

上次P含量估计值

上次S含量估计值

上次铁水温度估计值

(2)M-SVR软测量模型的训练和使用

(A)开始：所有变量初始化；

(B)选择为软测量模型训练，转至(C)读取软测量模型训练的数据集；选择为铁水质量参数软测量，转至(J)调出之前训练好的高炉铁水质量参数M-SVR软测量模型；

(C)读取软测量训练的数据集：从数据库中读取或者输入软测量训练的数据集{x_i→y_i}，x_i＝{x_i|i＝1,2,L,16}为输入数据集，y_i＝{y_i|i＝1,2,3,4}为输出数据集；

(D)数据预处理：首先采用噪声尖峰滤波算法用于剔除高炉生产的噪声尖峰跳变数据；然后采用移动平均滤波算法用于剔除尖峰跳变滤波后训练数据中较小的高频测量噪声波动干扰：最后，对滤波处理后的数据进行归一化处理后，作为最终的软测量模型训练数据；

(E)模型相关待定参数确定：M-SVR模型需要预先设定的待定参数包括：

目标函数惩罚因子C，松弛变量ε；

核函数Φ(g)以及相应的核函数参数；

(F)M-SVR模型训练及模型参数确定：

基于模型训练样本集以及预先设定的模型相关待定参数，进行软测量模型训练；通过最小化式(1)所述性能指标L_p(W,B)来进行软测量模型训练，求出与最优分类超平面对应的M-SVR软测量模型参数向量从而得到铁水质量多元在线软测量模 型其中x_i为模型输入数据，为模型软测量多元输出，N为模型输出向。

$\begin{array}{c}{L}_p(W,B)=\frac{1}{2}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|w_i\left|\right|}^2+C(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}L\left(u_i\right)+\frac{\mathrm{dL}\left(u_i\right)}{\mathrm{du}}{|}_{u_i}\frac{{u_i}^2-{\left(u_i\right)}^2}{{2u}_i})\\ =\frac{1}{2}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|w_i\left|\right|}^2+\frac{1}{2}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{a}_i{u_i}^2+\mathrm{CT}\end{array}---\left(1\right)$

式中， $a_i=\frac{C}{u_i}\frac{\mathrm{dL}\left(u_i\right)}{\mathrm{du}}{|}_{u_i}=\left\{\begin{array}{cc}0,& u_i<\mathrm{\&epsiv;}\\ \frac{2C(u_i-\mathrm{\&epsiv;})}{u_i},& u_i\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.$ 为支持向量权值， $u_i=\left|\right|y_i-{\tilde{y}}_i\left|\right|$ 为估计误差，C为目标函数惩罚因子， $T=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}L\left(u_i\right)-\frac{\mathrm{dL}\left(u_i\right)}{\mathrm{du}}{|}_{u_i}\frac{u_i^2}{2u_i}$ 为与 $W^{*}={\left[w_i^{*}\right]}_{i=1}^N,B^{*}={\left[b_i^{*}\right]}_{i=1}^N$ 不相关的常量，  $L\left(u_i\right)=\left\{\begin{array}{cc}0,& u_i<\mathrm{\&epsiv;}\\ {(u_i-\mathrm{\&epsiv;})}^2,& u_i\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.,$ ε为松弛变量。

软测量模型参数的求解采用最小二乘迭代法，具体步骤如下所示：

步骤(a)：令迭代次数k＝0，以及第k次代的模型参数值W(k)＝0，B(k)＝0，以此计算与相应的模型误差u_i和支持向量权值a_i；

步骤(b)：根据步骤(a)中的初始化条件，令L_p(W,B)关于W,B的偏导数为零，由式(1)即可求出对应的软测量模型参数极值点W_s,B_s，继而得到线性搜索方向 $D\left(k\right)=\left[\begin{array}{c}{W}_s-W\left(k\right)\\ B_s-B\left(k\right)\end{array}\right];$

步骤(c)：采用试探法确定线性搜索步长，λ初值为1，根据 $\left[\begin{array}{c}W(k+1)\\ B(k+1)\end{array}\right]=\left[\begin{array}{c}W\left(k\right)\\ B\left(k\right)\end{array}\right]+\mathrm{\&lambda;D}\left(k\right)$ 求出W(k+1),B(k+1)，若此时L_p(W,B)_k+1≥L_p(W,B)_k，则减小搜索步长λ，直到L_p(W,B)_k+1<L_p(W,B)_k为止，得到下一个迭代点，这其中L_p(W,B)_k+1,L_p(W,B)_k分别表示迭代k+1次和迭代k次的式(1)定义的性能指标取值；

步骤(d)：根据W(k+1),B(k+1)计算出与之对应的模型误差u_i和支持向量权值a_i，令k＝k+1，跳转到步骤(b)，继续执行以上步骤，直到L_p(W,B)不再减小，跳出循环，求得模型参数W^*＝W(k),B^*＝B(k)。

(G)建模效果评估：如果建模误差符合预定标准，则结束本次M-SVR软测量模型训练，转(I)；若误差不符合预定标准，重新训练，转(E)；

(I)保存M-SVR模型：软测量模型训练结束，以得到的M-SVR模型用于高炉铁水质量多元动态软测量；

(J)读取M-SVR模型：调出之前训练好的高炉铁水质量参数M-SVR软测量模型  ${\tilde{y}}_i=\mathrm{\&Phi;}\left(x_i\right)W^{*}+B^{*};$

(K)读取软测量模型输入的过程数据

(L)判断数据是否异常或者缺失；判断模型16个输入数据是否有噪声尖峰跳变以及是否有数据缺失情况；若有则转(M)进行数据处理，否则转(N)进行软测量运算；

(M)数据处理：若有噪声尖峰跳变数据，则利用数据库的历史数据进行噪声尖峰滤波处理；若有数据缺失情况，则用之前时刻的相应变量数据进行替换；

(N)软测量运算：将输入变量数据归一化处理后，调用之前训练好的M-SVR软测量模型进行铁水质量在线软测量；

(O)铁水质量软测量结果显示：在软测量系统人机界面上显示本次铁水质量多元在线软测量的结果；

(P)数据保存：将本次软测量的相关输入输出数据保存到相应的历史数据库，供之后的软测量系统评估、修正以及查询所用。

作为一种优选方案，本发明所述核函数Φ(g)为Sigmoid函数，核函数参数为Sigmoid函数的伸缩变量d。

作为另一种优选方案，本发明对一个月的铁水质量软测量结果进行统计分析和精度评估，若Si、P、S和铁水温度估计误差的统计均值超过[0.07,0.006,0.006,10]，重启模型训练。

其次，本发明所述目标函数惩罚因子C为8，松弛变量ε为0.001；

核函数Φ(g)采用Sigmoid函数，相应的Sigmoid函数伸缩变量确定为d＝2，且N＝4；

初始M-SVR模型参数向量W＝[0 0 0 0],B＝[0 0 0 0]；

初始线性搜索步长λ为λ＝1；

从历史数据中采集120组数据作为模型训练样本数据，经过数据处理后，留下112组数据用于M-SVR模型训练。

另外，本发明采用16输入4输出自反馈结构，4个输出分别为：当前时刻的Si含量估计值 P含量估计值S含量估计值以及铁水温度估计值

本发明有益效果。

利用常规的检测仪表提供的在线过程数据，并考虑过程输入输出变量之间的时序和时滞关系，基于数据驱动的M-SVR智能建模技术，实现了高炉冶炼过程铁水质量指标的多元动态软测量。与现有的人工测量或化验铁水质量指标相比，减少了操作人员的工作量，降低了人为操作引入的测量的不确定性，提高了测量的时效性和准确性，可信度高。与现有的单个铁水质量指标软测量方法相比，本发明可同时实现Si含量、P含量、S含量和铁水温度四大铁水质量指标的在线动态软测量，具有很高实用价值，并且测量效果更准确，泛化能力更强。另外，本发明方法有助于实现高炉铁水质量的优化控制和优化运行。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1高炉炼铁过程的测量仪表配置图

图2为本发明的基于M-SVR的铁水质量软测量软件的流程框图

图3基于M-SVR的铁水质量多元软测量效果图

图1中：1高炉，2热风炉，3流量计，4温度计，5压力计，6湿度计，7炉腹煤气量测量分析仪，8富氧率测量分析仪，9数据采集装置，10运行软测量软件的计算机系统

图1所用标记符号如下：

炉腹煤气量——u₁

热风温度——u₂

热风压力——u₃

富氧率——u₄

鼓风湿度——u₅

喷煤量——u₆

富氧流量——v₁

冷风流量——v₂

具体实施方式

如图所示，为此，本发明所采取的技术解决方案是：

一种基于M-SVR的铁水质量多元动态软测量方法，其特征在于由常规测量系统、数据 采集器、M-SVR软测量软件以及运行软测量软件的计算机系统构成，详细结构如图1所示。流量计、压力计和温度计等常规测量仪表安装于高炉冶炼系统的各个相应位置。数据采集器连接常规测量系统，并通过通信总线连接运行软测量软件的计算机系统。常规测量系统主要包括如下常规测量仪表包括：

三个流量计，分别用于在线测量高炉煤粉喷吹系统煤粉喷吹量、富氧流量、冷风流量；

一个温度计，用于在线测量高炉热风系统的热风温度；

一个压力计，用于在线测量高炉热风系统的热风压力；

一个湿度计，用于在线测量高炉热风系统的鼓风湿度。

另外，常规测量系统还包括如下两个测量分析仪：

一个炉腹煤气量测量分析仪通过流量计测量得到的冷风流量、富氧流量以及煤粉喷吹量，以及湿度计测量得到的鼓风湿度，分析计算出炉腹煤气量参数；

一个富氧率测量分析仪通过流量计测量得到的冷风流量、富氧流量，以及湿度计测量得到的鼓风湿度，分析计算出富氧率参数。

本发明的实现方法包括，(1)辅助变量选择与模型输入变量确定，(2)M-SVR软测量模型的训练和使用。

(1)辅助变量选择与模型输入变量确定

需要软测量的高炉铁水质量参数为Si(硅)含量y₁(％)、P(磷)含量y₂(％)、S(硫)含量y₃(％)和铁水温度y₄(℃)。根据工艺机理以及变量的可测、可观和变量之间的相关性，选择软测量的辅助变量包括：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)。

根据过程动态特性，基于上述6个辅助变量，确定如下16个变量为软测量模型的输入变量：

本次炉腹煤气量u₁(t)(m³)；

本次热风温度u₂(t)(℃)；

本次热风压力u₃(t)(KPa)；

本次富氧率u₄(t)；

本次鼓风湿度u₅(t)(RH)；

本次设定喷煤量u₆(t)(m³/h).

上次炉腹煤气量u₁(t-1)(m³)；

上次热风温度u₂(t-1)(℃)；

上次水热风压力u₃(t-1)(KPa)；

上次富氧率u₄(t-1)；

上次鼓风湿度u₅(t-1)(RH)；

上次设定喷煤量u₆(t-1)(m³/h)；

上次Si含量估计值

上次P含量估计值

上次S含量估计值

上次铁水温度估计值

(2)M-SVR软测量模型的训练和使用

(A)开始：所有变量初始化；

(B)选择为软测量模型训练，转至(C)读取软测量模型训练的数据集；选择为铁水质量参数软测量，转至(J)调出之前训练好的高炉铁水质量参数M-SVR软测量模型；

(C)读取软测量训练的数据集：从数据库中读取或者输入软测量训练的数据集{x_i→y_i}，x_i＝{x_i|i＝1,2,L,16}为输入数据集，y_i＝{y_i|i＝1,2,3,4}为输出数据集；

(D)数据预处理：首先采用噪声尖峰滤波算法用于剔除高炉生产的噪声尖峰跳变数据；然后采用移动平均滤波算法用于剔除尖峰跳变滤波后训练数据中较小的高频测量噪声波动干扰：最后，对滤波处理后的数据进行归一化处理后，作为最终的软测量模型训练数据；

(E)模型相关待定参数确定：M-SVR模型需要预先设定的待定参数包括：

目标函数惩罚因子C，松弛变量ε；

核函数Φ(g)以及相应的核函数参数；

(F)M-SVR模型训练及模型参数确定：

基于模型训练样本集以及预先设定的模型相关待定参数，进行软测量模型训练；通过最小化式(1)所述性能指标L_p(W,B)来进行软测量模型训练，求出与最优分类超平面对应的M-SVR软测量模型参数向量从而得到铁水质量多元在线软测量模 型其中x_i为模型输入数据，为模型软测量多元输出，N为模型输出向量个数。

$\begin{array}{c}{L}_p(W,B)=\frac{1}{2}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left|\right|w_i\left|\right|}^2+C(\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}L\left(u_i\right)+\frac{\mathrm{dL}\left(u_i\right)}{\mathrm{du}}{|}_{u_i}\frac{{u_i}^2-{\left(u_i\right)}^2}{{2u}_i})\\ =\frac{1}{2}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left|\right|w_i\left|\right|}^2+\frac{1}{2}\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{a}_i{u_i}^2+\mathrm{CT}\end{array}---\left(1\right)$

式中， $a_i=\frac{C}{u_i}\frac{\mathrm{dL}\left(u_i\right)}{\mathrm{du}}{|}_{u_i}=\left\{\begin{array}{cc}0,& u_i<\mathrm{\&epsiv;}\\ \frac{2C(u_i-\mathrm{\&epsiv;})}{u_i},& u_i\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.$ 为支持向量权值， $u_i=\left|\right|y_i-{\tilde{y}}_i\left|\right|$ 为估计误差，C为目标函数惩罚因子， $T=\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}L\left(u_i\right)-\frac{\mathrm{dL}\left(u_i\right)}{\mathrm{du}}{|}_{u_i}\frac{u_i^2}{2u_i}$ 为与 $W^{*}={\left[w_i^{*}\right]}_{i=1}^N,B^{*}={\left[b_i^{*}\right]}_{i=1}^N$ 不相关的常量，  $L\left(u_i\right)=\left\{\begin{array}{cc}0,& u_i<\mathrm{\&epsiv;}\\ {(u_i-\mathrm{\&epsiv;})}^2,& u_i\&GreaterEqual;\mathrm{\&epsiv;}\end{array}\right.,$ ε为松弛变量。

软测量模型参数的求解采用最小二乘迭代法，具体步骤如下所示：

步骤(a)：令迭代次数k＝0，以及第k次代的模型参数值W(k)＝0，B(k)＝0，以此计算与相应的模型误差u_i和支持向量权值a_i；

步骤(b)：根据步骤(a)中的初始化条件，令L_p(W,B)关于W,B的偏导数为零，由式(1)即可求出对应的软测量模型参数极值点W_s,B_s，继而得到线性搜索方向 $D\left(k\right)=\left[\begin{array}{c}{W}_s-W\left(k\right)\\ B_s-B\left(k\right)\end{array}\right];$

步骤(c)：采用试探法确定线性搜索步长，λ初值为1，根据 $\left[\begin{array}{c}W(k+1)\\ B(k+1)\end{array}\right]=\left[\begin{array}{c}W\left(k\right)\\ B\left(k\right)\end{array}\right]+\mathrm{\&lambda;D}\left(k\right)$ 求出W(k+1),B(k+1)，若此时L_p(W,B)_k+1≥L_p(W,B)_k，则减小搜索步长λ，直到L_p(W,B)_k+1<L_p(W,B)_k为止，得到下一个迭代点，这其中L_p(W,B)_k+1,L_p(W,B)_k分别表示迭代k+1次和迭代k次的式(1)定义的性能指标取值；

步骤(d)：根据W(k+1),B(k+1)计算出与之对应的模型误差u_i和支持向量权值a_i，令k＝k+1，跳转到步骤(b)，继续执行以上步骤，直到L_p(W,B)不再减小，跳出循环，求得模型参数W^*＝W(k),B^*＝B(k)。

(G)建模效果评估：如果建模误差符合预定标准，则结束本次M-SVR软测量模型训练， 转(I)；若误差不符合预定标准，重新训练，转(E)；

(I)保存M-SVR模型：软测量模型训练结束，以得到的M-SVR模型用于高炉铁水质量多元动态软测量；

(J)读取M-SVR模型：调出之前训练好的高炉铁水质量参数M-SVR软测量模型  ${\tilde{y}}_i=\mathrm{\&Phi;}\left(x_i\right)W^{*}+B^{*};$

(K)读取软测量模型输入的过程数据

(L)判断数据是否异常或者缺失；判断模型16个输入数据是否有噪声尖峰跳变以及是否有数据缺失情况；若有则转(M)进行数据处理，否则转(N)进行软测量运算；

(M)数据处理：若有噪声尖峰跳变数据，则利用数据库的历史数据进行噪声尖峰滤波处理；若有数据缺失情况，则用之前时刻的相应变量数据进行替换；

(N)软测量运算：将输入变量数据归一化处理后，调用之前训练好的M-SVR软测量模型进行铁水质量在线软测量；

(O)铁水质量软测量结果显示：在软测量系统人机界面上显示本次铁水质量多元在线软测量的结果；

(P)数据保存：将本次软测量的相关输入输出数据保存到相应的历史数据库，供之后的软测量系统评估、修正以及查询所用。

(Q)软测量结束？若需要继续进行铁水质量软测量，则返回至(K)；否则转(R)。

(R)结束。

高炉炼铁系统具有显著的工况时变和非线性动态特性，为了保持铁水质量软测量模型的精度，需要利用新的样本数据对软测量模型进行重新训练，其方法是：首先对一段时间的铁水质量软测量结果进行统计分析和精度评估，若估计误差统计的均值和方差超过特定范围，说明高炉运行工况出现显著漂移，且软测量误差较大，必须重启模型训练。

本发明的实施例为一个容积为2600m3的炼铁高炉对象。按照本说明书的要求，该高炉对象安装了如下的常规测量系统，包括：

横河DPharp EJA系列压力变送器用于测量高炉热风系统的热风压力；

HH-WLB差压流量计用于测量冷风流量；

A+K平衡流量计用于测量富氧流量；

JWSK-6CWDA空气湿度传感器用于测量鼓风湿度；

YHIT红外测温仪用于测量热风温度；

HDLWG-06煤粉流量计用于测量煤粉喷吹量.

另外，常规测量系统还包括如下两个测量分析仪：

一个测量分析仪通过流量计测量得到的冷风流量、富氧流量以及煤粉喷吹量，以及湿度计测量得到的鼓风湿度，分析计算出炉腹煤气量参数；

炉腹煤气量测量分析仪设置如下：

炉腹煤气量＝1.21*冷风流量/60+(2*富氧流量/60)+(44.8*鼓风湿度*(冷风流量/60+(富氧流量/60))/18000)+(22.4*小时喷煤量*1000*煤粉含氢量/12000)

富氧率测量分析仪设置如下：

富氧率＝((富氧流量*0.98/60+((0.21+(0.29*鼓风湿度/8/100))*冷风流量/60))/(冷风流量/60+(富氧流量/60))-(0.21+(0.29*鼓风湿度/8/100)))*100

软测量程序在单独的计算机上运行，采用C#高级语言进行本发明软测量方法的具体软件实现。该软件界面实现了数据显示、查询、软测量结果显示以及查询等功能，可以方便地让操作人员获得其所需要的信息。另外，该软测量软件计算机上装有OPC通讯软件负责与下位机以及数据采集装置进行数据双向通讯。

M-SVR采用16输入4输出自反馈结构。16个输入分别为：本次炉腹煤气量u₁(t)(m³)、本次热风温度u₂(t)(℃)、本次热风压力u₃(t)(KPa)、本次富氧率u₄(t)、本次鼓风湿度u₅(t)(RH)、本次设定喷煤量u₆(t)(m³/h)、上次炉腹煤气量u₁(t-1)(m³)、上次热风温度u₂(t-1)(℃)、上次水热风压力u₃(t-1)(KPa)、上次富氧率u₄(t-1)、上次鼓风湿度u₅(t-1)(RH)、上次设定喷煤量u₆(t-1)(m³/h)、上次Si含量估计值上次P含量估计值上次S含量估计值上次铁水温度估计值4个输出分别为：需要估计的当前时刻的Si含量估计值P含量估计值S含量估计值以及铁水温度估计值

M-SVR模型相关待定参数确定如下：

目标函数惩罚因子C确定为C＝8；

核函数Φ(g)采用Sigmoid函数，相应的Sigmoid函数伸缩变量确定为d＝2，且N＝4；

初始M-SVR模型参数向量W＝[0 0 0 0],B＝[0 0 0 0]；

最后，从历史数据中采集120组数据作为模型训练样本数据，经过数据处理后，留下112组数据用于M-SVR模型训练，具体训练算法如(F)M-SVR模型训练及模型参数确定所示。

图3为软测量系统一段时间的铁水质量指标软测量效果，可以看出各个铁水质量指标软测量估计值与其实际值基本一致，误差比较小，且变化趋势基本一致。此外，本发明方法速度快、精度高、泛化能力强且有严格的数学解释，相比于其他方法有较高的优越性。因此本发明是一种具有很高实用价值的、低成本的高炉炼铁过程铁水质量多元计量手段。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (5)

1.基于多输出支持向量回归机的铁水质量多元动态测量方法，其特征在于包括以下步骤：

(1)辅助变量选择与模型输入变量确定

需要软测量的高炉铁水质量参数为Si(硅)含量y₁(％)、P(磷)含量y₂(％)、S(硫)含量y₃(％)和铁水温度y₄(℃)。根据工艺机理以及变量的可测、可观和变量之间的相关性，选择软测量的辅助变量包括：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)。

根据过程动态特性，基于上述6个辅助变量，确定如下16个变量为软测量模型的输入变量：

本次炉腹煤气量u₁(t)(m³)；

本次热风温度u₂(t)(℃)；

本次热风压力u₃(t)(KPa)；

本次富氧率u₄(t)；

本次鼓风湿度u₅(t)(RH)；

本次设定喷煤量u₆(t)(m³/h). 

上次炉腹煤气量u₁(t-1)(m³)；

上次热风温度u₂(t-1)(℃)；

上次水热风压力u₃(t-1)(KPa)；

上次富氧率u₄(t-1)；

上次鼓风湿度u₅(t-1)(RH)；

上次设定喷煤量u₆(t-1)(m³/h)；

上次Si含量估计值

上次P含量估计值

上次S含量估计值

上次铁水温度估计值

(2)M-SVR软测量模型的训练和使用

(A)开始：所有变量初始化；

(B)选择为软测量模型训练，转至(C)读取软测量模型训练的数据集；选择为铁水质量参数软测量，转至(J)调出之前训练好的高炉铁水质量参数M-SVR软测量模型；

(C)读取软测量训练的数据集：从数据库中读取或者输入软测量训练的数据集{x_i→y_i}，x_i＝{x_i|i＝1,2,L,16}为输入数据集，y_i＝{y_i|i＝1,2,3,4}为输出数据集；

(D)数据预处理：首先采用噪声尖峰滤波算法用于剔除高炉生产的噪声尖峰跳变数据；然后采用移动平均滤波算法用于剔除尖峰跳变滤波后训练数据中较小的高频测量噪声波动干扰：最后，对滤波处理后的数据进行归一化处理后，作为最终的软测量模型训练数据；

(E)模型相关待定参数确定：M-SVR模型需要预先设定的待定参数包括：

目标函数惩罚因子C，松弛变量ε；

核函数Φ(g)以及相应的核函数参数；

(F)M-SVR模型训练及模型参数确定：

基于模型训练样本集以及预先设定的模型相关待定参数，进行软测量模型训练；通过最小化式(1)所述性能指标L_p(W,B)来进行软测量模型训练，求出与最优分类超平面对应的M-SVR软测量模型参数向量从而得到铁水质量多元在线软测量模型其中x_i为模型输入数据，为模型软测量多元输出，N为模型输出向量个数。

式中，为支持向量权值，为估计误差，C为目标函数惩罚因子，为与不相关的常量， ε为松弛变量。

软测量模型参数的求解采用最小二乘迭代法，具体步骤如下所示：

步骤(a)：令迭代次数k＝0，以及第k次代的模型参数值W(k)＝0，B(k)＝0，以此计算与相应的模型误差u_i和支持向量权值a_i；

步骤(b)：根据步骤(a)中的初始化条件，令L_p(W,B)关于W,B的偏导数为零，由式(1)即可求出对应的软测量模型参数极值点W_s,B_s，继而得到线性搜索方向

步骤(c)：采用试探法确定线性搜索步长，λ初值为1，根据求出W(k+1),B(k+1)，若此时L_p(W,B)_k+1≥L_p(W,B)_k，则减小搜索步长λ，直到L_p(W,B)_k+1<L_p(W,B)_k为止，得到下一个迭代点，这其中L_p(W,B)_k+1,L_p(W,B)_k分别表示迭代k+1次和迭代k次的式(1)定义的性能指标取值；

步骤(d)：根据W(k+1),B(k+1)计算出与之对应的模型误差u_i和支持向量权值a_i，令k＝k+1，跳转到步骤(b)，继续执行以上步骤，直到L_p(W,B)不再减小，跳出循环，求得模型参数W^*＝W(k),B^*＝B(k)。

(G)建模效果评估：如果建模误差符合预定标准，则结束本次M-SVR软测量模型训练，转(I)；若误差不符合预定标准，重新训练，转(E)；

(I)保存M-SVR模型：软测量模型训练结束，以得到的M-SVR模型用于高炉铁水质量多元动态软测量；

(J)读取M-SVR模型：调出之前训练好的高炉铁水质量参数M-SVR软测量模型 

(K)读取软测量模型输入的过程数据

(L)判断数据是否异常或者缺失；判断模型16个输入数据是否有噪声尖峰跳变以及是否有数据缺失情况；若有则转(M)进行数据处理，否则转(N)进行软测量运算；

(M)数据处理：若有噪声尖峰跳变数据，则利用数据库的历史数据进行噪声尖峰滤波处理；若有数据缺失情况，则用之前时刻的相应变量数据进行替换；

(N)软测量运算：将输入变量数据归一化处理后，调用之前训练好的M-SVR软测量模型进行铁水质量在线软测量；

(O)铁水质量软测量结果显示：在软测量系统人机界面上显示本次铁水质量多元在线软 测量的结果；

(P)数据保存：将本次软测量的相关输入输出数据保存到相应的历史数据库，供之后的软测量系统评估、修正以及查询所用。

2.根据权利要求1所述基于多输出支持向量回归机的铁水质量多元动态测量方法，其特征在于所述核函数Φ(g)为Sigmoid函数，核函数参数为Sigmoid函数的伸缩变量d。

3.根据权利要求2所述基于多输出支持向量回归机的铁水质量多元动态测量方法，其特征在于对一个月的铁水质量软测量结果进行统计分析和精度评估，若Si、P、S和铁水温度估计误差的统计均值超过[0.07,0.006,0.006,10]，重启模型训练。

4.根据权利要求3所述基于多输出支持向量回归机的铁水质量多元动态测量方法，其特征在于所述目标函数惩罚因子C为8，松弛变量ε为0.001；

核函数Φ(g)采用Sigmoid函数，相应的Sigmoid函数伸缩变量确定为d＝2，且N＝4；

初始M-SVR模型参数向量W＝[0 0 0 0],B＝[0 0 0 0]；

初始线性搜索步长λ为λ＝1；

从历史数据中采集120组数据作为模型训练样本数据，经过数据处理后，留下112组数据用于M-SVR模型训练；炼铁高炉的容积为2600m³。

5.根据权利要求4所述基于多输出支持向量回归机的铁水质量多元动态测量方法，其特征在于采用16输入4输出自反馈结构，4个输出分别为：当前时刻的Si含量估计值P含量估计值S含量估计值以及铁水温度估计值