CN105950807A - 一种多信息融合的高炉布料过程料面形状建模方法 - Google Patents

Abstract

本发明公开了一种多信息融合的高炉布料过程料面形状建模方法，其内容包括：根据流体力学和统计学规律建立炉料堆积模型，采用机理法推导得出高炉布料过程料面模型函数，建立一个参数化的预测模型，求解原始料面形状参数，确定炉料堆积方程；基于支持向量机回归的雷达散点数据拟合获取原始料面形状：根据雷达所测数据求解预测模型的原始料面形状参数：使用雷达测量高炉中不同半径多个点位的料面高度信息，采用支持向量机在回归问题的应用对料面高度散点进行拟合得到料面函数曲线；根据布料机理关系和雷达数据确定相关参数，以此校正预测模型；基于离散元法的仿真结果进行料面形状参数校正；得到新的料面形状函数作为输出结果并反馈作为下一次的原始料面。

Description

一种多信息融合的高炉布料过程料面形状建模方法

技术领域

本发明涉及高炉炼铁的自动控制领域，更具体地说是涉及一种多信息融合的高炉布料过程料面形状建模方法。

背景技术

高炉冶炼过程作为钢铁生产过程的上游工序，其CO₂的直接和相关排放占钢铁工业总排放量的90％，能耗则占钢铁工业总能耗的70％。所以，高炉冶炼是钢铁工业实现节能减排的主要潜力所在。要使高炉实现节能减排的目标，关键是对高炉进行高效控制。而对高炉的控制，关键是对高炉炉温的高效控制，也就是在保持生铁质量的前提下，尽量降低高炉炉温，使其尽可能接近容许的下限，从而降低成本，减少能耗和排放，并保持高炉的顺行。高炉布料作为高炉上部的主要操作，合理的炉料分布对于直接影响高炉内部煤气流分布，对于提高煤气利用率，调节透气性指数和上部温度场调控至关重要。

对于高温高压封闭条件下的高炉冶炼过程，高炉料面的形状是肉眼不可见的，即使是使用雷达也很难获取完全清晰全面的图像。所以需要采用多种方法进行信息融合，来获取较为准确和全面的料面形状模型，包括布料过程机理推导，非平面颗粒堆积函数，基于SVM的平面散点数据拟合和离散元实验法料面形状校正。

发明内容

本发明克服了现有技术中的不足，考虑多种建模方法综合建模的特点，提供一种多信息融合的高炉布料过程料面形状建模方法。

为解决上述存在的技术问题，本发明是通过以下技术方案实现：

一种多信息融合的高炉布料过程料面形状建模方法，内容包括如下步骤：

1.根据流体力学和统计学规律建立炉料堆积模型，采用机理法推导得出高炉布料过程料面模型函数，建立一个参数化的预测模型，求解原始料面形状参数，确定炉料堆积方程；

根据颗粒堆积规律，确定高斯函数和三角函数作为炉料堆积方程的基本函数，根据炉料落点参数求解方法得到的炉料落点的置使用不同的函数描述方式；选择原则是：当落点位置为平面或者斜率较小时使用高斯函数描述方法；当落点为斜面且斜率比较大时使用三角函数描述方法；

2.基于支持向量机回归(Support Vector Regression，SVR)的雷达散点数据拟合获取原始料面形状：根据雷达所测数据求解预测模型的原始料面形状参数：使用雷达测量高炉中不同半径多个点位的料面高度信息，采用支持向量机在回归问题的应用对料面高度散点进行拟合得到料面函数曲线；

利用高炉所安装的雷达装置，采集高炉中部分坐标点的料面高度信息；首先为高炉料面建立一个极坐标系；使用雷达测量高炉中不同半径多个点位的料面高度信息，再采用支持向量回归方法对料面高度散点进行拟合得到料面曲线；

由于高炉的无料钟布料装置都是环形布料方式，所以在同一半径上，料面的高度是一致的，因此，极坐标系不需要考虑角坐标的问题，只需要考虑不同半径的多个点位；

3.根据布料机理关系和雷达数据确定相关参数，以此校正预测模型；

4.基于离散元法的仿真结果进行料面形状参数校正；

所述的离散元法就是把研究对象分离为刚性元素的集合，使每个元素满足牛顿第二定律，用中心差分的方法求解各元素的运动方程，得到研究对象的整体运动形态；

根据高炉布料过程实质是炉料运动过程，这个过程是受力学法则支配的；为了定量分析炉料分布，首先建立布料方程；

炉料在高炉三维模型中进行运动，炉料通过导料管进入高炉，在溜槽上的运动符合运动定律，离开溜槽作平抛运动，最终在原始料面上进行堆积；根据布料制度设置溜槽的倾角和旋转角速度，根据一批炉料的总量再设置颗粒数量，最后根据力学方程进行仿真计算，得到一次布料后的高炉料面形状三维仿真图，读取一个切面上的料面高度信息，将拟合料面函数曲线和采用机理法推导得出高炉布料过程料面模型函数加权整合，来校正料面形状函数；

5.得到新的料面形状函数作为输出结果并反馈作为下一次的原始料面。

由于采用上述技术方案，本发明提供的一种多信息融合的高炉布料过程料面形状建模方法，与现有技术相比具有这样的有益效果：料面形状对于高炉内部煤气流分布和温度场起到决定性作用。以往只能通过炉长的经验进行布料决策，本发明主要完善了高炉料面的获取和表示方法；结合专家经验和数据知识设计了自动布料决策机制；利用机理推导和仿真实验进行模拟验证，初期可以对炉长的布料决策提供重要的参考意见，技术成熟后可以实现自动布料和定点布料，提高布料过程的准确性、快速性。

附图说明

图1是本发明的高炉料面建模方法过程图；

图2是本发明的基于雷达数据的原始料面确定方法示意图；

图3是炉料堆积模型参数确定过程的示意图；

图4是本发明的离散元法原理图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明的一种多信息融合的高炉布料过程料面形状建模方法，其高炉料面建模方法过程图如图1所示；该方法内容包括如下步骤：

步骤11根据流体力学和统计学规律建立炉料堆积模型，采用机理法推导得出高炉布料过程料面模型函数，建立一个参数化的预测模型，求解原始料面形状参数，确定炉料堆积方程；

所述确定炉料堆积方程，就是根据颗粒堆积规律确定高斯函数和三角函数作为炉料堆积方程的基本函数，根据炉料落点参数求解方法得到的炉料落点位置使用不同的函数描述方式；其选择原则是：当炉料落点位置为平面或者斜率较小时使用高斯函数描述方法；当炉料落点为斜面且斜率比较大时使用三角函数描述方法；具体描述方法如下：

(1)高斯函数描述方法：

$F\left(x\right)=A\·\exp \[{\left(\frac{X-B}{C}\right)}^2+E---\left(1\right)$

(2)三角函数描述方法：

$F\left(x\right)=A\·sin\[{\left(\frac{X-(B-\mathrm{\π}/2)}{C}\right)}^2\·\mathrm{\π}\]+D\·X+E---\left(2\right)$

利用符号函数sgn(x)：

$sgn\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x=0\\ -1& x<0\end{array}\right.---\left(3\right)$

将(1)式和(2)式两种函数结合得到如下料面形状预测模型：

$\begin{array}{c}F\left(x\right)=\mathrm{sgn}\left|f^{\&prime;}\left(x\right)\right|\&CenterDot;\{A\&CenterDot;\sin \&lsqb;{\left(\frac{X-(B-\mathrm{\&pi;}/2)}{C}\right)}^2\&CenterDot;\mathrm{\&pi;}\&rsqb;\\ +D\&CenterDot;X+E\}+(1-\mathrm{sgn}|f^{\&prime;}\left(x\right)\left|\right)\&CenterDot;\{A\&CenterDot;\exp \&lsqb;{\left(\frac{X-B}{C}\right)}^2\&rsqb;+E\}\end{array}---\left(4\right)$

(4)式中待确定的参数为A、B、C、D和E五个参数，

其中：A是堆积轮廓最高点，根据炉料总量确定；

B是炉料落点位置，根据炉料落点位置确定；

C是炉喉半径，为高炉固定数据常数；

D是落点料面斜率，根据原始料面形状确定；

E是料线深度，可以根据探尺检测；

步骤12、基于支持向量机回归(Support Vector Regression，SVR)的雷达散点数据拟合获取原始料面形状：根据雷达所测数据求解预测模型的原始料面形状参数：使用雷达测量高炉中不同半径多个点位的料面高度信息，采用支持向量机在回归问题的应用(SVR)对料面高度散点进行拟合得到料面函数曲线；

本发明的基于雷达数据的原始料面确定方法如图2所示；利用高炉所安装的雷达装置，采集高炉中部分坐标点的料面高度信息；首先为高炉料面建立一个极坐标系；使用雷达测量高炉中不同半径多个点位的料面高度信息，再采用支持向量回归(SVR)方法对料面高度散点进行拟合得到料面函数曲线。图2A是高炉料面俯视图建立的二维坐标系，其中阴影部分是雷达未测清楚区域，在可测清晰区域选取尽量多的点，图中选取7个点为例子表征，它们的半径分别为R₁-R₇；图2B是建立的新直角坐标系，X轴为半径R，Y轴为该半径上的点对应的料面高度H，这样取得一系列的散点后用SVR进行曲线拟合，

高炉数据样本集合为：

S＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N),x_i∈R^d,y_i∈R^d} (5)

所述采用支持向量回归(SVR)方法对料面高度散点进行拟合得到料面函数曲线，该方法具体内容包括：

建立非线性支持向量机，这时的判别函数与样本特征是非线性函数关系；以下面的二次判别函数为例：

g(x)＝c₀+c₁x+c₂x²＝[c₀,c₁,c₂]^T[1,x,x²]＝c^Ty (6)

该判别函数是特征x的非线性函数，但却是特征向量y的线性函数；

非线性支持向量机就是采用引入非线性特征变换来将原空间中的非线性问题转化为新空间的线性问题，通过这种变换实现非线性分类；如果对特征x引入非线性变换得新特征则新的特征空间决策函数为：

相应的优化问题为：

$\begin{array}{cc}s.t.& \underset{i=1}{\overset{N}{\&Sigma;}}{y}_i{\mathrm{\&alpha;}}_i=0\end{array}$

0≤α_i≤C,i＝1,2,…,N (8)

记：

则支持向量变为：

$f\left(x\right)=\underset{i=1}{\overset{N}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_{i}K(x_i\&CenterDot;x)+b---\left(10\right)$

不论所生成的变换空间的维数多高，这个空间里的线性支持向量机求解都可以在原空间通过核函数K(x_i,x_j)进行，这样就避免了高维空间里的计算，而且计算核函数K(x_i,x_j)的复杂度与计算内积并没有实质性的增加，只要知道核函数，没有必要知道的具体形式；

读取现场测量数据，进行训练；

在非线性情况下，支持向量回归的拟合函数形式为：

$f\left(x\right)=(w\&CenterDot;x)+b=\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&beta;}}_{i}K(x,x_i)+b^{*}---\left(11\right)$

其中β_i是以下优化问题的解：

$\begin{array}{c}\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\max }W(\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*})=-\mathrm{\&epsiv;}\underset{i=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i^{*}+{\mathrm{\&alpha;}}_i)+\underset{i=1}{\overset{l}{\&Sigma;}}{y}_i({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)\\ -\frac{1}{2}\underset{i,j=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)({\mathrm{\&alpha;}}_j^{*}-{\mathrm{\&alpha;}}_j)K(x_i,x_i)\end{array}$

$\begin{array}{cc}s.t.& \underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}=\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i\end{array}---\left(12\right)$

$0\&le;{\mathrm{\&alpha;}}_i^{*}\&le;C,i=1,2,\mathrm{...},l$

0≤α_i≤C,i＝1,2,…,l

利用SVR算法进行数据拟合，得到料面函数曲线。

步骤13、根据布料机理关系和雷达数据确定相关参数，以此校正预测模型；

步骤14、基于离散单元法的仿真结果进行料面形状参数校正，以此校正预测模型；

步骤15、得到新的料面形状函数作为输出函数结果并反馈作为下一次的原始料面。

在步骤11中所述的炉料堆积模型，其参数确定过程如图3所示；其中：

高炉半径(堆积宽度)31—C为高炉固定数据常数；

炉料质量(剖面面积)32—A根据炉料总量确定炉料堆积模型的炉料落点参数，每批料都有会先设定布料的炉料质量，再根据不同的炉料密度不同求出炉料的体积，最后带入到如下方程中：

$V=A{\&Integral;}_0^{R}2\mathrm{\&pi;}r\&lsqb;f_{TopSurface}-f_{BaseSurface}\&rsqb;dr---\left(13\right)$

在(13)式中：R为高炉的半径，f_TopSurface为新的料面方程，f_BaseSurface为原始料面方程；在所有参数确定之后，最后求解A的值；

溜槽倾角(最高点位置)33—B根据炉料落点位置确定炉料堆积模型的炉料落点参数；炉料落点参数求解方法包括如下步骤：

根据高炉布料过程实质是炉料运动过程，这个过程是受力学法则支配的；为了定量分析炉料分布，首先建立布料方程；

所述建立布料方程的步骤包括如下内容：

设炉料从导料管落入以ω速度旋转的溜槽，一块炉料质量为m、重量为Q，进入溜槽烟溜槽方向初速度为v₀(m/s)，炉料在溜槽某点的速度为v(m/s)，炉料在溜槽末端速度为v₁(m/s)，炉料与溜槽的摩擦系数为μ,溜槽倾角为β，溜槽旋转角速度为ω，溜槽长度为l，炉料在溜槽上受到的力包括：

(1)重力：

G＝mg (14)

(2)惯性离心力:

F＝4π²ω²lmcos(β) (15)

(3)溜槽对炉料的反作用力:

N＝mgcosβ-4π²ω²lmcosβsinβ (16)

(4)炉料与溜槽之间的摩擦力:

F_f＝μmcosβ(g-4π²ω²lsinβ) (17)

(5)惯性科氏力:

F_k＝4πωυlmcos²β (18)

所以受力总和为：

∑F＝(sinβ-μcosβ)+4π²lmcosβ(cosβ+μsinβ) (19)

因为:

$\mathrm{\&Sigma;}F=m\&CenterDot;\frac{dv}{dt}=m\frac{dv}{dl}\&CenterDot;\frac{dl}{dt}=mv\&CenterDot;\frac{dv}{dl}---\left(20\right)$

所以得到离开溜槽时的速度为：

${\mathrm{\&upsi;}}_1=\sqrt{2{\mathrm{gl}}_0(sin\mathrm{\&beta;}-\mathrm{\&mu;}cos\mathrm{\&beta;})+4{\mathrm{\&pi;}}^2{\mathrm{\&omega;}}^2{l}_0^{2}cos\mathrm{\&beta;}+\mathrm{\&mu;}sin\mathrm{\&beta;}+{\mathrm{\&upsi;}}_0}---\left(21\right)$

炉料在炉喉空区内运动受到炉内煤气流产生的向上的阻力P：

$P=ks\frac{{\mathrm{\&gamma;\&upsi;}}^2}{2g}---\left(22\right)$

其中,k—流体阻力系数；γ—气体密度；s—炉料最大横截面积；

炉料在空区内下降所用的时间为t₂，根据抛物体运动方程得到方程组

$t_2=\frac{L_x}{v_{1}cos\mathrm{\&beta;}}---\left(23\right)$

$h=L_{x}tan\mathrm{\&beta;}+\frac{G-P}{2{\mathrm{mv}}_1^2{\cos }^2\mathrm{\&beta;}}{L}_x^2+1_0(1-sin\mathrm{\&beta;})---\left(24\right)$

其中h表示料线深度，可由料尺测量得到，L_x可以表示为：

$L_x=\frac{{\mathrm{mv}}_1^2{\cos }^2\mathrm{\&beta;}}{G-P}\{\sqrt{{\tan }^2\mathrm{\&beta;}+\frac{2(G-P)}{{\mathrm{mv}}_1^2{\cos }^2\mathrm{\&beta;}}\&lsqb;l_0(1-sin\mathrm{\&beta;}+h)\&rsqb;}-tan\mathrm{\&beta;}\}---\left(25\right)$

综上炉料落点位置与高炉中心点水平距离表达式：

$n=\sqrt{{l_0}^2{\cos }^2\mathrm{\&beta;}+2l_0{\mathrm{cos\&beta;L}}_x+L_x^2(1+\frac{4{\mathrm{\&pi;}}^2{\mathrm{\&omega;}}^2{l}_0^2}{{\mathrm{\&upsi;}}_1^2})}---\left(26\right)$

确定参数炉料落点位置就是n。

料线35—E可以根据探尺检测；

基于雷达数据的原始料面34—D：原始料面的剖面形状雷达数据来源于步骤12。

在步骤14中所述的离散元法其原理如图4所示。离散元法就是把研究对象分离为刚性元素的集合，使每个元素满足牛顿第二定律，用中心差分的方法求解各元素的运动方程，得到研究对象的整体运动形态。

所述基于离散元法的仿真结果进行料面形状校正，其校正方法内容包括如下步骤：

步骤41、前处理:首先按照炉料的形状建立炉料的三维模型，并设置其物理特性和材料属性；设置颗粒方案，颗粒生成的数量要和批料的质量相关；使用3D绘图软件绘制高炉几何模型，并导入到仿真系统中，设置高炉模型的材料和物理属性；

步骤42、设置颗粒之间的作用力关系；

颗粒之间的作用力方程：

颗粒体之间平移运动接触模型：

$m\frac{dv}{dt}={\mathrm{\&Sigma;F}}_n=\underset{j\&NotEqual;i}{\overset{N_c}{\&Sigma;}}{F}_c+F_g---\left(27\right)$

其中，m为颗粒质量；v为颗粒运动速度；Fn为受到的合外力；Fc为其法向量及处理；F_g为颗粒变形产生的阻尼力；

颗粒体之间旋转运动接触模型：

$I\frac{dw}{dt}={\mathrm{\&Sigma;F}}_s=r_p\underset{j\&NotEqual;i}{\overset{N_c}{\&Sigma;}}(F_{cs}-F_r)---\left(28\right)$

其中I为转动惯量；w为旋转角速度；F_s为转动产生的合外力；r为颗粒的半径；F_cs为其他颗粒所产生的旋转摩擦力；F_r为阻尼力；

步骤43、后处理：运行3D动画演示和动态跟踪，完成布料后会得到相应料面形状；然后根据高度生成图表，提取高度数据绘制料面形状曲线；

步骤44、修改相应的条件：溜槽倾角、旋转角速度，炉料质量和炉料种类，进行下次实验仿真。

炉料在高炉三维模型中进行运动，炉料通过导料管进入高炉，在溜槽上的运动符合运动定律，离开溜槽最平抛运动，最终在原始料面上进行堆积；根据布料制度设置溜槽的倾角和旋转角速度，再根据一批炉料的总量设置颗粒数量，最后根据力学方程进行仿真计算，得到一次布料后的高炉布料过程料面形状三维仿真图，读取一个切面上的料面高度信息，将拟合料面函数曲线和采用机理法推导得出高炉布料过程料面模型函数加权整合，来校正料面形状函数。

Claims (4)

1.一种多信息融合的高炉布料过程料面形状建模方法，其特征在于：一种多信息融合的高炉布料过程料面形状建模方法，内容包括如下步骤：

1.1、根据流体力学和统计学规律建立炉料堆积模型，采用机理法推导得出高炉布料过程料面模型函数，建立一个参数化的预测模型，求解原始料面形状参数，确定炉料堆积方程；

根据颗粒堆积规律，确定高斯函数和三角函数作为炉料堆积方程的基本函数，根据炉料落点参数求解方法得到的炉料落点位置使用不同的函数描述方式；选择原则是：当落点位置为平面或者斜率较小时使用高斯函数描述方法；当落点为斜面且斜率比较大时使用三角函数描述方法；具体描述方法如下：

(1)高斯函数描述方法：

$F\left(x\right)=A\&CenterDot;\exp \&lsqb;{\left(\frac{X-B}{C}\right)}^2+E---\left(1\right)$

(2)三角函数描述方法：

$F\left(x\right)=A\&CenterDot;sin\&lsqb;{\left(\frac{X-(B-\mathrm{\&pi;}/2)}{C}\right)}^2\&CenterDot;\mathrm{\&pi;}\&rsqb;+D\&CenterDot;X+E---\left(2\right)$

利用符号函数sgn(x)：

$\mathrm{sgn}\left(x\right)=\left\{\begin{array}{cc}1& x>0\\ 0& x=0\\ -1& x<0\end{array}\right.---\left(3\right)$

将(1)式和(2)式两种函数结合得到如下料面形状预测模型：

$\begin{array}{c}F\left(x\right)=\mathrm{sgn}\left|f^{\&prime;}\left(x\right)\right|\&CenterDot;\{A\&CenterDot;\sin \&lsqb;{\left(\frac{X-(B-\mathrm{\&pi;}/2)}{C}\right)}^2\&CenterDot;\mathrm{\&pi;}\&rsqb;\\ +D\&CenterDot;X+E\}+(1-\mathrm{sgn}|f^{\&prime;}\left(x\right)\left|\right)\&CenterDot;\{A\&CenterDot;\exp \&lsqb;{\left(\frac{X-B}{C}\right)}^2\&rsqb;+E\}\end{array}---\left(4\right)$

(4)式中待确定的参数为A、B、C、D和E五个参数，

其中：A是堆积轮廓最高点，根据炉料总量确定；

B是炉料落点位置，根据炉料落点位置确定；

C是炉喉半径，为高炉固定数据常数；

D是落点料面斜率，根据原始料面形状确定；

E是料线深度，可以根据探尺检测；

1.2、基于支持向量机回归的雷达散点数据拟合获取原始料面形状：根据雷达所测数据求解预测模型的原始料面形状参数：使用雷达测量高炉中不同半径多个点位的料面高度信息，采用支持向量机在回归问题的应用对料面高度散点进行拟合得到料面曲线；

利用高炉所安装的雷达装置，采集高炉中部分坐标点的料面高度信息；首先为高炉料面建立一个极坐标系；使用雷达测量高炉中不同半径多个点位的料面高度信息，再采用支持向量回归方法对料面高度散点进行拟合得到料面函数曲线；

1.3、根据布料机理关系和雷达数据确定相关参数，以此校正预测模型；

1.4、基于离散元法的仿真结果进行料面形状参数校正；

所述的离散元法就是把研究对象分离为刚性元素的集合，使每个元素满足牛顿第二定律，用中心差分的方法求解各元素的运动方程，得到研究对象的整体运动形态；

根据高炉布料过程实质是炉料运动过程，这个过程是受力学法则支配的；为了定量分析炉料分布，首先建立布料方程；

炉料在高炉三维模型中进行运动，炉料通过导料管进入高炉，在溜槽上的运动符合运动定律，离开溜槽作平抛运动，最终在原始料面上进行堆积；根据布料制度设置溜槽的倾角和旋转角速度，根据一批炉料的总量再设置颗粒数量，最后根据力学方程进行仿真计算，得到一次布料后的高炉料面形状三维仿真图，读取一个切面上的料面高度信息，将拟合料面函数曲线和采用机理法推导得出高炉布料过程料面模型函数加权整合，来校正料面形状函数；

1.5、得到新的料面形状函数作为输出结果并反馈作为下一次的原始料面。

2.根据权利1所述的一种多信息融合的高炉布料过程料面形状建模方法，其特征在于：所述采用支持向量回归(SVR)方法对料面高度散点进行拟合得到料面函数曲线，该方法具体内容包括：

建立非线性支持向量机，这时的判别函数与样本特征是非线性函数关系；以下面的二次判别函数为例：

g(x)＝c₀+c₁x+c₂x²＝[c₀,c₁,c₂]^T[1,x,x²]＝c^Ty (5)

该判别函数是特征x的非线性函数，但却是特征向量y的线性函数；

非线性支持向量机就是采用引入非线性特征变换来将原空间中的非线性问题转化为新空间的线性问题，通过这种变换实现非线性分类；如果对特征x引入非线性变换得新特征则新的特征空间决策函数为：

相应的优化问题为：

$\begin{array}{c}\begin{array}{cc}s.t.& \underset{i=1}{\overset{N}{\&Sigma;}}{y}_i{\mathrm{\&alpha;}}_i=0\end{array}\\ 0\&le;{\mathrm{\&alpha;}}_i\&le;C,i=1,2,\mathrm{...},N\end{array}---\left(7\right)$

记：

则支持向量变为：

$f\left(x\right)=\underset{i=1}{\overset{N}{\&Sigma;}}{\mathrm{\&alpha;}}_i{y}_{i}K(x_i\&CenterDot;x)+b---\left(9\right)$

不论所生成的变换空间的维数多高，这个空间里的线性支持向量机求解都可以在原空间通过核函数K(x_i,x_j)进行，这样就避免了高维空间里的计算，而且计算核函数K(x_i,x_j)的复杂度与计算内积并没有实质性的增加，只要知道核函数，没有必要知道的具体形式；

读取现场测量数据，进行训练；

在非线性情况下，支持向量回归的拟合函数形式为：

$f\left(x\right)=(w\&CenterDot;x)+b=\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&beta;}}_{i}K(x,x_i)+b^{*}---\left(10\right)$

其中β_i是以下优化问题的解：

$\begin{array}{c}\underset{\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*}}{\max }W(\mathrm{\&alpha;},{\mathrm{\&alpha;}}^{*})=-\mathrm{\&epsiv;}\underset{i=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i^{*}+{\mathrm{\&alpha;}}_i)+\underset{i=1}{\overset{l}{\&Sigma;}}{y}_i({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)\\ -\frac{1}{2}\underset{i,j=1}{\overset{l}{\&Sigma;}}({\mathrm{\&alpha;}}_i^{*}-{\mathrm{\&alpha;}}_i)({\mathrm{\&alpha;}}_j^{*}-{\mathrm{\&alpha;}}_j)K(x_i,x_i)\\ \begin{array}{cc}s.t.& \underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i^{*}=\underset{i=1}{\overset{l}{\&Sigma;}}{\mathrm{\&alpha;}}_i\\ & 0\&le;{\mathrm{\&alpha;}}_i^{*}\&le;C,i=1,2,\mathrm{...},l\\ & 0\&le;{\mathrm{\&alpha;}}_i\&le;C,i=1,2,\mathrm{...},l\end{array}\end{array}---\left(11\right)$

利用SVR算法进行数据拟合，得到料面函数曲线。

3.根据权利1所述的一种多信息融合的高炉布料过程料面形状建模方法，其特征在于：所述建立布料方程的步骤包括如下内容：

设炉料从导料管落入以ω速度旋转的溜槽，一块炉料质量为m、重量为Q，进入溜槽烟溜槽方向初速度为v₀(m/s)，炉料在溜槽某点的速度为v(m/s)，炉料在溜槽末端速度为v₁(m/s)，炉料与溜槽的摩擦系数为μ,溜槽倾角为β，溜槽旋转角速度为ω，溜槽长度为l，炉料在溜槽上受到的力包括：

(1)重力：

G＝mg (12)

(2)惯性离心力:

F＝4π²ω²lmcos(β) (13)

(3)溜槽对炉料的反作用力:

N＝mg cosβ-4π²ω²lm cosβsinβ (14)

(4)炉料与溜槽之间的摩擦力:

F_f＝μm cosβ(g-4π²ω²l sinβ) (15)

(5)惯性科氏力:

F_k＝4πωυlm cos²β (16)

所以受力总和为：

∑F＝(sinβ-μcosβ)+4π²lm cosβ(cosβ+μsinβ) (17)

因为:

$\mathrm{\&Sigma;}F=m\&CenterDot;\frac{dv}{dt}=m\frac{dv}{dl}\&CenterDot;\frac{dl}{dt}=mv\&CenterDot;\frac{dv}{dl}---\left(18\right)$

所以得到离开溜槽时的速度为：

${\mathrm{\&upsi;}}_1=\sqrt{2{\mathrm{gl}}_0(sin\mathrm{\&beta;}-\mathrm{\&mu;}cos\mathrm{\&beta;})+4{\mathrm{\&pi;}}^2{\mathrm{\&omega;}}^2{l}_0^{2}cos\mathrm{\&beta;}+\mathrm{\&mu;}sin\mathrm{\&beta;}+{\mathrm{\&upsi;}}_0}---\left(19\right)$

炉料在炉喉空区内运动受到炉内煤气流产生的向上的阻力P：

$P=ks\frac{{\mathrm{\&gamma;\&upsi;}}^2}{2g}---\left(20\right)$

其中,k—流体阻力系数；γ—气体密度；s—炉料最大横截面积；

炉料在空区内下降所用的时间为t₂，根据抛物体运动方程可以得到方程组

$t_2=\frac{L_x}{v_{1}cos\mathrm{\&beta;}}---\left(21\right)$

$h=L_{x}tan\mathrm{\&beta;}+\frac{G-P}{2{\mathrm{mv}}_1^2{\cos }^2\mathrm{\&beta;}}{L}_x^2+l_0(1-sin\mathrm{\&beta;})---\left(22\right)$

其中h表示料线深度，可以由料尺测量得到，L_x可以表示为：

$L_x=\frac{{\mathrm{mv}}_1^2{\cos }^2\mathrm{\&beta;}}{G-P}\{\sqrt{{\tan }^2\mathrm{\&beta;}+\frac{2(G-P)}{{\mathrm{mv}}_1^2{\cos }^2\mathrm{\&beta;}}\&lsqb;l_0(1-sin\mathrm{\&beta;}+h)\&rsqb;}-tan\mathrm{\&beta;}\}---\left(23\right)$

综上炉料落点位置与高炉中心点水平距离表达式：

$n=\sqrt{{l_0}^2{\cos }^2\mathrm{\&beta;}+2l_0{\mathrm{cos\&beta;L}}_x+L_x^2(1+\frac{4{\mathrm{\&pi;}}^2{\mathrm{\&omega;}}^2{l}_0^2}{{\mathrm{\&upsi;}}_1^2})}---\left(24\right)$

确定参数炉料落点位置就是n。

4.根据权利1所述的一种多信息融合的高炉布料过程料面形状建模方法，其特征在于：所述基于离散元法的仿真结果进行料面形状校正，其校正方法内容包括如下步骤：

步骤1、前处理:首先按照炉料的形状建立炉料的三维模型，并设置其物理特性和材料属性；设置颗粒方案，颗粒生成的数量要和批料的质量相关；使用3D绘图软件绘制高炉几何模型，并导入到仿真系统中，设置高炉模型的材料和物理属性；

步骤2、设置颗粒之间的作用力关系；

颗粒之间的作用力方程：

颗粒体之间平移运动接触模型：

$m\frac{dv}{dt}={\mathrm{\&Sigma;F}}_n=\underset{j\&NotEqual;i}{\overset{N_c}{\&Sigma;}}{F}_c+F_g---\left(25\right)$

其中，m为颗粒质量；v为颗粒运动速度；Fn为受到的合外力；Fc为其法向量及处理；F_g为颗粒变形产生的阻尼力；

颗粒体之间旋转运动接触模型：

$I\frac{dw}{dt}={\mathrm{\&Sigma;F}}_s=r_p\underset{j\&NotEqual;i}{\overset{N_c}{\&Sigma;}}(F_{cs}-F_r)---\left(26\right)$

其中I为转动惯量；w为旋转角速度；F_s为转动产生的合外力；r为颗粒的半径；F_cs为其他颗粒所产生的旋转摩擦力；F_r为阻尼力；

步骤3、后处理：运行3D动画演示和动态跟踪，完成布料后会得到相应料面形状；然后根据高度生成图表，提取高度数据绘制料面形状曲线；

步骤4、修改相应的条件：溜槽倾角、旋转角速度，炉料质量和炉料种类，进行下次实验仿真。