CN107526927B - 一种高炉铁水质量在线鲁棒软测量方法 - Google Patents
一种高炉铁水质量在线鲁棒软测量方法 Download PDFInfo
- Publication number
- CN107526927B CN107526927B CN201710679268.6A CN201710679268A CN107526927B CN 107526927 B CN107526927 B CN 107526927B CN 201710679268 A CN201710679268 A CN 201710679268A CN 107526927 B CN107526927 B CN 107526927B
- Authority
- CN
- China
- Prior art keywords
- output
- weight
- blast furnace
- molten iron
- neural network
- 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.)
- Active
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 146
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 73
- 238000000691 measurement method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000003723 Smelting Methods 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 35
- 229910052760 oxygen Inorganic materials 0.000 claims description 28
- 239000001301 oxygen Substances 0.000 claims description 28
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000002485 combustion reaction Methods 0.000 claims description 12
- 230000035699 permeability Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 239000003034 coal gas Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 14
- 230000002411 adverse Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 25
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 8
- 239000007789 gas Substances 0.000 description 8
- 229910052717 sulfur Inorganic materials 0.000 description 8
- 239000011593 sulfur Substances 0.000 description 8
- 239000003245 coal Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000009529 body temperature measurement Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006854 communication Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- -1 Si (silicon) content Chemical compound 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明提供一种高炉铁水质量在线鲁棒软测量方法，包括：在高炉冶炼过程可控变量中选取对高炉铁水质量参数相关性最高的六个可控变量，作为输入变量；同时选取输出变量；确定随机权神经网络模型的阶次；初始化随机权神经网络相关参数与变量；鲁棒初始阶段；利用随机权神经网络模型和获取的高炉炼铁过程数据，在线估计当前时刻的铁水质量参数；鲁棒在线序贯学习阶段。本发明中引入利用基于柯西分布加权M估计在线序贯随机权神经网络，根据残差的大小决定样本数据对建立模型的贡献，解决了建模过程中大量离群点对建模的不良影响，同时能不断根据新测量的包含有离群点的高炉炼铁过程数据不断修正模型参数，自适应当前工况，消除离群点影响而准确预测。
Description
技术领域
本发明属于高炉冶炼自动化控制技术领域，特别涉及一种高炉铁水质量在线鲁棒软测量方法。
背景技术
高炉炼铁是一个将铁从铁矿石等含铁化合物中还原出来，冶炼出质量合格铁水的极为复杂的非线性动态过程。铁水质量指标作为高炉炼铁过程中最为重要的生产指标，直接决定了后续钢铁产品的质量和高炉冶炼过程的能耗状态。为了实现优质、低耗、高产和长寿的目标，需要对高炉炼铁过程进行实时监测与控制。目前主要采用硅[Si]含量(化学热)、铁水温度(物理热)、硫[S]含量、磷[P]含量等参数来综合衡量铁水质量的好坏。然而，高炉炼铁过程的复杂、恶劣特性，铁水质量参数难以直接测量，且离线化验有较长时间滞后。为了对高炉炼铁过程更好的优化控制达到最终的目的，对高炉内部运行状态实时全面地、准确地监测，必须要对铁水质量参数进行建模。炼铁的复杂动态特性，显著的工况时变，以及同时产生的大量包含离群点数据信息给建模带来困难。
专利公开号“CN101211383A”公开了一种高炉铁水硅含量的特征分析预报方法。以高炉铁水硅含量预报模型的高炉工艺参数为输入变量，采用改进的动态独立成分分析方法对输入变量的样本数据进行特征提取，消除生产工艺参数之间的相关性，使用遗传算法优化模型参数的最小二乘支持向量机算法建立高炉铁水硅含量预报的动态递推模型。
专利公开号“CN103320559B”提供一种高炉铁水硫含量预报方法，以硫含量短期均值、硫含量中期均值、硫含量长期均值、入炉焦炭S含量、入炉煤粉S含量等作为铁水含硫预报的输入变量，利用高炉形成铁水的化学反应过程，结合RBF神经网络，预报下一次铁水的含硫量，获得了较好的预报硫含量精度。
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。
上述专利提供的方法以及其他相关文献相关类似方法都只是针对单一的铁水质量元素 (如Si含量、S含量、铁水温度等)进行预报和软测量，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预报，因而不能全面反映铁水质量水平，实用性较差。而且，由于这些方法没有考虑输入输出时序以及过程中的时滞关系，所建立的静态模型并不能很好地反映高炉冶炼过程的固有特性。另外，在实际炼铁生产过程中，生产环境恶劣，检测仪表等装置的故障以及其他异常干扰的影响，测量数据中包含离群点。这些方法主要考虑了理想炉况下的铁水质量参数软测量，鲁棒性较差，当建模数据含有离群点时，这些方法不能抑制离群点干扰而对铁水质量参数进行较为准确地预测。
专利申请号“201610118914.7”申请的“一种基于鲁棒随机权神经网络的多元铁水质量软测量方法”虽然能够解决上述这些问题，但是，炼铁动态过程中不断产生大量数据，且具有显著的工况时变和非线性动态特性，随数据量维数的增大，求解隐含层输出矩阵逆运算的时间与计算复杂度迅速增加，此方法既不具有处理大量数据的能力又需要人为定期采用新的炼铁过程数据对预报模型进行离线重新训练，不能根据新来到的过程数据在线实时更新模型参数以自适应当前工况进行准确的预报，增加了设备成本和劳动力成本。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)进行多元动态自适应工况在线鲁棒软测量的方法。
发明内容
针对现有技术存在的不足，本发明提供一种高炉铁水质量在线鲁棒软测量方法，利用基于柯西分布加权M估计在线序贯随机权神经网络(M-OS-RVFLNs)对高炉炼铁过程多元铁水质量参数动态在线鲁棒软测量。
本发明的技术方案如下：
一种高炉铁水质量在线鲁棒软测量方法，包括：
步骤1、在高炉冶炼过程可控变量中选取对高炉铁水质量参数相关性最高的六个可控变量，作为输入变量；同时选取输出变量；基于高炉炼铁过程的时滞关系，确定随机权神经网络模型的阶次；该模型以上一时刻的输入变量、当前时刻的输入变量、上一时刻的输出变量为模型输入数据，以当前时刻的输出变量为模型输出数据；
所述输入变量包括炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度，所述输出变量包括Si含量、P含量、S含量、铁水温度；
步骤2、初始化随机权神经网络相关参数与变量、遗忘因子、正则化系数、激活函数，隐含层节点数目、鲁棒在线序贯学习时采集的数据块大小、输出权值的收敛条件、随机权神经网络的初始残差；
步骤3、鲁棒初始阶段：根据标准化残差的分布由柯西加权函数计算出初始训练数据集中每个样本参与随机权神经网络建模的权重大小，并计算出输出权值，直至输出权值满足收敛条件，否则重复操作，继续迭代；
步骤4、利用随机权神经网络模型和获取的高炉炼铁过程数据，在线估计当前时刻的铁水质量参数；
步骤5、鲁棒在线序贯学习阶段：若获取的高炉炼铁过程数据达到设定的数据块大小，则对随机权神经网络进行鲁棒在线序贯学习，引入遗忘因子法，自适应更新随机权神经网络模型参数，返回步骤4。
所述步骤2，包括：
步骤2.1、确定随机权神经网络训练需要的相关参数：
遗忘因子，正则化系数，激活函数，隐含层节点数目L，鲁棒在线序贯学习时采集的数据块大小，输出权值的收敛条件；
步骤2.2、选取历史某一时刻至当前时刻之间的时间段内输入变量和输出变量作为初始训练数据集；
步骤2.3、对初始训练数据集中的数据进行归一化处理；
步骤2.4、随机产生输入层与隐含层之间的输入权值aj及阈值bj，j＝1，…，L，计算初始隐含层输出矩阵H0、初始输出权重，进而求得初始输出变量估计值，计算随机权神经网络的初始残差。
所述步骤3中，包括：
步骤3.1、计算标准化残差向量；将标准化残差代入到柯西分布加权函数中，得到m维输入变量数据对应的权值矩阵，进一步求得每个输出变量对应的权重矩阵；
步骤3.2、在M估计的随机权神经网络的优化目标函数基础上，引入L2范数正则化项，构造成岭回归的形式，得到铁水质量参数的输出权值迭代公式，防止模型过拟合，同时解决隐层输出的多重共线性问题；
铁水质量参数的输出权值迭代公式如下：
求第一次迭代得到的输出权值
共迭代计算求出k+1次迭代得到的各个输出权值
为第k次迭代得到的权重矩阵，δh，h＝1…m是对应每个输出变量的正则化系数，H0初始隐含层输出矩阵，I为单位矩阵；若某次迭代时
j＝1，2，…，L，h＝1，2，…，m都小于指定收敛条件E，则停止迭代，最终输出权值矩阵
权重矩阵为Wh，k+1代表第k+1次迭代。
所述步骤5，包括：
步骤5.1、当有新的数据块Zk+1的时候，进行归一化处理，计算数据块Zk+1的隐含层输出矩阵Hk+1；
步骤5.2、根据鲁棒在线序贯学习阶段的递推公式更新输出权值：
其中，k+1时刻的中间变量
δh，h＝1…m为正则化系数，αh，h＝1…m为遗忘因子法中的遗忘因子，H0是初始隐含层输出矩阵，I为单位矩阵，δh是正则化系数，αh是遗忘因子，
是k+1时刻的输出权值。
有益效果
本发明中引入利用基于柯西分布加权M估计在线序贯随机权神经网络，根据残差的大小决定样本数据对建立模型的贡献，解决了建模过程中大量离群点对建模的不良影响，同时能不断根据新测量的包含有离群点的高炉炼铁过程数据不断修正模型参数，自适应当前工况，且能消除离群点影响而准确预测，避免了定期采用新的炼铁过程数据对预报模型重新训练的时间与计算麻烦，能够处理大量数据且避免了一次训练大量数据对设备的冲击，需要的硬件成本小，节省劳动力成本，实用性更好。对随着分批数据块不断更新模型导致出现的“数据饱和”现象，使用遗忘因子法限制历史数据对建模的作用，扩大当前数据对建模的作用，消除了“数据饱和”现象，进一步提高了模型预测的准确率。
基于工业现场常规的检测设备实时测量得到的高炉本体参数作为输入变量，充分考虑高炉冶炼过程的滞后特性和输入输出变量之间的时序关系，构造非线性自回归(NARX)结构的基于柯西分布加权M估计在线序贯随机权神经网络(M-OS-RVFLNs)，同时实现了Si含量、 P含量、S含量和铁水温度四大铁水质量参数的动态在线软测量，综合描述高炉铁水质量参数，避免离线化验的滞后性和人工操作带来的不确定性，自适应能力强，测量效果更准确，泛化能力更强。本发明不仅考虑到在实际炼铁生产过程中，受检测仪表和变送器等装置的故障以及其他异常干扰对建模的影响，增强了模型鲁棒性，而且解决高炉工况时变和动态特性造成的模型软测量不准确问题，利用最新的炼铁过程数据块，自主地不断更新软测量模型的参数，使模型能根据最新的工况数据对铁水质量参数进行准确预测，同时引入的遗忘因子法可以消除“数据饱和”现象，削弱历史数据对建模的贡献，注重新测量的数据块对建模的贡献，自适应高炉时变的工况，避免了时不变模型的局限性，更加贴合实际工业过程，实用价值很高。同时，本发明也为大量数据训练模型计算和时间复杂度较高的问题，提供了批量处理数据训练模型的思路，解决了大量数据训练困难的问题，本发明能够批处理大量数据，不断根据最新高炉炼铁工况数据更新模型参数，同时解决了离群点对建模的不良干扰，提高了模型的鲁棒性、自适应能力和实时在线预测准确度。本发明所提出的方法给高炉现场的技术操作人员提供了较好的指导，更有利于实现高炉炼铁过程的稳定和顺行，利于使高炉炼铁过程保持在的优质、高产的水平上。
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是本发明具体实施方式中高炉炼铁过程的测量仪表配置图；
图2是本发明具体实施方式中的方法流程框图；
图3是本发明具体实施方式中模型建模效果图，其中(a)是Si含量的建模效果图，(b) 是P含量的建模效果图，(c)是S含量的建模效果图，(d)是铁水温度(MIT)的建模效果图；
图1中各数字代表高炉炼铁所需要的仪器仪表等，分别是：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-透气性测量分析仪，10-理论燃烧温度测量分析仪，11-数据采集器，12-计算机系统；
图1所用标记符号代表高炉炼铁过程中的参数，分别是：u1炉腹煤气量，u2冷风流量，u3富氧流量，u4透气性，u5富氧率，u6理论燃烧温度。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
以柳钢的一个容积为2600m3的炼铁高炉对象为例，应用本发明的高炉铁水质量在线鲁棒软测量方法。现在的炼铁高炉对象安装了如下的常规测量系统，包括：用于测量高炉热风系统的热风压力的压力变送器、用于测量冷风流量的差压流量计、用于测量富氧流量的平衡流量计、用于测量鼓风湿度的空气湿度传感器、用于测量热风温度的红外测温仪、用于测量煤粉喷吹量的煤粉流量计、以及：
炉腹煤气量测量分析仪：通过常规仪器测量得到的冷风流量、富氧流量、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参数设置如下：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：通过常规仪器测量得到的富氧流量、鼓风湿度以及冷风流量，分析计算出高炉富氧率参数；富氧率测量分析仪参数设置如下：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；
透气性测量分析仪：通过常规仪器测量得到的冷风流量、热风压力以及炉顶压力，分析计算出高炉透气性参数；参数设置如下：透气性＝冷风流量/(热风压力-炉顶压力)*100
理论燃烧温度测量分析仪：通过常规仪器测量得到的热风温度、富氧流量、冷风流量、鼓风湿度和每小时喷煤量分析计算出高炉理论燃烧温度参数；参数设置如下：理论燃烧温度＝1559+(0.839*热风温度)+(4.972*1000*富氧流量/冷风流量)-(6.033*鼓风湿度)-(3.15*每小时喷煤量*1000*1000/冷风流量)；
上述结构如图1所示，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-透气性测量分析仪，10-理论燃烧温度测量分析仪，11-数据采集器，12-计算机系统；
流量计3、温度计4、压力计5、6-湿度计、炉腹煤气量测量分析仪7、富氧率测量分析仪8、透气性测量分析仪9、理论燃烧温度测量分析仪10、等常规测量仪表安装于高炉1的各个位置，数据采集11连接常规测量仪表，并通过通讯总线连接计算机系统。
本发明方法可以采用C#高级语言进行软件系统的实现。该软件系统可实现数据显示、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软测量、历史趋势、数据分析等信息。另外，计算机系统上装有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。
本发明利用实际的柳钢2号高炉，现有常规测量设备采集的高炉炼铁过程数据作为建模需要的数据，并能根据新测量的炼铁过程数据块自适应的更新模型参数，既能解决高炉工况时变对模型预测的影响，又能消除新测量数据块中离群点对建模的不良影响，更加准确的给出指定动态时间区间的多元铁水质量参数的估计值，为高炉生产过程的优化操作和稳定顺行运行提供参考，使炼铁厂获得最大的效益。
本实施方式中的高炉铁水质量在线鲁棒软测量方法，如图2所示，包括：
步骤1、运用典型相关性分析(CCA，Canonical Correlation Analysis)，在高炉冶炼过程可控变量中选取对高炉铁水质量参数相关性最高的六个可控变量，作为输入变量；同时选取输出变量；所述输入变量包括炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度，所述输出变量包括Si含量、P含量、S含量、铁水温度；
根据高炉动态特性及铁水质量参数的离线化验时间滞后决定其阶次；阶次决定后，整个模型的输入和输出变量就可以确定。本实施方式确定阶次为1。
模型输入数据分别为：
当前时刻的输入变量：
炉腹煤气量u1(t)(m3)、冷风流量u2(t)(m3/min)、富氧流量u3(t)(m3/min)、
透气性u4(t)(m3/min.kPa)、富氧率u5(t)(vol％)、理论燃烧温度u6(t)(℃)。
上一时刻的输入变量：
炉腹煤气量u1(t-1)(m3)、冷风流量u2(f-1)(m3/min)、富氧流量u3(t-1)(m3/min)、
透气性u4(t-1)(m3/min.kPa)、富氧率u5(t-1)(vol％)、理论燃烧温度u6(t-1)(℃)。
上一时刻的输出变量：
Si含量y1(t-1)(％)、P含量y2(t-1)(％)、
S含量y3(t-1)(％)、铁水温度y4(t-1)(℃)；
模型输出数据分别为需要估计的当前时刻的铁水质量参数：
Si含量估计值
P含量估计值
S含量估计值
铁水温度估计值
基于高炉炼铁过程的时滞关系，确定随机权神经网络模型的非线性自回归(NARX)结构的阶次；该模型以上一时刻的输入变量、当前时刻的输入变量、上一时刻的输出变量为模型输入数据，以当前时刻的输出变量为模型输出数据；
步骤2、初始化相关参数与变量；
所述步骤2，包括：
步骤2.1、确定随机权神经网络训练需要的相关参数：
遗忘因子α＝0.96，正则化系数δh，h＝1，2…m，δh＝0.01，h＝1，2…m，激活函数G(为Sigmoid 函数)，隐含层节点数目L＝30，鲁棒在线序贯学习时采集的数据块大小B＝100，输出权值的收敛条件E＝10-5。
步骤2.2、选取历史某一时刻t1至当前时刻t之间的时间段内输入变量和输出变量作为初始训练数据集Z0＝{Ui，Yi}，i＝1…N0，N0≥L(包括模型输入数据U＝{uc(t)，uc(t-1)，Y(t-1)}，c＝1，2，…n和模型输出数据Y＝{yj(t)|j＝1，2，…，m}，其中m为输出变量的维数，n为输入变量的维数，初始训练数据集样本大小N0为300)；
步骤2.3、对初始训练数据集Z0中的数据进行归一化处理；
步骤2.4、随机产生输入层与隐含层之间的输入权值aj及阈值bj，j＝1，…，L，计算初始隐含层输出矩阵H0、初始输出权重
进而求得初始模型输出数据估计值
计算随机权神经网络模型的初始残差
步骤3、鲁棒初始阶段：
根据标准化残差的分布由柯西加权函数计算出初始训练数据集Z0中每个样本参与随机权神经网络建模的权重大小，并计算出输出权值，直至输出权值满足收敛条件E，否则重复操作，继续迭代；
所述步骤3中，所有的i＝1…N0，h＝1…m；
步骤3包括：
步骤3.1、计算标准化残差向量
r′维度与Y一致，
为每次迭代更新的残差，稳健尺度
式中median()为中值数计算函数；rih代表第 h个输出的第i个残差，rh代表第h个残差向量。
将标准化残差代入到柯西分布加权函数f(x)中，得到m维输出变量对应的权值矩阵
进一步求得每个输出变量对应的权重矩阵Wh，h＝1…m，式中
ri′是标准化残差，
是标准化残差的平均数，diag()对角矩阵创建函数，
步骤3.2、在M估计的随机权神经网络的优化目标函数基础上，引入L2范数正则化项，构造成岭回归的形式，防止模型过拟合，同时解决了隐含层输出的多重共线性问题。
最终得到，铁水质量参数的输出权值迭代公式为
求第一次迭代得到的输出权值
共迭代计算求出k+1次迭代得到的各个输出权值
为第k次迭代得到的权重矩阵，δh，h＝1…m是对应每个输出变量的正则化系数，H0初始隐含层输出矩阵，I为单位矩阵；若某次迭代时
j＝1，2，…，L，h＝1，2，…，m都小于指定收敛条件E，则停止迭代，最终输出权值矩阵
权重矩阵为Wh，k+1代表第k+1次迭代。
步骤4、利用随机权神经网络模型和获取的高炉炼铁过程数据，在线估计当前时刻的铁水质量参数；
步骤5、鲁棒在线序贯学习阶段：
由于高炉炼铁的工况具有时变和动态特性，高炉炼铁过程数据随着时间的推移不断产生，每隔设定的时间即得到大小为B的数据块，将新的数据块作为新的训练数据集，更新输出权值，解决工况波动对模型的影响。若获取的高炉炼铁过程数据达到设定的数据块大小，则对随机权神经网络进行鲁棒在线序贯学习，引入遗忘因子法，自适应更新随机权神经网络模型参数；
步骤5.1、当有新来数据块Zk+1的时候，数据进行归一化处理，计算数据块Zk+1的隐含层输出矩阵Hk+1；
步骤5.2、利用标准化残差更新第k+1个数据块的权重
(具体计算方法同步骤 3)和用递推公式更新第k+1个中间变量
根据鲁棒在线序贯学习阶段的递推公式更新输出权值：
其中，δh，h＝1…m为正则化系数，αh，h＝1…m为遗忘因子法中的遗忘因子。
当有第k+1个新的数据集或数据块到来时，令k＝k+1，利用递推公式更新输出权值；如果没有新来的数据块时，则保存输出权值
进行铁水质量参数鲁棒软测量。
采用均方误差(MSE)和平均绝对百分误差(MAPE)两个评价指标对模型鲁棒软测量效果进行综合评价。
均方误差MSE：
平均绝对百分误差MAPE：
式中，Hiβ*为测试集中第i个样本的估计值，Yi为测试集中第i个样本的真实值，N为测试集的全部样本数。
为了说明本发明的优越性，进行了铁水质量参数软测量系统一段时间的铁水质量指标的预报效果，如图3中的 (a)～(d)所示，其中所用数据均为实际的柳钢2号高炉炼铁过程中采集的数据。本发明的鲁棒初始化阶段选取了300组历史样本，鲁棒在线序贯新产生的数据600组，每个数据块200组，共三组。通过测试可以看出本发明各个铁水质量指标预报值与其实际值曲线基本拟合，预报误差小，准确度高。本发明是一种快速、模型结构简单、能根据高炉炼铁过程的动态特性及新工况数据块更新模型参数、处理大量数据、预测精度高、解决离群点对建模的干扰，增强模型鲁棒性、低成本实用价值高的高炉炼铁过程铁水质量多元在线自适应鲁棒计量手段。
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 (1)
1.一种高炉铁水质量在线鲁棒软测量方法，其特征在于，包括：
步骤1、在高炉冶炼过程可控变量中选取对高炉铁水质量参数相关性最高的六个可控变量，作为输入变量；同时选取输出变量；基于高炉炼铁过程的时滞关系，确定随机权神经网络模型的阶次；该模型以上一时刻的输入变量、当前时刻的输入变量、上一时刻的输出变量为模型输入数据，以当前时刻的输出变量为模型输出数据；
所述输入变量包括炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度，所述输出变量包括Si含量、P含量、S含量、铁水温度；
步骤2、初始化随机权神经网络相关参数与变量：遗忘因子、正则化系数、激活函数，隐含层节点数目、鲁棒在线序贯学习时采集的数据块大小、输出权值的收敛条件、随机权神经网络的初始残差；
步骤3、鲁棒初始阶段：根据标准化残差的分布由柯西加权函数计算出初始训练数据集中每个样本参与随机权神经网络建模的权重大小，并计算出输出权值，直至输出权值满足收敛条件，否则重复操作，继续迭代；
步骤4、利用随机权神经网络模型和获取的高炉炼铁过程数据，在线估计当前时刻的铁水质量参数；
步骤5、鲁棒在线序贯学习阶段：若获取的高炉炼铁过程数据达到设定的数据块大小，则对随机权神经网络进行鲁棒在线序贯学习，引入遗忘因子法，自适应更新随机权神经网络模型参数，返回步骤4；
所述步骤2，包括：
步骤2.1、确定随机权神经网络模型训练需要的相关参数：
遗忘因子，正则化系数，激活函数，隐含层节点数目L，鲁棒在线序贯学习时采集的数据块大小，输出权值的收敛条件；
步骤2.2、选取历史某一时刻至当前时刻之间的时间段内输入变量和输出变量作为初始训练数据集；
步骤2.3、对初始训练数据集中的数据进行归一化处理；
步骤2.4、随机产生输入层与隐含层之间的输入权值aj及阈值bj,j＝1,…,L，计算初始隐含层输出矩阵H0、初始输出权重，进而求得初始模型输出变量估计值，计算随机权神经网络模型的初始残差；
所述步骤3中，包括：
步骤3.1、计算标准化残差向量；将标准化残差代入到柯西分布加权函数中，得到m维输入变量数据对应的权值矩阵，进一步求得每个输出变量对应的权重矩阵；
步骤3.2、在M估计的随机权神经网络的优化目标函数基础上，引入L2范数正则化项，构造成岭回归的形式，得到铁水质量参数的输出权值迭代公式，防止模型过拟合，同时解决隐含层输出的多重共线性问题；
铁水质量参数的输出权值迭代公式如下：
求第一次迭代得到的输出权值
共迭代计算求出k+1次迭代得到的各个输出权值
为第k次迭代得到的权重矩阵，δh,h＝1…m是对应每个输出变量的正则化系数，yh为第h个输出变量，m为输出变量的维数，H0初始隐含层输出矩阵，I为单位矩阵；若某次迭代时
都小于指定收敛条件E，则停止迭代，最终输出权值矩阵
权重矩阵为Wh，k+1代表第k+1次迭代；
所述步骤5，包括：
步骤5.1、当有新的数据块Zk+1的时候，进行归一化处理，计算数据块Zk+1的隐含层输出矩阵Hk+1；
步骤5.2、根据鲁棒在线序贯学习阶段的递推公式更新输出权值：
其中，k+1时刻的中间变量
为正则化系数，αh,h＝1…m为遗忘因子法中的遗忘因子，Wh为初始训练数据集中输出变量对应的权重矩阵，
为数据块Zk+1的权重矩阵，
为k+1时刻的输出数据，H0是初始隐含层输出矩阵，I为单位矩阵，
是k+1时刻的输出权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710679268.6A CN107526927B (zh) | 2017-08-10 | 2017-08-10 | 一种高炉铁水质量在线鲁棒软测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710679268.6A CN107526927B (zh) | 2017-08-10 | 2017-08-10 | 一种高炉铁水质量在线鲁棒软测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107526927A CN107526927A (zh) | 2017-12-29 |
| CN107526927B true CN107526927B (zh) | 2020-09-01 |
Family
ID=60680886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710679268.6A Active CN107526927B (zh) | 2017-08-10 | 2017-08-10 | 一种高炉铁水质量在线鲁棒软测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107526927B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596216A (zh) * | 2018-04-04 | 2018-09-28 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测方法及系统 |
| CN109446669B (zh) * | 2018-11-01 | 2022-10-28 | 东北大学 | 一种矿浆浓度的软测量方法 |
| CN109918702A (zh) * | 2019-01-03 | 2019-06-21 | 上海交通大学 | 一种高炉配料与操作的协同多目标优化方法 |
| CN110066895B (zh) * | 2019-04-10 | 2021-01-12 | 东北大学 | 一种基于Stacking的高炉铁水质量区间预测方法 |
| CN110189800B (zh) * | 2019-05-06 | 2021-03-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
| CN111444617A (zh) * | 2020-03-27 | 2020-07-24 | 贵州中医药大学第一附属医院 | 涂层质量在线预测方法、系统以及计算机可读存储介质 |
| CN116862052A (zh) * | 2020-05-28 | 2023-10-10 | 江苏省沙钢钢铁研究院有限公司 | 高炉炉况的评分方法和系统 |
| CN112926266B (zh) * | 2021-03-02 | 2023-10-13 | 盐城工学院 | 一种基于正则化增量式随机权网络的井下供给风量估计方法 |
| CN113628689A (zh) * | 2021-08-06 | 2021-11-09 | 中国华能集团清洁能源技术研究院有限公司 | 一种煤粉燃烧特征参数智能预测方法、装置及存储介质 |
| CN115586722A (zh) * | 2022-10-13 | 2023-01-10 | 浙江大学 | 基于深度辅助典型变量分析的高炉炼铁预测与控制方法 |
| CN117540663B (zh) * | 2024-01-09 | 2024-04-23 | 北京科技大学 | 基于神经网络的高炉炉缸高温熔体粘度预测方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105886680A (zh) * | 2016-05-11 | 2016-08-24 | 东北大学 | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 |
-
2017
- 2017-08-10 CN CN201710679268.6A patent/CN107526927B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105886680A (zh) * | 2016-05-11 | 2016-08-24 | 东北大学 | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| Data-Driven Robust RVFLNs Modeling of a Blast Furnace Iron-Making Process Using Cauchy Distribution Weighted M-Estimation;Ping Zhou等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20170327;第64卷(第9期);第7141-7151页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107526927A (zh) | 2017-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
| CN107299170B (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
| CN105608492B (zh) | 一种基于鲁棒随机权神经网络的多元铁水质量软测量方法 | |
| CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
| CN110066895B (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
| CN105886680B (zh) | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 | |
| Zhou et al. | Robust online sequential RVFLNs for data modeling of dynamic time-varying systems with application of an ironmaking blast furnace | |
| CN104651559B (zh) | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 | |
| CN106249724B (zh) | 一种高炉多元铁水质量预测控制方法及系统 | |
| Yuan et al. | Double locally weighted principal component regression for soft sensor with sample selection under supervised latent structure | |
| CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
| CN109001979A (zh) | 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法 | |
| CN105807741B (zh) | 一种工业生产流程预测方法 | |
| CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
| CN111915080B (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
| CN104750902B (zh) | 基于多输出支持向量回归机的铁水质量动态软测量方法 | |
| Jiang et al. | Real-time moisture control in sintering process using offline–online NARX neural networks | |
| CN106709197A (zh) | 基于滑动窗口t‑s模糊神经网络模型的铁水硅含量预测方法 | |
| CN105574297B (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
| CN113761787A (zh) | 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 | |
| CN108614533A (zh) | 一种基于narx模型和时滞估计的神经网络建模方法 | |
| Li et al. | Dual ensemble online modeling for dynamic estimation of hot metal silicon content in blast furnace system | |
| CN101916394A (zh) | 一种基于知识融合的在线软测量方法 | |
| CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
| Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate |
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 |