CN107092743B - 基于规则辅助的高炉冶炼过程数据驱动建模方法 - Google Patents

基于规则辅助的高炉冶炼过程数据驱动建模方法 Download PDF

Info

Publication number
CN107092743B
CN107092743B CN201710246244.1A CN201710246244A CN107092743B CN 107092743 B CN107092743 B CN 107092743B CN 201710246244 A CN201710246244 A CN 201710246244A CN 107092743 B CN107092743 B CN 107092743B
Authority
CN
China
Prior art keywords
data
rule
prediction model
blast furnace
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710246244.1A
Other languages
English (en)
Other versions
CN107092743A (zh
Inventor
渐令
宋晓欣
高富豪
宋允全
梁锡军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Publication of CN107092743A publication Critical patent/CN107092743A/zh
Application granted granted Critical
Publication of CN107092743B publication Critical patent/CN107092743B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明涉及一种基于规则辅助的高炉冶炼过程数据驱动建模方法，通过收集、整理专家知识得到IF…THEN…规则，根据IF…THEN…规则将采集的原始数据转化为规则数据，利用多核学习算法整合多个专家知识得到基于规则的规则预测模型，并建立数据驱动预测模型，通过Sigmoid函数将规则预测模型和数据驱动预测模型的输出决策值转换为后验概率，并对数据驱动预测模型和规则预测模型进行集成，获得规则辅助的数据驱动模型。由于将专家知识、模糊规则等异质信息与数据驱动模型进行集成，与现有技术相比，本发明建模方法可以显著提高数据驱动模型的预测精度和可解释性，从而提高高炉冶炼过程采集数据的利用率。

Description

基于规则辅助的高炉冶炼过程数据驱动建模方法
技术领域
本发明属于数据挖掘与机器学习技术领域，涉及数据挖掘与数据处理方法，具体地说，涉及一种基于规则辅助的高炉冶炼过程数据驱动建模方法。
背景技术
数据驱动建模方法是当前的一个研究热点，学者们提出了大量数据驱动模型。数据驱动模型的应用范围非常广泛，涉及回归分析、聚类分析、分类问题、密度估计等诸多领域。其中，非线性模型凭借其强大的非线性逼近能力通常表现出较高的预测精度。然而，当前的非线性数据驱动模型仍存在以下两个亟待解决的主要问题：(1)无法有效整合专家知识、模糊规则等异质信息，导致无法进一步提升模型的精度；(2)缺乏可解释性，导致非线性数据驱动模型在许多对模型透明度较高的应用领域内使用受限。
近年来学者们针对非线性数据驱动模型存在的上述问题，开展了一系列试探性研究并取得初步研究成果。Jan与Jacek提出了一种从神经网络中提取规则的方法，该方法抽取的规则通过模拟网络背后的逻辑关系改进神经网络模型的推广能力。将先验知识融入非线性数据驱动模型则是另外一条有效途径。Maclin等人通过向SVMs优化问题加入不等式约束的方式合并先验知识到SVMs模型。更进一步，为了将非线性知识融入到非线性数据驱动模型中，Mangasarian等人借助理论分析将非线性先验知识转化为线性不等式约束。然而，上述方法都是针对具体算法设计的，无法实现规则知识与一般数据驱动模型的融合，导致这些数据驱动模型的精度低，可解释性差。
发明内容
本发明的目的在于针对LS-SVMs等现有数据驱动模型无法有效整合专家知识、模糊规则等多源异质数据导致精度无法进一步提高、数据驱动模型可解释性差等上述不足，提供了一种基于规则辅助的高炉冶炼过程数据驱动建模方法，该方法通过实现专家知识、模糊规则等信息与数据驱动模型的高效集成，进而提高数据驱动模型的精度和可解释性。
根据本发明一实施例，提供了一种基于规则辅助的高炉冶炼过程数据驱动建模方法，含有以下步骤：
(一)采集2000m3高炉冶炼过程实际数据，高炉实际采集数据具有时序特征，故在数据处理过程中保持数据先后顺序不变；采用如下数据处理方法
Figure GDA0002288948330000021
对采样数据进行预处理，其中
Figure GDA00022889483300000215
表示原始采集数据，
Figure GDA0002288948330000022
表示第j个特征的平均值，
Figure GDA0002288948330000023
表示第j个采集变量的标准差，将采集数据转换为无量纲数据，消除数据的数量级差异，将上述预处理后的数据转换为规则数据，其具体步骤为：
(1)收集并整理专家知识，利用决策树算法生成IF...THEN...规则：
Figure GDA0002288948330000024
Figure GDA0002288948330000025
；
(2)定义第k个样本点xk的第ip个特征
Figure GDA0002288948330000026
关于基本规则区间
Figure GDA0002288948330000027
的隶属度为：
Figure GDA0002288948330000028
其中，
Figure GDA0002288948330000029
Figure GDA00022889483300000210
(3)定义合取算子∧及析取算子V计算and-型规则及or-型规则对样本点xk的规则支持度为：
Figure GDA00022889483300000211
Figure GDA00022889483300000212
；
(4)利用规则支持度产生规则数据，规则数据表示为：
rk＝(r1(xk)，…，rm(xk))∈[0 1]m (6)；
(二)采用多核学习算法融合多源规则数据集，其具体步骤为：
(1)选择高斯RBF函数作为核函数，利用步骤(一)产生的p组规则数据集
Figure GDA00022889483300000213
Figure GDA00022889483300000214
分别产生核矩阵K1，…，Kp；
(2)利用面向LS-SVMs的l2多核学习算法对p组规则数据进行融合：
Figure GDA0002288948330000031
s.t.||μ||≤1，
μi≥0，i＝1，…，p+1，
Figure GDA0002288948330000032
Figure GDA0002288948330000033
其中fi(α)＝αTKiα，i＝1，…，p+1，
求解上述融合的优化问题，得到LS-SVMs模型正则化参数v＝μp+1及最优核矩阵系数μi(i＝1，…，p)，进而获得进行数据融合的规则核矩阵
Figure GDA0002288948330000034
(三)建立数据驱动预测模型，其具体步骤为：
利用LS-SVMs建立数据驱动模型为：
Figure GDA0002288948330000035
Figure GDA0002288948330000036
其中，w为分类超平面的法向量，b为分类超平面的截距项，ei为误差项，v≥0为模型正则化参数，
Figure GDA0002288948330000037
表示特征映射，通过指定核函数的方式隐式确定；
通过求解上述数据驱动模型的KKT系统
Figure GDA0002288948330000038
得到数据驱动预测模型为：
Figure GDA0002288948330000039
；
(四)建立规则预测模型，其具体步骤为：将步骤(二)中的得到LS-SVMs模型正则化参数v以及规则核矩阵KR代入LS-SVMs模型的KKT系统
Figure GDA00022889483300000310
求解公式(11)表示的KKT系统得到规则预测模型：
Figure GDA00022889483300000311
Figure GDA0002288948330000041
(五)采用Sigmoid函数拟合将步骤(四)中规则预测模型的输出转换为后验概率，其具体步骤为：通过拟牛顿算法求解优化问题：
Figure GDA0002288948330000042
其中
Figure GDA0002288948330000043
N+/N-分别为正/负类样本点个数；
得到Sigmoid函数的最优拟合参数A和B，进而将规则预测模型的输出决策值转化为后验概率进行输出，后验概率表示为：
Figure GDA0002288948330000044
；
(六)通过后验概率集成数据驱动预测模型和规则预测模型，建立规则辅助的数据驱动模型，其具体步骤为：通过步骤(五)分别拟合出数据驱动预测模型和规则预测模型的Sigmoid函数的最优拟合参数，将数据驱动预测模型和规则预测模型的决策值转换为后验概率PD和PR，并对数据驱动预测模型和规则预测模型进行集成，获得规则辅助的数据驱动模型为：
Figure GDA0002288948330000045
。
优选的，所述高炉冶炼过程实际数据包括控制参数和状态参数，所述控制参数包括喷煤量、风量、风温以及富氧量，所述状态参数包括高炉铁水硅含量、凸台温差、冶炼强度、透气性指数、料速、顶风压力以及炉渣碱度；以高炉铁水硅含量作为高炉炉温的表征，并选取其为规则辅助的数据驱动模型的输出变量，通过对高炉铁水硅含量进行一阶差分处理和符号函数的复合运算得到二元趋势变量yi＝sign([Si]i-[Si]i-1)，其中，y∈{1，-1}，1对应炉温升高的趋势，-1对应炉温下降的趋势，[Si]i表示第i炉的高炉铁水硅含量实际采集数据；选择高炉冶炼过程实际数据除高炉铁水硅含量外的其他参数为规则辅助的数据驱动模型输入变量x＝(x1，…，xd)，并对输入变量进行预处理。
优选的，步骤采用Sigmoid函数拟合将步骤(三)中数据驱动预测模型的输出转换为后验概率，其具体步骤为：通过拟牛顿算法求解优化问题：
Figure GDA0002288948330000051
其中
Figure GDA0002288948330000052
N+/N-分别为正/负类样本点个数；
得到Sigmoid函数的最优拟合参数A和B，进而将数据驱动预测模型的输出决策值转化为后验概率进行输出，后验概率表示为：
Figure GDA0002288948330000053
。
本发明提出的基于规则辅助的高炉冶炼过程数据驱动建模方法，选取高炉铁水硅含量([Si]，又称为高炉化学温度)作为模型输出变量，通过对采样[Si]数据的一阶差分和符号函数复合运算得到二值型输出变量，进而可建立高炉炉温趋势预报模型。通过收集、整理专家知识得到IF…THEN…规则，根据IF…THEN…规则将采集的原始采集数据转化为规则数据，能有效抑制工业噪声、异常数据的影响，利用多核学习算法整合多个专家知识得到基于规则的规则预测模型，并建立数据驱动预测模型，通过Sigmoid函数将规则预测模型和数据驱动预测模型的输出决策值转换为后验概率，并对数据驱动预测模型和规则预测模型进行集成，获得规则辅助的数据驱动模型。通过根据本发明实施例的基于规则辅助的高炉冶炼过程数据驱动建模方法建立的数据驱动模型，由于将专家知识、模糊规则等异质信息与数据驱动模型进行集成，与现有技术相比，本发明建模方法建立的数据驱动模型的预测精度和可解释性得到显著提高，从而提高高炉冶炼过程采集数据的利用率。
附图说明
附图1为本发明具体实施例规则辅助的数据驱动建模的流程框图。
附图2a-d分别为本发明实施例CART算法产生的T1，T2，T3，T4四种决策规则图。
附图3为本发明实施例三种模型在国内某高炉冶炼过程数据上的预测效果图。
具体实施方式
以下结合附图对本发明实施例作进一步说明。
以国内某2000m3高炉冶炼过程实际采集数据为例。参见图1，一种基于规则辅助的高炉冶炼过程数据驱动建模方法，含有以下步骤：
(一)采集2000m3高炉冶炼过程实际数据，高炉实际采集数据具有时序特征，故在数据处理过程中保持数据先后顺序不变；所述高炉冶炼过程实际数据包括控制参数和状态参数，所述控制参数包括喷煤量、风量、风温以及富氧量，所述状态参数包括高炉铁水硅含量、凸台温差、冶炼强度、透气性指数、料速、顶风压力以及炉渣碱度；以高炉铁水硅含量作为高炉炉温的表征，并选取其为规则辅助的数据驱动模型的输出变量，通过对高炉铁水硅含量进行一阶差分处理和符号函数的复合运算得到二元趋势变量yi＝sign([Si]i-[Si]i-1)，其中，y∈{1，-1}，1对应炉温升高的趋势，-1对应炉温下降的趋势，[Si]i表示第i炉的高炉铁水硅含量实际采集数据；选择高炉冶炼过程实际数据除高炉铁水硅含量外的其他参数为规则辅助的数据驱动模型输入变量x＝(x1，…，xd)，并对输入变量进行预处理；采用如下数据处理方法
Figure GDA0002288948330000061
对采样数据进行预处理，其中
Figure GDA0002288948330000068
表示原始采集数据，
Figure GDA0002288948330000062
表示第j个特征的平均值，
Figure GDA0002288948330000063
表示第j个采集变量的标准差，将采集数据转换为无量纲数据，消除数据的数量级差异，降低各输入变量在数量级上的差异对趋势预报器的性能所产生的影响。将上述预处理后的数据转换为规则数据，其具体步骤为：
(1)选择待处理数据集合，从中选取200个样本点构造集合DR，用于产生决策树规则；其余样本点构造集合DV，用于验证模型。使用bootstrap方式对DR抽样，然后应用决策树算法在抽样上产生决策树。本实施例中，决策树算法采用CART算法。上述步骤执行多次，直到产生4个不同的决策树T1，T2，T3，T4，参见图2a-d。
(2)将验证集合DR分成学习集和测试集，从DV中随机选取P％的样本构造测试集，其余样本构造学习集，其中P∈{10，15，…，85，90}，设学习集为{(x1，y1)，…，(xk，yk)，…，(xl，yl)}，定义第k个样本点xk的第ip个特征
Figure GDA0002288948330000064
关于基本规则区间
Figure GDA0002288948330000065
的隶属度为：
Figure GDA0002288948330000066
其中，
Figure GDA0002288948330000067
Figure GDA0002288948330000071
(3)定义合取算子∧及析取算子V计算and-型规则及or-型规则对样本点xk的规则支持度为：
Figure GDA0002288948330000072
Figure GDA0002288948330000073
；
(4)利用规则支持度产生规则数据，规则数据表示为：
rk＝(r1(xk)，…，rm(xk))∈[0 1]m (6)；
由此产生对应于决策树规则T1，T2，T3，T4的规则数据R1，R2，R3，R4。
(二)采用多核学习算法融合多源规则数据集，其具体步骤为：
(1)选择高斯RBF函数
Figure GDA0002288948330000074
作为核函数，核宽参数σ取默认值，即输入数据的维数，利用规则数据集R1，R2，R3，R4产生核矩阵K1，K2，K3，K4；
(2)利用面向LS-SVMs的l2多核学习算法对4组规则数据进行融合：
Figure GDA0002288948330000075
s.t.||μ||≤1，
μi≥0，i＝1，…，p+1，
Figure GDA0002288948330000076
Figure GDA0002288948330000077
其中fi(α)＝αTKiα，i＝1，…，p+1，
求解上述融合的优化问题，得到LS-SVMs模型正则化参数v＝μp+1及最优核矩阵系数μi(i＝1，…，p)，进而获得进行数据融合的规则核矩阵
Figure GDA0002288948330000078
(三)建立数据驱动预测模型，其具体步骤为：
利用LS-SVMs建立数据驱动模型为：
Figure GDA0002288948330000079
Figure GDA00022889483300000710
其中，w为分类超平面的法向量，b为分类超平面的截距项，ei为误差项，v≥0为模型正则化参数，此处取值为1，
Figure GDA0002288948330000081
表示特征映射，通过指定核函数的方式隐式确定；
通过求解上述数据驱动模型的KKT系统
Figure GDA0002288948330000082
得到数据驱动预测模型为：
Figure GDA0002288948330000083
；
(四)建立规则预测模型，其具体步骤为：将步骤(二)中的得到LS-SVMs模型正则化参数v以及规则核矩阵KR代入LS-SVMs模型的KKT系统
Figure GDA0002288948330000084
求解公式(11)表示的KKT系统得到规则预测器：
Figure GDA0002288948330000085
；
(五)采用Sigmoid函数拟合将步骤(四)中规则预测模型的输出转换为后验概率，其具体步骤为：通过拟牛顿算法求解优化问题：
Figure GDA0002288948330000086
其中
Figure GDA0002288948330000087
N+/N-分别为正/负类样本点个数；
得到Sigmoid函数的最优拟合参数A和B，进而将规则预测模型的输出决策值转化为后验概率进行输出，后验概率表示为：
Figure GDA0002288948330000088
；
同样地，采用Sigmoid函数拟合将步骤(三)中数据驱动预测模型的输出转换为后验概率，其具体步骤为：通过拟牛顿算法求解优化问题：
Figure GDA0002288948330000089
其中
Figure GDA0002288948330000091
N+/N-分别为正/负类样本点个数；
得到Sigmoid函数的最优拟合参数A和B，进而将数据驱动预测模型的输出决策值转化为后验概率进行输出，后验概率表示为：
Figure GDA0002288948330000092
。
(六)通过后验概率集成数据驱动预测模型和规则预测模型，建立规则辅助的数据驱动模型，其具体步骤为：通过步骤(五)分别拟合出数据驱动预测模型和规则预测模型的Sigmoid函数的最优拟合参数，将数据驱动预测模型和规则预测模型的决策值转换为后验概率PD和PR，并对数据驱动预测模型和规则预测模型进行集成，获得规则辅助的数据驱动模型为：
Figure GDA0002288948330000093
。
分别应用本发明具体实施例上述基于规则辅助的高炉冶炼过程数据驱动建模方法(简称：Ensemble)、数据驱动建模方法(简称：Data)以及规则数据建模方法(简称：Rule)，校验上述三种方法建模的有效性。数值实验结果参见图3，由图3可以看出，本发明实施例所提基于规则辅助的高炉冶炼过程数据驱动建模方法(图3中的Ensemble)在国内某高炉冶炼过程采集数据BF(a)上的测试精度优于其它两种建模方法(图3中的Data和Rule)。
上述实施例用来解释本发明，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 (3)

1.一种基于规则辅助的高炉冶炼过程数据驱动建模方法，其特征在于，含有以下步骤：
(一)采集2000m3高炉冶炼过程实际数据，高炉实际采集数据具有时序特征，故在数据处理过程中保持数据先后顺序不变；采用如下数据处理方法
Figure FDA0002288948320000011
对采样数据进行预处理，其中
Figure FDA0002288948320000012
表示原始采集数据，
Figure FDA0002288948320000013
表示第j个特征的平均值，
Figure FDA0002288948320000014
表示第j个采集变量的标准差，将采集数据转换为无量纲数据，消除数据的数量级差异，将上述预处理后的数据转换为规则数据，其具体步骤为：
(1)收集并整理专家知识、利用决策树算法生成IF…THEN…规则：
Figure FDA0002288948320000015
Figure FDA0002288948320000016
；
(2)定义第k个样本点xk的第ip个特征
Figure FDA0002288948320000017
关于基本规则区间
Figure FDA0002288948320000018
的隶属度为：
Figure FDA0002288948320000019
其中，
Figure FDA00022889483200000110
Figure FDA00022889483200000111
(3)定义合取算子∧及析取算子V计算and-型规则及or-型规则对样本点xk的规则支持度为：
Figure FDA00022889483200000112
Figure FDA00022889483200000113
；
(4)利用规则支持度产生规则数据，规则数据表示为：
rk＝(r1(xk)，…，rm(xk))∈[0 1]m (6)；
(二)采用多核学习算法融合多源规则数据集，其具体步骤为：
(1)选择高斯RBF函数作为核函数，利用步骤(一)产生的p组规则数据集
Figure FDA0002288948320000021
Figure FDA0002288948320000022
分别产生核矩阵K1，…，Kp；
(2)利用面向LS-SVMs的
Figure FDA00022889483200000212
多核学习算法对p组规则数据进行融合：
Figure FDA0002288948320000023
s.t.||μ||≤1,
μi≥0，i＝1，…，p+1,
Figure FDA0002288948320000024
Figure FDA0002288948320000025
其中嚨i(α)＝αTKiα，i＝1，…，p+1，
求解上述融合的优化问题，得到LS-SVMs模型正则化参数ν＝μp+1及最优核矩阵系数μi(i＝1，…，p)，进而获得进行数据融合的规则核矩阵
Figure FDA0002288948320000026
(三)建立数据驱动预测模型，其具体步骤为：
利用LS-SVMs建立数据驱动模型为：
Figure FDA0002288948320000027
Figure FDA0002288948320000028
其中，w为分类超平面的法向量，b为分类超平面的截距项，ei为误差项，v≥0为模型正则化参数，
Figure FDA0002288948320000029
表示特征映射，通过指定核函数的方式隐式确定；
通过求解上述数据驱动模型的KKT系统
Figure FDA00022889483200000210
得到数据驱动预测模型为：
Figure FDA00022889483200000211
；
(四)建立规则预测模型，其具体步骤为：将步骤(二)中的得到LS-SVMs模型正则化参数ν以及规则核矩阵KR代入LS-SVMs模型的KKT系统
Figure FDA0002288948320000031
求解公式(11)表示的KKT系统得到规则预测模型：
Figure FDA0002288948320000032
；
(五)采用Sigmoid函数拟合将步骤(四)中规则预测模型的输出转换为后验概率，其具体步骤为：通过拟牛顿算法求解优化问题：
Figure FDA0002288948320000033
其中
Figure FDA0002288948320000034
N+/N_分别为正/负类样本点个数；
得到Sigmoid函数的最优拟合参数A和B，进而将规则预测模型的输出决策值转化为后验概率进行输出，后验概率表示为：
Figure FDA0002288948320000035
；
(六)通过后验概率集成数据驱动预测模型和规则预测模型，建立规则辅助的数据驱动模型，其具体步骤为：通过步骤(五)分别拟合出数据驱动预测模型和规则预测模型的Sigmoid函数的最优拟合参数，将数据驱动预测模型和规则预测模型的决策值转换为后验概率PD和PR，并对数据驱动预测模型和规则预测模型进行集成，获得规则辅助的数据驱动模型为：
Figure FDA0002288948320000036
。
2.如权利要求1所述的基于规则辅助的高炉冶炼过程数据驱动建模方法，其特征在于，所述高炉冶炼过程实际数据包括控制参数和状态参数，所述控制参数包括喷煤量、风量、风温以及富氧量，所述状态参数包括高炉铁水硅含量、凸台温差、冶炼强度、透气性指数、料速、顶风压力以及炉渣碱度；以高炉铁水硅含量作为高炉炉温的表征，并选取其为规则辅助的数据驱动模型的输出变量，通过对高炉铁水硅含量进行一阶差分处理和符号函数的复合运算得到二元趋势变量yi＝sign([Si]i-[Si]i-1)，其中，y∈{1，-1}，1对应炉温升高的趋势，-1对应炉温下降的趋势，[Si]i表示第i炉的高炉铁水硅含量实际采集数据；选择高炉冶炼过程实际数据除高炉铁水硅含量外的其他参数为规则辅助的数据驱动模型输入变量x＝(x1,…,xd)，并对输入变量进行预处理。
3.如权利要求1所述的基于规则辅助的高炉冶炼过程数据驱动建模方法，其特征在于，采用Sigmoid函数拟合将步骤(三)中数据驱动预测模型的输出转换为后验概率，其具体步骤为：通过拟牛顿算法求解优化问题：
Figure FDA0002288948320000041
其中
Figure FDA0002288948320000042
N+/N-分别为正/负类样本点个数；
得到Sigmoid函数的最优拟合参数A和B，进而将数据驱动预测模型的输出决策值转化为后验概率进行输出，后验概率表示为：
Figure FDA0002288948320000043
。
CN201710246244.1A 2016-05-05 2017-04-15 基于规则辅助的高炉冶炼过程数据驱动建模方法 Expired - Fee Related CN107092743B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610236242.XA CN105975977A (zh) 2016-05-05 2016-05-05 规则辅助的数据驱动建模方法
CN201610236242X 2016-05-05

Publications (2)

Publication Number Publication Date
CN107092743A CN107092743A (zh) 2017-08-25
CN107092743B true CN107092743B (zh) 2020-03-06

Family

ID=56988806

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201610236242.XA Pending CN105975977A (zh) 2016-05-05 2016-05-05 规则辅助的数据驱动建模方法
CN201710246244.1A Expired - Fee Related CN107092743B (zh) 2016-05-05 2017-04-15 基于规则辅助的高炉冶炼过程数据驱动建模方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201610236242.XA Pending CN105975977A (zh) 2016-05-05 2016-05-05 规则辅助的数据驱动建模方法

Country Status (1)

Country Link
CN (2) CN105975977A (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153895A (zh) * 2018-01-06 2018-06-12 国网福建省电力有限公司 一种基于开放数据的语料库构建方法和系统
CN108509990A (zh) * 2018-03-29 2018-09-07 重庆大学 一种时序键值型工业过程数据并行分析方法
CN110727462B (zh) * 2018-07-16 2021-10-19 上海寒武纪信息科技有限公司 数据处理器和数据处理方法
CN110019488A (zh) * 2018-09-12 2019-07-16 国网浙江省电力有限公司嘉兴供电公司 多源异构数据融合多核分类方法
CN109801705A (zh) * 2018-12-12 2019-05-24 平安科技（深圳）有限公司 治疗推荐方法、系统、装置及存储介质
CN112529184B (zh) 2021-02-18 2021-07-02 中国科学院自动化研究所 融合领域知识与多源数据的工业过程优化决策方法
CN112836096B (zh) * 2021-03-04 2022-06-24 中冶南方工程技术有限公司 一种基于数据中间件的高炉专家规则知识库管理系统
CN113656930B (zh) * 2021-06-24 2023-11-17 华北理工大学 采用机器学习算法对单渣法冶炼终点磷含量的预测方法
CN113761787A (zh) * 2021-07-19 2021-12-07 中南大学 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636989A (zh) * 2012-04-25 2012-08-15 北京科技大学 无钟高炉料线深度调节的数据驱动pid控制器设计方法
CN103614498A (zh) * 2013-12-18 2014-03-05 中南大学 一种高炉炉壁三维温度场重建方法及计算机监控系统
CN104899463A (zh) * 2015-06-18 2015-09-09 中南大学 高炉铁水硅含量四分类趋势预报模型的建立方法及应用

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055093A1 (en) * 2009-04-02 2011-03-03 Shane Edward Kling System and Method for Performing Environmental, Health, and Safety Regulation Compliance Assessments, Recordkeeping, and Reporting from Data-Driven Engineering Drawings

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636989A (zh) * 2012-04-25 2012-08-15 北京科技大学 无钟高炉料线深度调节的数据驱动pid控制器设计方法
CN103614498A (zh) * 2013-12-18 2014-03-05 中南大学 一种高炉炉壁三维温度场重建方法及计算机监控系统
CN104899463A (zh) * 2015-06-18 2015-09-09 中南大学 高炉铁水硅含量四分类趋势预报模型的建立方法及应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于数据驱动的高炉冶炼喷煤规则挖掘》;张轩;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20150215(第02期);全文 *
《复杂高炉炼铁过程的数据驱动建模及预测算法》;郜传厚等;《自动化学报》;20090630;第35卷(第6期);全文 *

Also Published As

Publication number Publication date
CN107092743A (zh) 2017-08-25
CN105975977A (zh) 2016-09-28

Similar Documents

Publication Publication Date Title
CN107092743B (zh) 基于规则辅助的高炉冶炼过程数据驱动建模方法
Lu et al. A hybrid model of ghost-convolution enlightened transformer for effective diagnosis of grape leaf disease and pest
CN112839024B (zh) 一种基于多尺度特征注意力的网络流量分类方法及系统
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN112819802B (zh) 基于风口信息深度学习的监督及预测高炉炉况异常的方法
Wen et al. Deep learning-based ash content prediction of coal flotation concentrate using convolutional neural network
CN111444924B (zh) 一种病虫害检测及灾害等级分析方法及系统
CN113033309A (zh) 一种基于信号下采样及一维卷积神经网络的故障诊断方法
Zhang et al. Fast covariance matching with fuzzy genetic algorithm
CN110059765B (zh) 一种矿物智能识别分类系统与方法
CN113642254A (zh) 一种基于多尺度注意力机制的风力发电功率预测方法
Feng et al. Performance analysis of fuzzy BLS using different cluster methods for classification
CN108764287B (zh) 基于深度学习和分组卷积的目标检测方法及系统
CN116543414A (zh) 多模型融合的舌质颜色分类及舌质红度和紫度量化方法
Yang et al. Multisource Information Fusion for Autoformer: Soft Sensor Modeling of FeO Content in Iron Ore Sintering Process
Qi et al. End-to-end ancient ceramic classification toolkit based on deep learning: A case study of black glazed wares of Jian kilns (Song Dynasty, Fujian province)
Wang et al. Integration of heterogeneous classifiers based on choquet fuzzy integral
CN112613521B (zh) 基于数据转换的多层次数据分析系统及方法
CN115578325A (zh) 一种基于通道注意配准网络的图像异常检测方法
Enawugaw et al. Machine Learning Based Soil-Type Classification
Sivalakshmi et al. Microarray image analysis using genetic algorithm
Belhekar et al. Leukemia Cancer Detection Using Image Analytics:(Comparative Study)
Fan et al. Flotation Condition Recognition Based on HGNN and Forth Image Dynamic Feature
CN116629316B (zh) 对象生产模型训练方法、装置、电子设备以及存储介质
Muthireddy et al. Plant Disease Classification Using Hybrid Features

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200306

CF01 Termination of patent right due to non-payment of annual fee