CN109934421B - 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 - Google Patents

Abstract

本发明公开了一种面向波动炉况的高炉铁水硅含量预测与补偿方法，属于工业过程监控领域，包括以下步骤：(1)获取历史高炉冶炼数据，并将获取的历史高炉冶炼数据作为样本集；(2)选取输入集，基于BP神经网络在线预测模型预测高炉铁水硅含量Si_pre；(3)构建波动知识库；(4)波动炉况识别：对于待测样本，遍历知识库寻找匹配样本，对高炉波动炉况类型进行识别；(5)波动炉况下铁水硅含量预测补偿：根据步骤(4)中判断出的炉况类型，对预测结果进行补偿。本发明利用粗糙集计算了与波动炉况相匹配的特征集，构建波动知识库与BP神经网络进行波动炉况，并对BP神经网络的预测结果作出补偿，有效优化了铁水硅含量的预测效果。

Description

一种面向波动炉况的高炉铁水硅含量预测与补偿方法

技术领域

本发明属于工业过程监控领域，具体涉及一种面向波动炉况的高炉铁水硅含量预测与补偿方法。

背景技术

铁水硅含量是反映高炉运行状态以及衡量铁水质量的关键指标，也是高炉优化控制的关键参数。然而，由于生产工艺限制，高炉铁水硅含量无法在线实时检测，因此，高炉铁水硅含量预测对高炉生产优化控制具有重要的意义。

目前，由于机理复杂、环境恶劣、原料来源复杂等因素制约，高炉铁水硅含量预测研究主要集中于基于数据驱动的智能建模。其中，人工神经网络鉴于其优秀的非线性动态处理能力以及自适应、自学习特点，成为了高炉铁水硅含量预测的重要研究手段与主流研究方法之一。

然而，神经网络预测模型具有一定的局限性，该类模型常适用于平稳炉况，在硅含量数据波动较大时难以准确及时地跟踪硅含量的变化趋势，此时，模型预报准确度会急速下降，难以直接指导生产。

张军红等公开了一种高炉铁水硅含量的预报方法，该方法基于遗传操作选取了风量、热风压力、全压差、透气性指数、热风温度、炉顶温度、喷煤量、富氧量、铁间料批数九种输入变量，运用遗传算法优化神经网络避免陷入局部最小。该方法在平稳炉况时具有较高的预测准确率，但波动炉况下预测性能不理想。【张军红,金永龙,沈峰满,等.应用优化BP神经网络建立铁水硅含量的预测模型[J].钢铁研究学报,2007,19(11):60-62.】

中国专利CN 104915518A公开了一种高炉铁水硅含量的分区间预报方法，该方法根据特征变量与硅含量相关系数确定输入变量，将bootstrap预测区间方法结合BP神经网络，根据硅含量区间分别进行了预报。预报硅含量数值的同时还提供了此次预报的可信度作为参考，提高了预报可信度。缺点在于只能标识出预测不准确的波动炉况，不能解决波动炉况预报不准的问题。

传统基于BP神经网络的铁水硅含量预测方案表述如下：Step1：对数据进行预处理，选取输入集；Step2：将输入集输入神经网络模型进行训练；Step3：待测样本输入神经网络，得到预测结果。现有的高炉铁水硅含量BP神经网络预测模型具有一定的局限性，在炉况不稳、运行数据波动较大的波动炉况下，预测值无法准确及时地跟踪硅含量的变化趋势，此时，预报准确度急速下降，难以直接指导生产。基于此，提出一种面向波动炉况的铁水硅含量预测与补偿方法。

发明内容

针对炉况波动大、运行不平稳时预测准确率剧烈下降的问题，本发明的目的在于提供一种面向高炉波动炉况的铁水硅含量预测与补偿方法，以优化神经网络模型预测效果，提高预测准确率。

为了实现上述技术目的，本发明提供以下技术方案：

本发明提供一种面向高炉波动炉况的铁水硅含量预测与补偿方法，包括以下步骤：

(1)获取历史高炉冶炼数据，并将获取的历史高炉冶炼数据作为样本集；

其中，高炉冶炼数据包括多项特征属性A＝{a₁,a₂,...,a_n}，以及一项决策属性，决策属性为硅含量Si；

表1.历史高炉冶炼数据

(2)选取输入集，基于BP神经网络在线预测模型预测高炉铁水硅含量Si_pre；

(3)构建波动知识库；

3.1)建立波动炉况的离散决策表：将特征属性数据等距离散成k份，将决策值硅含量分为低硅、中硅、高硅三种，用于辨识硅含量偏低的波动炉况、平稳炉况和硅含量偏高的波动炉况；

3.2)基于粗糙集进行属性约简，通过比较属性重要度变化，得到波动炉况的特征集；

3.3)保留波动炉况离散决策表中波动特征属性对应的列数据，删除其他属性列，同时，将离散化的硅含量值替换为硅含量真实值，构建波动知识库；

(4)波动炉况识别：对于待测样本，遍历知识库寻找匹配样本，对高炉波动炉况类型进行识别；

其中，待测样本为波动炉况高硅样本，设置flag＝2；

待测样本为波动炉况低硅样本，设置flag＝1；

待测样本为平稳炉况样本，设置flag＝0；

(5)波动炉况下铁水硅含量预测补偿：根据步骤(4)中判断出的炉况类型，对预测结果进行补偿，补偿公式如下：

其中，Si_com为最终的高炉铁水硅含量预测结果，Si_rule为知识库匹配样本的硅含量结果；a为补偿系数，β_h为高硅波动样本对应的阈值；β_l为低硅波动样本对应的阈值。

其中，匹配样本的具体含义为：1)与待测样本距离邻近；2)与待测样本同属波动样本。

优选的，步骤(1)中，所述高炉冶炼数据包括富氧率、透气性指数、标准风速、冷风流量、鼓风动能、炉腹煤气量、炉腹煤气指数、理论燃烧温度、顶压、富氧压力、冷风压力、全压差、热风压力、实际风速、热风温度、上炉硅含量中的至少两类数据。

优选的，步骤3.1)中，所述建立波动炉况的离散决策表，通过以下方式实现：

3.1.1)特征属性a_i的步长

对每个样本中所有特征属性进行离散化

其中a_ij代表第j个样本关于特征属性a_i的值，floor(x)表示向下取整，当a_ij＝a_imax时，取值为k-1；

3.1.2)将训练样本中硅含量大于阈值α_h(0.5≤α_h≤0.6)，样本的决策值定义为2，用以标识高硅波动；将训练样本中硅含量低于阈值α_l(0.2≤α_l≤0.3)，样本的决策值定义为1，用以标识低硅波动；其余样本决策值为0，用以标识平稳炉况。

进一步，步骤3.1)中，将特征属性数据等距离散成k＝10份。

进一步，步骤3.1.2)中，将训练样本中硅含量大于阈值α_h＝0.55，样本的决策值定义为2，用以标识高硅波动；将训练样本中硅含量低于阈值α_l＝0.3，样本的决策值定义为1，用以标识低硅波动；其余样本决策值为0，用以标识平稳炉况。

优选的，步骤3.2)中，所述波动炉况的特征集，通过以下方式实现：

3.2.1)初始化一个集合

3.2.2)遍历特征属性集A＝{a₁,a₂,...,a_n}，计算每个属性的重要度Δ(a_i)＝|POS_{R+ai}(U)|-|POS_R(U)|，挑选出属性重要度最大的特征属性a_i，加入约简集R，并将之从集合A中删除；

其中，U表示离散决策表全集，POS_R(U)＝{x||d([x]_R)|＝1)}表示决策表关于R的正域，|.|表示一个集合的基，即集合中元素的个数，d([x]_R)表示样本集[x]_R对应的硅含量集合，

3.2.3)重复步骤3.2.2，直至最大属性重要度为0或者A为空集，得到约简集；

3.2.4)逐个测试约简集中的特征属性，计算属性重要度变化，如果删除约简集中属性b_i后对属性重要度没有影响，即

则将b_i从约简集中删除，最终获得波动炉况的特征集R＝{b₁,b₂,...,b_m}。

优选的，步骤(4)中，所述波动炉况识别，通过以下方式实现：

4.1)遍历波动知识库，计算待测样本x与知识库中每个样本的加权欧氏距离D，D的值为待测样本与波动知识库第j个样本rule_j关于波动特征集合R＝{b₁,b₂,...,b_m}的函数：

其中，m为波动特征属性个数，即R中属性的数目，p_i为知识库样本第i个特征属性值，q_i为待测样本第i个特征属性值，W_i为第个i特征属性权重，W_i＝2m-i；

4.2)设置阈值β_h、β_l与d，控制β_h≤α_h，β_l≥α_l，d＜30；

其中，d为加权欧式距离D的阈值；

4.3)波动炉况识别：

对于一个待测样本x，若该样本的神经网络预测值Si_pre＞β_h，且存在知识库样本rule_j，在D_j≤d时，对应硅含量Si_j＞α_h，那么认定x为波动炉况高硅样本，设置flag＝2，Si_rule＝Si_j，当存在多个知识库样本满足条件时Si_rule取硅含量均值；

若待测样本的神经网络预测值Si_pre＜β_l，且存在知识库样本rule_j，在D_j≤d时，对应硅含量Si_j＜α_l，那么认定x为波动炉况低硅样本，设置flag＝1，Si_rule＝Si_j，当存在多个知识库样本满足条件时Si_rule取硅含量均值；

以上两种条件均不满足时，视x为平稳炉况样本flag＝0。

本发明的有益技术效果为：

本发明面向高炉波动炉况的铁水硅含量预测与补偿方法，利用粗糙集的属性约简计算出用于识别波动炉况的特征属性集。通过构建波动炉况知识库，计算加权欧式距离，结合BP神经网络预测值识别波动炉况，并完成对波动炉况的补偿。

本发明利用粗糙集计算了与波动炉况相匹配的特征集，构建波动知识库与BP神经网络进行波动炉况，并对BP神经网络的预测结果作出补偿，有效优化了铁水硅含量的预测效果。

附图说明

图1是本发明面向高炉波动炉况的铁水硅含量预测与补偿方法的流程图。

图2为补偿前后预测值与实测值对比图；

图中BP：BP神经网络，BP-Com：补偿后的BP神经网络预测。

具体实施方式

下面结合具体实施例和附图对本发明进行进一步说明：

本实施例中以国内某钢铁厂2650m³某高炉2015年1月1号至2015年6月1号采集的实际高炉生产数据为例说明。

采用本发明面向高炉波动炉况的铁水硅含量预测与补偿方法，如图1所示，包括以下步骤：

步骤1：获取历史高炉冶炼数据，并将获取的历史高炉冶炼数据作为样本集；其中高炉冶炼数据包括十六项特征属性：富氧率、透气性指数、标准风速、冷风流量、鼓风动能、炉腹煤气量、炉腹煤气指数、理论燃烧温度、顶压、富氧压力、冷风压力、全压差、热风压力、实际风速、热风温度、上炉硅含量，以及一项决策属性：硅含量，如表2所示；

表2.历史高炉冶炼数据

样本集共计1121个样本，将其中1000个样本用于训练，剩余121个样本作为测试集检验铁水硅含量预测效果；

步骤2：选取九个特征属性，热风温度、透气性指数、上炉硅含量、富氧压力、炉腹煤气量、全压差、冷风压力、富氧率、鼓风动能，作为输入集，并基于BP神经网络在线预测模型预测高炉铁水硅含量，得到所有测试集样本硅含量预测值Si_pre；

步骤3：构建波动知识库；

3.1)建立波动炉况的离散决策表S：将特征属性数据等距离散成k份(k＝10)，将决策值硅含量分为低硅、中硅、高硅三种，用于辨识硅含量偏低的波动炉况、平稳炉况和硅含量偏高的波动炉况；

3.1.1)特征属性a_i的步长

对每个样本中所有特征属性进行离散化

其中a_ij代表第j个样本关于特征属性a_i的值，floor(x)表示向下取整，当a_ij＝a_imax时，取值为k-1；

3.1.2)将训练样本中硅含量大于阈值α_h(α_h＝0.55)，样本的决策值定义为2，用以标识高硅波动；将训练样本中硅含量低于阈值α_l(α_l＝0.3)，样本的决策值定义为1，用以标识低硅波动；其余样本决策值为0，用以标识平稳炉况，得到的波动炉况的离散决策表如表3所示；

表3.波动炉况离散决策表

3.2)基于粗糙集进行属性约简，通过比较属性重要度变化，得到波动炉况的特征集；

3.2.1)初始化一个集合

3.2.2)遍历特征属性集A＝{a₁,a₂,...,a_n}，计算每个属性的重要度Δ(a_i)＝|POS_{R+ai}(U)|-|POS_R(U)|，挑选出属性重要度最大的特征属性a_i，加入约简集R，并将之从集合A中删除；

其中，U表示离散决策表全集，POS_R(U)＝{x||d([x]_R)|＝1)}表示决策表关于R的正域，|.|表示一个集合的基，即集合中元素的个数，d([x]_R)表示样本集[x]_R对应的硅含量集合，

3.2.3)重复步骤3.2.2，直至最大属性重要度为0或者A为空集，得到约简集；

3.2.4)逐个测试约简集中的特征属性，计算属性重要度变化，如果删除约简集中属性b_i后对属性重要度没有影响，即

则将b_i从约简集中删除，最终获得波动炉况的特征集R＝{b₁,b₂,...,b_m}；

按照特征属性的重要程度顺序：

R＝{冷风流量、上炉硅含量、富氧压力、理论燃烧温度、热风温度}

3.3)保留波动炉况离散决策表中波动特征属性对应的列数据，删除其他不需要的属性列，同时，将决策值列离散化的硅含量值替换为硅含量真实值，构建波动知识库，如表4所示；

表4.波动知识库rule

(4)波动炉况识别：对于待测样本，遍历知识库寻找匹配样本，对高炉波动炉况类型进行识别；

4.1)遍历波动知识库，计算待测样本x与知识库中每个样本的加权欧氏距离D，D的值为待测样本与波动知识库第j个样本rule_j关于波动特征集合R＝{b₁,b₂,...,b_m}的函数：

其中，m为波动特征属性个数(m＝5)，即R中属性的数目，p_i为知识库样本第i个特征属性值，q_i为待测样本第i个特征属性值，W_i为第个i特征属性权重，W_i＝10-i；

4.2)设置阈值β_h、β_l与d，d为加权欧式距离D的阈值；

其中，β_h＝0.5，β_l＝0.42，d＝12；

4.3)波动炉况识别；

对于一个待测样本x，若该样本的神经网络预测值Si_pre＞β_h，且存在知识库样本rule_j，在D_j≤d时，对应硅含量Si_j＞α_h，那么认定x为波动炉况高硅样本，设置flag＝2，Si_rule＝Si_j，当存在多个知识库样本满足条件时Si_rule取硅含量均值；

若待测样本的神经网络预测值Si_pre＜β_l，且存在知识库样本rule_j，在D_j≤d时，对应硅含量Si_j＜α_l，那么认定x为波动炉况低硅样本，设置flag＝1，Si_rule＝Si_j，当存在多个知识库样本满足条件时Si_rule取硅含量均值；

以上两种条件均不满足时，视x为平稳炉况样本flag＝0；

(5)波动炉况下铁水硅含量预测补偿：根据步骤(4)中判断出的炉况类型，对预测结果进行补偿，补偿公式如下：

其中，Si_com为最终的高炉铁水硅含量预测结果，Si_rule为知识库匹配样本的硅含量结果；a为补偿系数(a＝3)，β_h为高硅波动样本对应的阈值；β_l为低硅波动样本对应的阈值。

其中，匹配样本的具体含义为：1)与待测样本距离邻近；2)与待测样本同属波动样本。

将预测值和硅含量真实数据进行比较，对预测效果进行评估。采用均方误差(MSE)、平均绝对百分误差(MAPE)、绝对误差在0.1％以内的硅含量预测命中率HR作为预测效果衡量指标，即：

式中，

表示硅含量预测值，y_i表示硅含量实测值。

表5.补偿前后的预测效果对比

BP：BP神经网络，BP-Com：补偿后的BP神经网络预测。

结果显示，各项数据都有提升，整体命中率达到91.74％，证明本发明所提出的方法具有良好的实际应用价值。

Claims (7)

1.一种面向高炉波动炉况的铁水硅含量预测与补偿方法，其特征在于，包括以下步骤：

(1)获取历史高炉冶炼数据，并将获取的历史高炉冶炼数据作为样本集；

其中，高炉冶炼数据包括多项特征属性A＝{a₁，a₂，...，a_n}，以及一项决策属性，决策属性为硅含量Si；

(2)选取输入集，基于BP神经网络在线预测模型预测高炉铁水硅含量Si_pre；

(3)构建波动知识库；

3.1)建立波动炉况的离散决策表：将特征属性数据等距离散成k份，将决策值硅含量分为低硅、中硅、高硅三种，用于辨识硅含量偏低的波动炉况、平稳炉况和硅含量偏高的波动炉况；

3.2)基于粗糙集进行属性约简，通过比较属性重要度变化，得到波动炉况的特征集；

3.3)保留波动炉况离散决策表中波动特征属性对应的列数据，删除其他属性列，同时，将离散化的硅含量值替换为硅含量真实值，构建波动知识库；

(4)波动炉况识别：对于待测样本，遍历知识库寻找匹配样本，对高炉波动炉况类型进行识别；

其中，待测样本为波动炉况高硅样本，设置flag＝2；

待测样本为波动炉况低硅样本，设置flag＝1；

待测样本为平稳炉况样本，设置flag＝0；

(5)波动炉况下铁水硅含量预测补偿：根据步骤(4)中判断出的炉况类型，对预测结果进行补偿，补偿公式如下：

其中，Si_com为最终的高炉铁水硅含量预测结果，Si_rule为知识库匹配样本的硅含量结果；a为补偿系数，β_h为高硅波动样本对应的阈值；β_l为低硅波动样本对应的阈值。

2.根据权利要求1所述的面向高炉波动炉况的铁水硅含量预测与补偿方法，其特征在于，步骤(1)中，所述高炉冶炼数据包括富氧率、透气性指数、标准风速、冷风流量、鼓风动能、炉腹煤气量、炉腹煤气指数、理论燃烧温度、顶压、富氧压力、冷风压力、全压差、热风压力、实际风速、热风温度、上炉硅含量中的至少两类数据。

3.根据权利要求1所述的面向高炉波动炉况的铁水硅含量预测与补偿方法，其特征在于，步骤3.1)中，所述建立波动炉况的离散决策表，通过以下方式实现：

3.1.1)特征属性a_i的步长

对每个样本中所有特征属性进行离散化

其中a_ij代表第j个样本关于特征属性a_i的值，floor(x)表示向下取整，当a_ij＝a_imax时，取值为k-1；

3.1.2)将训练样本中硅含量大于阈值α_h，0.5≤α_h≤0.6，样本的决策值定义为2，用以标识高硅波动；将训练样本中硅含量低于阈值α_l，0.2≤α_l≤0.3，样本的决策值定义为1，用以标识低硅波动；其余样本决策值为0，用以标识平稳炉况。

4.根据权利要求1所述的面向高炉波动炉况的铁水硅含量预测与补偿方法，其特征在于，步骤3.1)中，将特征属性数据等距离散成k＝10份。

5.根据权利要求3所述的面向高炉波动炉况的铁水硅含量预测与补偿方法，其特征在于，步骤3.1.2)中，将训练样本中硅含量大于阈值α_h＝0.55，样本的决策值定义为2，用以标识高硅波动；将训练样本中硅含量低于阈值α_l＝0.3，样本的决策值定义为1，用以标识低硅波动；其余样本决策值为0，用以标识平稳炉况。

6.根据权利要求1所述的面向高炉波动炉况的铁水硅含量预测与补偿方法，其特征在于，步骤3.2)中，所述波动炉况的特征集，通过以下方式实现：

3.2.1)初始化一个集合

3.2.2)遍历特征属性集A＝{a₁，a₂，...，a_n}，计算每个属性的重要度△(a_i)＝|POS_{R+ai}(U)|-|POS_R(U)|，挑选出属性重要度最大的特征属性a_i，加入约简集R，并将之从集合A中删除；

其中，U表示离散决策表全集，POS_R(U)＝{x||d([x]_R)|＝1)}表示决策表关于R的正域，|.|表示一个集合的基，即集合中元素的个数，d([x]_R)表示样本集[x]_R对应的硅含量集合，

3.2.3)重复步骤3.2.2，直至最大属性重要度为0或者A为空集，得到约简集；

3.2.4)逐个测试约简集中的特征属性，计算属性重要度变化，如果删除约简集中属性b_i后对属性重要度没有影响，即

则将b_i从约简集中删除，最终获得波动炉况的特征集R＝{b₁，b₂，...，b_m}。

7.根据权利要求1所述的面向高炉波动炉况的铁水硅含量预测与补偿方法，其特征在于，步骤(4)中，所述波动炉况识别，通过以下方式实现：

4.1)遍历波动知识库，计算待测样本x与知识库中每个样本的加权欧氏距离D，D的值为待测样本与波动知识库第j个样本rule_j关于波动特征集合R＝{b₁，b₂，...，b_m}的函数：

其中，m为波动特征属性个数，即R中属性的数目，p_i为知识库样本第i个特征属性值，q_i为待测样本第i个特征属性值，W_i为第个i特征属性权重，W_i＝2m-i；

4.2)设置阈值β_h、β_l与d，控制β_h≤α_h，β_l≥α_l ， d<30；

其中，d为加权欧式距离D的阈值；

4.3)波动炉况识别：

对于一个待测样本x，若该样本的神经网络预测值Si_pre>β_h，且存在知识库样本rule_j，在D_j≤d时，对应硅含量Si_j>α_h，那么认定x为波动炉况高硅样本，设置flag＝2，Si_rule＝Si_j，当存在多个知识库样本满足条件时Si_rule取硅含量均值；

若待测样本的神经网络预测值Si_pre<β_l，且存在知识库样本rule_j，在D_j≤d时，对应硅含量Si_j<α_l，那么认定x为波动炉况低硅样本，设置flag＝1，Si_rule＝Si_j，当存在多个知识库样本满足条件时Si_rule取硅含量均值；

以上两种条件均不满足时，视x为平稳炉况样本flag＝0。

Images