CN110569567A - 焦炉火道温度的测量方法及系统 - Google Patents

Abstract

本发明公开了一种焦炉火道温度的测量方法及系统。采集焦炉立火道温度和蓄顶温度，并对温度数据进行预处理，得到有标记样本集L _|m| 和无标记样本集U _|n| ；在样本集上建立蓄顶温度和火道温度的关联性模型，从L _|m| 中随机重抽样两组有差异的子样本集，分别在两组子样本集上训练出线性回归模型，记为R ₁ 和R ₂ ，标记U _|n| 中的样本，同时利用新标记的样本更新R ₁ 和R ₂ ；利用R ₁ 和R ₂ 得到第一阶段的模型f ₁ ；计算f ₁ 在L _|m| 里的所有误差，将误差作为新的输出，原输入减去f ₁ 的常数项作为输入；由新的输入和输出构成新样本集，在该样本集上采用带有径向基核函数的SVR训练出模型f ₂ ；融合f ₁ 和f ₂ 得到最终模型，利用最终模型预测焦炉火道温度。本发明可实现焦炉火道温度的实时准确测量。

Description

焦炉火道温度的测量方法及系统

技术领域

本发明涉及一种标记样本有限情况下的焦炉火道温度的测量方法及系统。

背景技术

焦炭是炼铁、冶金和化工、气化的主要原料之一，为使各项工作达到较好的技术经济指标，所用焦炭必须具有适当的化学性质和物理性质，这对焦炭炼制提出了更高的要求。

焦炭是焦炉炼焦的产物，焦炉火道温度的精确控制是保质焦炭质量的重要途经之一。焦炉火道温度的实时测量是实现焦炉火道精确控制的基础，也是研究重点。

焦炉火道温度是指各燃烧室温度的平均值。燃烧室火焰温度在1600℃左右，该处温度高，燃烧环境恶劣，极不利于安装在线检测仪器，目前实际工业过程中的检测方法是由值班工人定时使用红外测温仪通过炉顶测温孔进行手工测量，这样做不仅工作量大且测量周期长，远远达不到实时性要求，而软测量方法另辟蹊径，采用易测量变量，通过建立数学模型计算目标变量，成为工业上许多难以测量变量的检测方法。在火道温度软测量中，一般在蓄热室顶部安装热电偶，通过检测在燃烧室中燃烧过的废气温度，建立蓄热室温度和火道温度的关联性模型。因此火道温度软测量模型反应的蓄热室温度和火道温度之间的关系，通过检测蓄热室温度来获取火道温度。

焦炉火道温度软测量还存在两大问题，一是由于焦炉火道温度采集困难，使有标记的训练样本数量十分有限，导致模型的泛化性能低。二是焦炉工况复杂，导致输入输出数据间具有强非线性关系，模型精度提高困难。

针对焦炉火道温度的特点，提出有效的基于半监督集成的软测量建模方法。一方面，通过协同训练的半监督线性回归的方法，实现无标记数据的有效利用，可以更好的提高在标记样本有限情况下软测量模型的泛化性能；同时，通过L2-Boosting集成方法的残差重构算法提高精度。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种焦炉火道温度的测量方法及系统，实现焦炉火道温度的实时测量。

为解决上述技术问题，本发明所采用的技术方案是：一种焦炉火道温度的测量方法，包括以下步骤：

1)采集焦炉火道温度和蓄顶温度数据，并对温度数据进行预处理，得到有标记数据集L_|m|和无标记样本集U_|n|；

2)从所述有标记数据集中随机重抽样两组有差异的子样本集，分别在两组子样本集上训练出线性回归模型，记为R₁和R₂；利用R₁和R₂在U_|n|集上进行协同训练得到第一阶段的模型f₁；

3)计算f₁在更新后的L_|m|里的所有误差，将所有误差作为新的输出，输入为原输入减去f₁的常数项；由新的输入和输出构成新样本集，在该样本集上采用带有径向基核函数的SVR训练出模型f₂；

4)由最小二乘法融合f₁和f₂得到最终模型，利用该最终模型预测焦炉火道温度。

步骤2)中，第一阶段的模型f₁的获取过程包括：

A)从U_|n|中挑选标记置信度最大的无标记样本，作为R₁的输入，计算出该样本的伪标记，将伪标记样本加入R₂的训练集，重新训练得到更新后的R₂；

B)根据步骤A)更新R₁的训练集，得到新的R₁；

C)重复步骤A)和步骤B)，直至U_|n|中的样本全被标记完，或达到指定的迭代次数，停止训练，则第一阶段的模型f₁为：

f₁(x_k)＝0.5R₁(x_k)+0.5R₂(x_k)

步骤3)中，新的输入和输出分别为

e_k＝y_k-f₁(x_k)

其中，当k＝1，...，m时，x_k，y_k分别为训练集L_|m|里的输入和输出。b₁和b₂分别为R₁和R₂的常数项。

步骤4)中，最终模型为：

其中a₀、a₁、a₂采用最小二乘法计算得到。

一种焦炉火道温度的测量系统，包括：

采集单元，用于采集蓄顶温度数据，并对所述蓄顶温度数据进行预处理，得到有标记数据集L_|m|和无标记样本集U_|n|；

第一训练单元，用于从所述有标记数据集中随机重抽样两组有差异的子样本集，分别在两组子样本集上训练出线性回归模型，记为R₁和R₂；利用R₁和R₂在U_|n|集上进行协同训练得到第一阶段的模型f₁；

第二训练单元，用于计算f₁在L_|m|里的所有误差，将所有误差作为新的输出，输入为原输入减去f₁的常数项；由新的输入和输出构成新样本集，在该样本集上采用带有径向基核函数的SVR训练出模型f₂；

输出单元，利用最小二乘法融合f₁和f₂得到最终模型，利用该最终模型预测焦炉火道温度。

所述第一训练单元包括：

第一更新单元，用于从U_|n|中挑选标记置信度最大的无标记样本，作为R₁的输入，计算出该样本的伪标记，将伪标记样本加入R₂的训练集，重新训练得到更新后的R₂；

第二更新单元，用于根据第一更新单元的操作更新R₁的训练集，得到新的R₁；

训练单元，用于重复第一更新单元和第二更新单元的操作，直至U_|n|中的样本全被标记完，或达到指定的迭代次数，停止训练，则第一阶段的模型f₁为：

f₁(x_k)＝0.5R₁(x_k)+0.5R₂(x_k)

与现有技术相比，本发明所具有的有益效果为：本发明一方面通过协同训练的半监督线性回归的方法，实现无标记数据的有效利用，可以更好的提高在标记样本有限情况下软测量模型的泛化性能；同时，通过L2-Boosting集成方法的残差重构算法提高精度。因此，本发明对实现焦炉火道温度的实时测量，保证焦炭质量具有重要意义。

附图说明

图1为焦炉结构示意图；

图2为基于L2-Boosting的集成学习框架图；

图3为蓄顶温度曲线图；

图4为半监督线性回归模型流程图。

具体实施方式

本发明所要解决的技术问题是，针对现有技术的不足，提供一种焦炉火道温度的测量方法及系统。

(1)数据预处理。从工业生产中采集到的蓄顶温度数据为每分钟一组，以2004年12月31号12:50-15:05的1个蓄顶测温点数据为例，经去噪后的样本数据如图3所示。由于蓄热室存在周期性换向，其顶部安装的热电偶会在不同时期检测到新混合煤气和燃烧室废气的温度，当蓄热室接收燃烧室废气时，检测温度不断上升，当蓄热室送混合煤气至燃烧室时温度不断下降，因此蓄顶温度呈现周期性变化。如图，取温度下降至最低处所对应时刻为每个周期的起始点如T1、T2、T3，周期时长1h。在火道温度软测量中，通过检测燃烧室废气温度，建立蓄热室温度和火道温度的关联性模型。因此，取能反应燃烧室温度的上升平缓段温度的平均值作为蓄热室有效检测值。如图，离周期起始点17-27min的AB段和CD段温度平均值可作为蓄顶温度的有效值，则每1个时提取到一个有效温度。而工人检测火道温度周期是4h，每4个小时采集一次火道温度。将采样周期为4h的火道温度与对应时刻的蓄顶温度组成有标记数据集L_|m|＝{(x₁，y₂)，...，(x_i，y_i)，...，(x_m，y_m)}，m为有标记样本个数。剩下的蓄顶温度数据构成无标记样本集U_|n|＝{x_m+1，...，x_m+j，...，x_m+n}，n为无标记样本个数。x_k＝(x_k1，x_k2，x_k3，x_k4，x_k5，x_k6)^T，k＝1，...，m，...，m+n。x_k表示由6个蓄顶测温点温度组成的一个输入向量，y_i表示火道温度。

(2)基准模型。建立以六元线性回归为子模型，以协同训练为训练方法的半监督模型。

首先，从L_|m|中采用随机重抽样的方法抽取两组含c个样本的子数据集L₁和L₂。重抽样的方法如下：从给定的包含m个样本的初始训练集中随机取出一个样本放入采样集中，再把该样本放回初始训练集，使得下次采样时该样本仍有可能被选中，这样经过c次随机采样操作，就可以得到含c个样本的采样集。初始训练集中有的样本在采样集里多次出现，有的则从未出现，由概率计算可知，当c＝m时，初始训练集中约有36.8％的样本从未出现在采样集中。采样集的数量越少，从未出现在采样集中的样本也就越多，但c太小，采样集包含的信息越少影响模型的性能，本发明中取c略小于m(c＝0.8m～m)以此达到增大两个子样本集之间的差异性的目的。

然后，分别在两组子样本集上训练出线性回归模型，建立过程如下：

线性回归的一般形式为：

R(x_k)＝w₁x_k1+w₂x_k2+…+w₆x_k6+b

向量形式写成：

R(x_k)＝W^*TX^*

其中参数向量W^*＝(w₁；w₂；...，w₆；b)，增输入向量X_i ^*＝(x_i1；x_i2；...；x_i6；1)，W^*学得后模型就得以确定。

最小二乘法是基于均方误差最小化来进行模型求解的方法，在训练集L_|m|上训练线性回归模型。即：

解得：

其中X^*＝(X₁ ^*，X₂ ^*，...，X_m ^*)，Y＝(y₁；y₂；...；y_m)。

采用上述模型R(x_k)的训练方式，在上L₁和L₂上分别训练得到R₁(x_k)和R₂(x_k)，以下将模型简称为R、R₁、R₂。

最后，基于R₁和R₂进行半监督协同训练，以下为半监督协同训练过程：

1.计算标记置信度。先用模型R₁计算U_|n|中所有样本的估计值，标记置信度δ的计算公式如下：

其中R₁’(x_k)是将带估计值的样本(x_m+j，R₁(x_m+j))(称为伪标记样本)，加入L₁，得到L₁’，并在L₁’上重新训练得到的线性回归模型。

2.从U_|n|中挑选标记置信度最大的无标记样本，将对应伪标记样本加入R₂的训练集L₂，重新训练R₂。

3.从U_|n|中剔除被步骤2选出的标记置信度最大样本，得到新的无标记样本集U_|n|’。

4.仿照步骤1、2，用R₂计算标记置信度，并挑选标记置信度最大的伪标记样本更新R₁的训练集L₁，并重新训练得到新的R₁。

5.重复步骤1、2、3、4直到U_|n|’中无样本，或达到指定的迭代次数，停止训练。

最后得到第一阶段的模型记为f₁(x_k)(简称f₁)，有f₁(x_k)＝0.5R₁(x_k)+0.5R₂(x_k)为更直观了解以上建模过程可见流程图4。

(3)残差模型。计算f₁在L_|m|里的所有误差，由误差作为新的输出，记为e_i，原输入减去f₁的常数项作为新输入，记为xe_k，即：

e_k＝y_k-f₁(x_k)

其中，当k＝1，...，m时，x_k，y_k分别为训练集L_|m|里的输入和输出。b₁和b₂分别为R₁和R₂的常数项，对输入进行调整的目的是为了匹配新输出的数量级，减小计算误差，同时最大程度避免计算过程中奇异矩阵的出现。

由新的输入和输出构成新训练样本集LE_|m|＝{(xe₁，e₂)，...，(xe_i，e_i)，...，(xe_m，e_m)}，在LE_|m|上采用带有径向基核函数的SVR训练出模型(简称f₂)。

(4)集成。由最小二乘法融合f₁和f₂得到最终模型，如下式：

其中a₀、a₁、a₂采用最小二乘法计算得到。

本发明实施例如下：

首先，针对研究对象即焦炉的燃烧过程进行具体阐述，了解蓄顶温度与焦炉火道温度的关系。焦炉火道温度为各燃烧室的平均温度，由值班人员每4小时人工测量一次。蓄热室通过斜道与燃烧室相连，每个蓄热室有两种工作状态，一是加热混合煤气，二是接收废气。这两种状态进行周期性的交替工作。如图1所示，混合煤气经第j号蓄热室加热后，通过斜道送入j和j+1号燃烧室燃烧，燃烧废气分别通过斜道排入j-1和j+1号蓄热室，此时安装在j-1和j+1号蓄热室的温度传感器可实时检测并上传废气温度，某一蓄顶温度曲线如图3所示，取该温度平缓段的平均值便是一个有效的输入数据。以上过程为半个周期，时间为30min，下半周期则为j号蓄热室接收废气，并采集废气温度。由此可知废气温度直接反应了焦炉火道温度，且有效废气温度的采样频率为焦炉火道温度的4倍。由以上数据构成了实施例的有标记和无标记样本集，分别为810组和2165组，记为L_|810|和U_|2165|，L_|810|＝{(x₁，y₂)，...，(x₈₁₀，y₈₁₀)}，U_|2165|＝{x₈₁₁，...，x_810+2165}，其中存在缺失和异常的数据已剔除。

按L₂-Boosting集成学习的框架图建立软测量模型，模型框架图如图1所示：

Step1.采用重抽样的方式从L_|810|样本集里抽选600组样本构成L_|600| ¹，用同样的方式抽选L_|600| ²；

Step2.分别在L_|600| ¹和L_|600| ²上建立线性回归模型R₁和R₂，并利用最小二乘法对R₁和R₂的各参数进行估计。设定迭代次数T＝100；

Step3.利用R₁计算U_|2165|中所有变量的输出，得到带有伪标记的U_|2165|’数据集，将U_|216|’中的变量依次放入R₂的训练集，重新训练得到R₂’，计算2165个R₂’的各均方根误差(RMSE)，与原R₂的RMSE相比，取RMSE下降最多的R₂’代替原R₂，其对应的未标记样本加入L_|600| ²，得到新L_|600| ²；

Step4.根据Step3的方式，利用R₂更新L_|600| ¹和R₁，同时T减1；

Step5.重复Step3和Step4直到T为0；

Step6.得到集成学习中第一阶段的模型f₁

f₁(x_k)＝0.5R₁(x_k)+0.5R₂(x_k)

Step7.计算f₁在L_|810|上的误差，得到e_i，i＝1，...，810。将L_|810|里的所有x_i减去f₁常数项(C₀)的值，得到xe_i，i＝1，...，810。将xe_i和e_i组成新的训练集LE_|810|＝{(xe₁，e₂)，...，(xe₈₁₀，e₈₁₀)}；

Step8.在LE_|810|上采用径向基核函数训练SVR非线性模型f₂；

Step9.得到最后模型f(x_k)(简称f₁)，有：

其中a₀、a₁、a₂采用最小二乘法计算得到。

Claims (7)

1.一种焦炉火道温度的测量方法，其特征在于，包括以下步骤：

1)采集焦炉火道温度和蓄顶温度数据，并对温度数据进行预处理，得到有标记数据集L_|m|和无标记样本集U_|n|；

2)建立蓄热室温度和火道温度的关联性模型，从所述有标记数据集中随机重抽样两组有差异的子样本集，分别在两组子样本集上训练出线性回归模型，记为R₁和R₂；利用R₁和R₂在U_|n|集上进行协同训练得到第一阶段的模型f₁(x_k)；

3)计算f₁在的L_|m|里的所有误差，将所有误差作为新的输出，输入为原输入减去f₁的常数项；由新的输入和输出构成新样本集，在该样本集上采用带有径向基核函数的SVR训练出模型b₁和b₂分别为R₁和R₂的常数项；

4)由最小二乘法融合f₁(x_k)和得到最终模型，利用该最终模型预测焦炉火道温度。

2.根据权利要求1所述的焦炉火道温度的测量方法，其特征在于，步骤2)中，第一阶段的模型f₁的获取过程包括：

A)从U_|n|中挑选标记置信度最大的无标记样本，作为R₁的输入，计算出该样本的估计值作为伪标记，将伪标记样本加入R₂的训练集，重新训练得到更新后的R₂；

B)根据步骤A)更新R₁的训练集，得到新的R₁；

C)重复步骤A)和步骤B)，直至U_|n|中的样本全被标记完，或达到指定的迭代次数，停止训练，则第一阶段的模型f₁(x_k)为：

f₁(x_k)＝0.5R₁(x_k)+0.5R₂(x_k)；

其中，x_k＝(x_k1，x_k2，x_k3，x_k4，x_k5，x_k6)T，k＝1，...，m，...，m+n；x_k表示由6个蓄顶测温点温度组成的一个输入向量。

3.根据权利要求1所述的焦炉火道温度的测量方法，其特征在于，步骤3)中，新的输出e_k＝y_k-f₁(x_k)；输入x_i，y_i为训练集L_|m|里的输入和输出，b₁和b₂分别为R₁和R₂的常数项。

4.根据权利要求1所述的焦炉火道温度的测量方法，其特征在于，步骤4)中，最终模型其中a₀、a₁、a₂采用最小二乘法计算得到。

5.根据权利要求2所述的焦炉火道温度的测量方法，其特征在于，第一阶段的模型f₁(x_k)的具体获取过程包括：

1)利用模型R₁计算U_|n|中所有样本的估计值；

2)从U_|n|中挑选标记置信度最大的无标记样本，将对应伪标记样本加入R₂的训练集L₂，重新训练R₂；标记置信度δ的计算公式如下：

其中R₁’(x_k)是将带估计值的样本(x_m+j，R₁(x_m+j))，即伪标记样本，加入L₁，得到L₁’，并在L₁’上重新训练得到的线性回归模型；

3)从U_|n|中剔除选出的标记置信度最大样本，得到新的无标记样本集U_|n|’；

4)利用R₂计算标记置信度，并挑选标记置信度最大的伪标记样本更新R₁的训练集L₁，并重新训练得到新的R₁；

5)重复步骤1)～4)，直到U_|n|’中无样本，或达到指定的迭代次数，停止训练，得到第一阶段的模型记为f₁(x_k)：f₁(x_k)＝0.5R₁(x_k)+0.5R₂(x_k)。

6.一种焦炉火道温度的测量系统，其特征在于，包括：

采集单元，用于采集焦炉火道温度及蓄顶温度数据，并对温度数据进行预处理，得到有标记样本集L_|m|和无标记样本集U_|n|；第一训练单元，用于从所述有标记数据集中随机重抽样两组有差异的子样本集，分别在两组子样本集上训练出线性回归模型，记为R₁和R₂；利用R₁和R₂在U_|n|集上进行协同训练得到第一阶段的模型f₁(x_k)；

第二训练单元，用于计算f₁在更新后的L_|m|里的所有误差，将所有误差作为新的输出，输入为原输入减去f₁(x_k)的常数项；由新的输入和输出构成新样本集，在该样本集上采用带有径向基核函数的SVR训练出模型b₁和b₂分别为R₁和R₂的常数项；输出单元，利用最小二乘法融合f₁(x_k)和得到最终模型，利用该最终模型预测焦炉火道温度。

7.根据权利要求6所述的焦炉火道温度的测量系统，其特征在于，所述第一训练单元包括：

第一更新单元，用于从U_|n|中挑选标记置信度最大的无标记样本，作为R₁的输入，计算出该样本的伪标记，将伪标记样本加入R₂的训练集，重新训练得到更新后的R₂；

第二更新单元，用于根据第一更新单元的操作更新R₁的训练集，得到新的R₁；

训练单元，用于重复第一更新单元和第二更新单元的操作，直至U_|n|中的样本全被标记完，或达到指定的迭代次数，停止训练，则第一阶段的模型f₁(x_k)为f₁(x_k)＝0.5R₁(x_k)+0.5R₂(x_k)。