CN106096637A - 基于Elman‑Adaboost强预测器的铁水硅含量预测方法 - Google Patents

Abstract

本发明公开了一种基于Elman‑Adaboost强预测器的铁水硅含量预测方法，属于工业过程监控、建模和仿真领域。首先，选择合适的输入变量，归一化后作为K个弱预测器的输入；其次，确定训练样本的初始权值；然后，分别进行K个弱预测器的训练，并根据其训练结果更新样本的权值，反复训练；最后，计算弱预测器的权重，融合多个弱预测器以得到强预测器的预测结果。高炉炼铁过程的动态性使铁水硅含量的预测精度不高，本发明针对这一问题，选择动态性能较好的Elman神经网络作为弱预测器，并通过Adaboost算法融合多个弱预测器以得到Elman‑Adaboost强预测器，该模型应用于硅含量的预测研究尚属空白。本发明相比现有方法对于铁水硅含量的预测具有更高的精度。

Description

基于Elman-Adaboost强预测器的铁水硅含量预测方法

技术领域

本发明属于工业过程监控、建模和仿真领域，特别涉及一种基于Elman-Adaboost强预测器的铁水硅含量预测方法。

背景技术

钢铁工业的生产水平是衡量一个国家工业自动化程度的标准之一，而高炉炼铁是钢铁工业中的核心单元操作。高炉炼铁是将铁矿石还原成铁的过程，具有时变、非线性、多尺度和动态性等特征。铁水中的硅含量是反映生铁质量和生产过程热状态的一个重要变量，硅含量高预示着炉内焦炭剩余，硅含量低预示着炉内能量储备耗尽。较低的硅含量不仅能使生铁质量稳定，节省能量，而且能避免冷却炉床时产生炉缸冻结，所以应控制硅含量在一个较低的范围内平稳波动。但是由于高炉内变量的复杂时空分布与物理化学反应，高炉内高温、高压与腐蚀性的环境以及高炉结构的封闭性，很难直接测量出铁水中的硅含量。

因此，许多学者致力于硅含量的软测量方法，即对硅含量建立数学模型，通过容易测量的量间接预测硅含量。研究初期，大多学者通过建立机理模型(白箱模型)来预测硅含量，但是由于机理模型建立在大量假设与简化的前提下，其预测精度不高。随着计算机软硬件和传感器技术的发展，基于数据驱动的黑箱模型受到了广泛的关注。工业大数据时代为黑箱建模提供了海量的数据，黑箱建模不需要了解过程的机理而完全通过数据来捕捉过程变量间错综复杂的关系。用于硅含量预测的数据驱动方法主要有支持向量机、模糊逻辑、Wiener模型、混沌模型和神经网络。

神经网络由于其通用的拟合非线性函数的能力被广泛用于建立预测硅含量的数据驱动黑箱模型上。BP神经网络因其强大的学习能力以及简单的结构成为神经网络中应用最广泛的模型之一。但是BP神经网络为前馈型网络，其动态性能较差，而Elman神经网络是一种反馈型网络，比起BP神经网络多了一个特殊的结构节点，该结构节点用来记忆隐层单元以前的输出值，能够表达输入与输出间的时间延迟，因此具有良好的动态性能。

Boosting算法最早由Schapire提出，但该算法要求弱学习算法学习正确的下限必须已知。随后，Freund和Schapire改进了该算法，提出了Adaboost算法。Adaboost算法不需要有关弱学习算法的下限，所以在实际问题中得到广泛应用。Adaboost算法被较多地应用于分类问题上，而在回归问题上的研究较少。近年来较多学者将BP-Adaboost强预测器模型应用于回归问题上，这些研究大都将BP神经网络选为弱预测器，而BP神经网络属于静态网络，不能有效反映输入与输出数据间的动态性。

虽然Elman神经网络在高炉铁水硅含量的预测上有所应用，但Elman-Adaboost强预测器模型应用于高炉铁水硅含量的预测研究尚属空白；而Elman-Adaboost强预测器模型在目标威胁估计上有所应用，但两种研究领域差别较大。因此，Elman-Adaboost强预测器模型为高炉铁水硅含量的预测提供了一种新的方法。

发明内容

本发明的目的在针对现有技术的不足，提供一种基于Elman-Adaboost强预测器的铁水硅含量预测方法。该方法选择Elman神经网络作为弱预测器，然后利用Adaboost算法融合多个弱预测器的结果以产生强预测器的结果,得到基于Elman-Adaboost强预测器的硅含量预测模型，其方法简单，计算效率高，预测精度高，符合工程实际的要求。因此，本方法在解决高炉炼铁过程存在的复杂动态性时具有很大的优势，可以对铁水硅含量实现有效的预测。

一种基于Elman-Adaboost强预测器的铁水硅含量预测方法，该方法的步骤如下：

步骤一：训练样本及归一化，选择输入变量及其时滞，进行归一化处理后，将其作为K个Elman神经网络弱预测器的输入，K为自然数；

步骤二：初始化，随机选择m组为训练样本，n组为测试样本，确定训练样本的初始权值；

步骤三：弱预测器预测，分别进行K个弱预测器的训练，并根据其训练结果更新样本的权值，反复训练；

步骤四：强预测器预测，确定弱预测器的权重，融合多个弱预测器以得到强预测器的预测结果。

步骤一所述的训练样本及归一化过程如下：

1)选择炉顶压力、透气性、喷煤、富氧率、炉顶温度、压差、料批、热风压力、热风温度、热风流量、热风湿度和前一炉硅含量这12个变量作为Elman神经网络的输入，所述的12个变量以j表示；

2)选择透气性、喷煤、富氧率、热风温度和热风流量的滞后步数分别为3、3、1、2、1，即所实现的非线性模型为：

$\begin{array}{c}y\left(t\right)=f\[x_1\left(t\right),x_2(t-3),x_3(t-3),x_4(t-1),x_5\left(t\right),x_6\left(t\right),\\ x_7\left(t\right),x_8\left(t\right),x_9(t-2),x_{10}(t-1),x_{11}\left(t\right),x_{12}\left(t\right)\]\end{array}---\left(1.1\right)$

式中，x_j(t)代表输入变量，y(t)为输出的硅含量，f(·)为非线性函数；

3)对数据进行归一化处理，以统一数值较大的变量与数值较小的变量变化对输出影响的不平衡性：

$\stackrel{\‾}{x_j}=\frac{x_j-min\left(x_j\right)}{max\left(x_j\right)-min\left(x_j\right)},j=1,2,...12---\left(1.2\right)$

式中，x_j为归一化处理前的变量，为归一化后的变量，max(x_j)为x_j中的最大值，min(x_j)为x_j中的最小值，处理后，将其作为K个Elman神经网络弱预测器的输入。

步骤二所述的网络初始化，初始训练样本的权值为：

$D_i\left(t\right)=\frac{1}{m},i=1,2,...,m;t=1,2,...K---\left(2.1\right)$

式中，D_i(t)为训练第t个Elman神经网络时的第i个样本的权值。

步骤三所述的弱预测器预测过程如下：

1)训练第t个弱预测器时，用训练数据训练弱预测器并预测训练数据的输出，得到弱预测器预测误差e_i(t)；

2)更新样本权值：

$D_i(t+1)=\left\{\begin{array}{c}1.1D_i\left(t\right),e_i\left(t\right)>\mathrm{\θ}\\ D_i\left(t\right),e_i\left(t\right)\≤\mathrm{\θ}\end{array}\right.---\left(3.1\right)$

式中，θ为预先设定的值，使误差较大的训练个体权重较大，下一次迭代更加关注这些训练个体，更新后需对权值进行归一化处理，使权重不变下分布权值和为1。

步骤四所述的强预测器预测过程如下：

1)弱预测器权重a(t)：

$a\left(t\right)=\frac{1}{2}/e^{\left|E\left(t\right)\right|}---\left(4.1\right)$

$E\left(t\right)=\underset{i=1}{\overset{m}{\Σ}}{e}_i\left(t\right)---\left(4.2\right)$

式中，E(t)为m个样本的训练误差和，同样需对a(t)做归一化处理；

2)使用测试样本进行预测得到K个弱预测器的输出y(t)，则强预测器的输出Y为：

$Y=\underset{t=1}{\overset{K}{\Σ}}a\left(t\right)y\left(t\right)---\left(4.3\right).$

适用于具有复杂动态性的高炉炼铁过程中的铁水硅含量预测。

本发明有以下优势：

1.本发明针对高炉炼铁过程的动态性导致铁水硅含量现有预测方法精度较低的问题，提出一种基于Elman-Adaboost强预测器的铁水硅含量预测方法。与其它现有的方法相比，本发明充分考虑了高炉炼铁的动态性，预测精度高。Elman-Adaboost强预测器模型在铁水硅含量的预测研究中尚属空白，说明在众多复杂的预测方法中选择Elman-Adaboost强预测器模型并将其应用到高炉铁水硅含量的预测中并非容易想到并容易实现的；

2.本发明与改进型EMD-Elman神经网络预测铁水硅含量的方法相比，都使用了Elman神经网络，但本发明结合了Adaboost算法，方法较简单，计算效率更高，预测精度更高。因此，本方法在解决高炉炼铁过程存在的复杂动态性时具有较大的优势，可以对铁水硅含量实现有效的预测。

附图说明

图1是本发明方法的流程框图；

图2是BP神经网络的结构示意图；

图3是Elman神经网络的结构示意图；

图4是高炉炼铁过程图；

图5是本发明方法对硅含量预测的结果。

具体实施方式

本发明提出的一种基于Elman-Adaboost强预测器的铁水硅含量预测方法，其流程框图如图1所示，包括以下各步骤：

步骤一所述的输入变量及预处理过程如下：

1)由于高炉内机理复杂，许多变量与硅含量的变化有因果关系，故选择炉顶压力、透气性、喷煤、富氧率、炉顶温度、压差、料批、热风压力、热风温度、热风流量、热风湿度和前一炉硅含量这12个变量作为Elman神经网络的输入，所述的12个变量以j表示；

2)由于高炉内具有多尺度效应，不同聚相的物质在高炉内的滞留时间不同，当前时刻的输入变量并非影响当前时刻的硅含量，实验后选择透气性、喷煤、富氧率、热风温度和热风流量的滞后步数分别为3、3、1、2、1，即所实现的非线性模型为：

$\begin{array}{c}y\left(t\right)=f\[x_1\left(t\right),x_2(t-3),x_3(t-3),x_4(t-1),x_5\left(t\right),x_6\left(t\right),\\ x_7\left(t\right),x_8\left(t\right),x_9(t-2),x_{10}(t-1),x_{11}\left(t\right),x_{12}\left(t\right)\]\end{array}---\left(1.1\right)$

式中，x_j(t)代表输入变量，y(t)为输出的硅含量，f(·)为非线性函数；

3)由于原始输入数据单位各异，数量级不同，若直接输入神经网络将导致数值大的输入变量的变化对输出的影响大而数值小的输入变量的变化影响小，为统一这种不平衡性对数据进行归一化处理：

$\stackrel{\‾}{x_j}=\frac{x_j-min\left(x_j\right)}{\max \left(x_j\right)-min\left(x_j\right)},j=1,2,...12---\left(1.2\right)$

式中，x_j为归一化处理前的变量，为归一化后的变量，max(x_j)为x_j中的最大值，min(x_j)为x_j中的最小值，处理后，将其作为K个Elman神经网络弱预测器的输入。

Elman神经网络是一种反馈型网络，BP神经网络和Elman神经网络的结构示意图分别如图2和图3所示。比起BP神经网络多了一个特殊的结构节点，该结构节点用来记忆隐层单元以前的输出值，能够表达输入与输出间的时间延迟，因此具有良好的动态性能，其数学模型为：

x(t)＝f₁[w^Hx(t-1)+w¹u(t-1)] (1.3)

y(t)＝f₂[w²x(t)] (1.4)

式中，u(t)为输入层节点的输出，x(t)为隐层节点的输出，x(t-1)为反馈层节点的输出，y(t)为输出层节点的输出，w¹为输入层节点到隐层节点的权值矩阵，w^H为反馈层节点到隐层节点的权值矩阵，w²为隐层节点到输出层节点的权值矩阵，f₁(·)和f₂(·)分别为隐层和输出层的传递函数,分别选取双曲正切传递函数和线性传递函数，网络的训练算法选取反向传播算法；

步骤二所述的网络初始化，初始训练样本的权值为：

$D_i\left(t\right)=\frac{1}{m},i=1,2,...,m;t=1,2,...K---\left(2.1\right)$

式中，D_i(t)为训练第t个Elman神经网络时的第i个样本的权值。

步骤三所述的弱预测器预测过程如下：

1)训练第t个弱预测器时，用训练数据训练弱预测器并预测训练数据的输出，得到弱预测器预测误差e_i(t)；

2)更新样本权值：

$D_i(t+1)=\left\{\begin{array}{c}1.1D_i\left(t\right),e_i\left(t\right)>\mathrm{\θ}\\ D_i\left(t\right),e_i\left(t\right)\≤\mathrm{\θ}\end{array}\right.---\left(3.1\right)$

式中，θ为预先设定的值，使误差较大的训练个体权重较大，下一次迭代更加关注这些训练个体，更新后需对权值进行归一化处理，使权重不变下分布权值和为1。

步骤四所述的强预测器预测过程如下：

1)弱预测器权重a(t)：

$a\left(t\right)=\frac{1}{2}/e^{\left|E\left(t\right)\right|}---\left(4.1\right)$

$E\left(t\right)=\underset{i=1}{\overset{m}{\Σ}}{e}_i\left(t\right)---\left(4.2\right)$

式中，E(t)为m个样本的训练误差和，同样需对a(t)做归一化处理；

2)使用测试样本进行预测得到K个弱预测器的输出y(t)，则强预测器的输出Y为：

$Y=\underset{t=1}{\overset{K}{\Σ}}a\left(t\right)y\left(t\right)---\left(4.3\right).$

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

实施例

高炉炼铁是将铁矿石还原成铁的过程，具有时变、非线性、多尺度和动态性等特征。铁水中的硅含量是反映生铁质量和生产过程热状态的一个重要变量，硅含量高预示着炉内焦炭剩余，硅含量低预示着炉内能量储备耗尽。较低的硅含量不仅能使生铁质量稳定，节省能量，而且能避免冷却炉床时产生炉缸冻结，所以应控制硅含量在一个较低的范围内平稳波动。但是由于高炉内变量的复杂时空分布与物理化学反应，高炉内高温、高压与腐蚀性的环境以及高炉结构的封闭性，很难直接测量出铁水中的硅含量。

高炉炼铁过程如图4所示。由高炉炼铁过程可以看出，炉料的下行与热煤气的上行，不同聚相物质的进料与出料，不同系统的启停等都造成了高炉内部复杂的动态特性，使对其硅含量的预测建模存在很大的难度。因此，我们提出的方法对高炉的铁水硅含量预测具有适应性。下面结合柳钢2号高炉现场采集200炉铁水硅含量的数据来说明本发明方法的有效性。

接下来结合该具体过程对本发明的实施步骤进行详细地阐述：

步骤一所述的输入变量及预处理过程如下：

1)由于高炉内机理复杂，许多变量与硅含量的变化有因果关系，故选择炉顶压力、透气性、喷煤、富氧率、炉顶温度、压差、料批、热风压力、热风温度、热风流量、热风湿度和前一炉硅含量这12个变量作为Elman神经网络的输入，所述的12个变量以j表示；

2)由于高炉内具有多尺度效应，不同聚相的物质在高炉内的滞留时间不同，当前时刻的输入变量并非影响当前时刻的硅含量，实验后选择透气性、喷煤、富氧率、热风温度和热风流量的滞后步数分别为3、3、1、2、1，即所实现的非线性模型为：

$\begin{array}{c}y\left(t\right)=f\[x_1\left(t\right),x_2(t-3),x_3(t-3),x_4(t-1),x_5\left(t\right),x_6\left(t\right),\\ x_7\left(t\right),x_8\left(t\right),x_9(t-2),x_{10}(t-1),x_{11}\left(t\right),x_{12}\left(t\right)\]\end{array}---\left(1.1\right)$

式中，x_j(t)代表输入变量，y(t)为输出的硅含量，f(·)为非线性函数；

3)由于原始输入数据单位各异，数量级不同，若直接输入神经网络将导致数值大的输入变量的变化对输出的影响大而数值小的输入变量的变化影响小，为统一这种不平衡性对数据进行归一化处理：

$\stackrel{\‾}{x_j}=\frac{x_j-min\left(x_j\right)}{max\left(x_j\right)-min\left(x_j\right)},j=1,2,...12---\left(1.2\right)$

式中，x_j为归一化处理前的变量，为归一化后的变量，max(x_j)为x_j中的最大值，min(x_j)为x_j中的最小值，处理后，将其作为K个Elman神经网络弱预测器的输入。

Elman神经网络是一种反馈型网络，BP神经网络和Elman神经网络的结构示意图分别如图2和图3所示。比起BP神经网络多了一个特殊的结构节点，该结构节点用来记忆隐层单元以前的输出值，能够表达输入与输出间的时间延迟，因此具有良好的动态性能，其数学模型为：

x(t)＝f₁[w^Hx(t-1)+w¹u(t-1)] (1.3)

y(t)＝f₂[w²x(t)] (1.4)

式中，u(t)为输入层节点的输出，x(t)为隐层节点的输出，x(t-1)为反馈层节点的输出，y(t)为输出层节点的输出，w¹为输入层节点到隐层节点的权值矩阵，w^H为反馈层节点到隐层节点的权值矩阵，w²为隐层节点到输出层节点的权值矩阵，f₁(·)和f₂(·)分别为隐层和输出层的传递函数，分别选取双曲正切传递函数和线性传递函数，网络的训练算法选取反向传播算法；

步骤二所述的网络初始化，初始训练样本的权值为：

$D_i\left(t\right)=\frac{1}{m},i=1,2,...,m;t=1,2,...K---\left(2.1\right)$

式中，D_i(t)为训练第t个Elman神经网络时的第i个样本的权值。

步骤三所述的弱预测器预测过程如下：

1)训练第t个弱预测器时，用训练数据训练弱预测器并预测训练数据的输出，得到弱预测器预测误差e_i(t)；

2)更新样本权值：

$D_i(t+1)=\left\{\begin{array}{c}1.1D_i\left(t\right),e_i\left(t\right)>\mathrm{\θ}\\ D_i\left(t\right),e_i\left(t\right)\≤\mathrm{\θ}\end{array}\right.---\left(3.1\right)$

式中，θ为预先设定的值，本实验中取为0.05。更新权值使误差较大的训练个体权重较大，下一次迭代更加关注这些训练个体，更新后需对权值进行归一化处理，使权重不变下分布权值和为1；

步骤四所述的强预测器预测过程如下：

1)弱预测器权重a(t)：

$a\left(t\right)=\frac{1}{2}/e^{\left|E\left(t\right)\right|}---\left(4.1\right)$

$E\left(t\right)=\underset{i=1}{\overset{m}{\Σ}}{e}_i\left(t\right)---\left(4.2\right)$

式中，E(t)为m个样本的训练误差和，同样需对a(t)做归一化处理；

2)使用测试样本进行预测得到K个弱预测器的输出y(t)，则强预测器的输出Y为：

$Y=\underset{t=1}{\overset{K}{\Σ}}a\left(t\right)y\left(t\right)---\left(4.3\right).$

在200炉铁水硅含量的数据中，随机选取150炉数据作为训练样本，50炉作为测试样本。选择预测命中率J和误差均方值MSE两个指标来比较预测精度的高低：

$J=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{H}_i\×100\%---\left(5\right)$

式中，为y_i的预测值，均为归一化后的值，H_i为Heaviside函数。预测命中率J和误差均方值MSE是冶金生产中用来衡量模型优劣的重要指标。J越大，MSE越小，预测精度越高。

通过反复实验，不断优化参数的取值，使预测精度进一步提高。发现当Elman神经网络的隐层节点数为5，弱预测器个数K＝10时，平均命中率为94.8％，误差均方值为0.00272，预测效果如图5所示。与改进型EMD-Elman神经网络预测铁水硅含量的方法相比：

1)本发明方法较简单，更易理解；

2)本发明选用200炉铁水硅含量的数据，而后者选用了1000炉数据，使用更少的训练样本和测试样本，占用更少的内存空间，计算效率更高，有利于大数据的分析，同时防止了神经网络训练时的过拟合；

3)本发明的平均命中率为94.8％，后者的命中率为93.78％，相比后者具有较高的预测精度。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.一种基于Elman-Adaboost强预测器的铁水硅含量预测方法，其特征在于，该方法的步骤如下：

步骤一：训练样本及归一化，选择输入变量及其时滞，进行归一化处理后，将其作为K个Elman神经网络弱预测器的输入，K为自然数；

步骤二：初始化，随机选择m组为训练样本，n组为测试样本，确定训练样本的初始权值；

步骤三：弱预测器预测，分别进行K个弱预测器的训练，并根据其训练结果更新样本的权值，反复训练；

步骤四：强预测器预测，确定弱预测器的权重，融合多个弱预测器以得到强预测器的预测结果。

2.根据权利要求1所述的方法，其特征在于，步骤一所述的训练样本及归一化过程如下：

1)选择炉顶压力、透气性、喷煤、富氧率、炉顶温度、压差、料批、热风压力、热风温度、热风流量、热风湿度和前一炉硅含量这12个变量作为Elman神经网络的输入，所述12个变量以j表示；

2)选择透气性、喷煤、富氧率、热风温度和热风流量的滞后步数分别为3、3、1、2、1，即所实现的非线性模型为：

$\begin{array}{c}y\left(t\right)=f\[x_1\left(t\right),x_2(t-3),x_3(t-3),x_4(t-1),x_5\left(t\right),x_6\left(t\right),\\ x_7\left(t\right),x_8\left(t\right),x_9(t-2),x_{10}(t-1),x_{11}\left(t\right),x_{12}\left(t\right)\]\end{array}---\left(1.1\right)$

式中，x_j(t)代表输入变量，y(t)为输出的硅含量，f(·)为非线性函数；

3)对数据进行归一化处理，以统一数值较大的变量与数值较小的变量变化对输出影响的不平衡性：

$\stackrel{\‾}{x_j}=\frac{x_j-min\left(x_j\right)}{max\left(x_j\right)-min\left(x_j\right)},j=1,2,...12---\left(1.2\right)$

式中，x_j为归一化处理前的变量，为归一化后的变量，max(x_j)为x_j中的最大值，min(x_j)为x_j中的最小值，处理后，将其作为K个Elman神经网络弱预测器的输入。

3.根据权利要求1所述的方法，其特征在于，步骤二所述的网络初始化初始训练样本的权值为：

$D_i\left(t\right)=\frac{1}{m},i=1,2,...,m;t=1,2,...K---\left(2.1\right)$

式中，D_i(t)为训练第t个Elman神经网络时的第i个样本的权值。

4.根据权利要求3所述的方法，其特征在于，步骤三所述的弱预测器预测过程如下：

1)训练第t个弱预测器时，用训练数据训练弱预测器并预测训练数据的输出，得到弱预测器预测误差e_i(t)；

2)更新样本权值：

$D_i(t+1)=\left\{\begin{array}{c}1.1D_i\left(t\right),e_i\left(t\right)>\mathrm{\θ}\\ D_i\left(t\right),e_i\left(t\right)\≤\mathrm{\θ}\end{array}\right.---\left(3.1\right)$

式中，θ为预先设定的值，使误差较大的训练个体权重较大，下一次迭代更加关注这些训练个体，更新后需对权值进行归一化处理，使权重不变下分布权值和为1。

5.根据权利要求4所述的方法，其特征在于，步骤四所述的强预测器预测过程如下：

1)弱预测器权重a(t)：

$a\left(t\right)=\frac{1}{2}/e^{\left|E\left(t\right)\right|}---\left(4.1\right)$

$E\left(t\right)=\underset{i=1}{\overset{m}{\Σ}}{e}_i\left(t\right)---\left(4.2\right)$

式中，E(t)为m个样本的训练误差和，同样需对a(t)做归一化处理；

2)使用测试样本进行预测得到K个弱预测器的输出y(t)，则强预测器的输出Y为：

$Y=\underset{t=1}{\overset{K}{\Σ}}a\left(t\right)y\left(t\right)---\left(4.3\right).$

6.根据权利要求1所述的方法，其特征在于，适用于具有复杂动态性的高炉炼铁过程中的铁水硅含量预测。