CN110782067A - 一种基于模糊信息粒化的烧结终点波动范围预测方法 - Google Patents

Abstract

本发明提供了一种基于模糊信息粒化的烧结终点波动范围预测方法。本发明以烧结过程的过程参数的时间序列为输入，以烧结终点的波动区间为输出。首先，利用主成分分析方法对烧结过程中的检测参数进行降维，将得到的降维过程参数作为输入参数。然后，利用模糊信息粒化方法将降维后的过程参数时间序列转换为模糊信息粒，获得输入参数的模糊信息粒。最后，以输入参数的模糊信息粒为输入，利用Elman神经网络建模方法构建烧结终点波动范围的预测模型，预测结果即为烧结终点波动范围。本发明所述方法实现了烧结终点波动范围的有效预测，为操作人员控制烧结过程稳定运行提供了有效参考，具有重要的经济价值和应用价值。

Description

一种基于模糊信息粒化的烧结终点波动范围预测方法

技术领域

本发明涉及铁矿石烧结生产过程建模与控制领域，具体涉及一种基于模糊信息粒化的烧结终点波动范围预测方法。

背景技术

随着天然富矿的减少，人工富矿变得越来越重要。烧结作为人工富矿的主要途径，受到了人们的广泛关注。烧结过程是一个热聚合过程，它的主要原料有铁矿石，返矿，助熔剂和焦炭。烧结终点是烧结过程热状态的最重要参数，它是烧结带上混合材料彻底燃烧的第一个位置。操作人员通常通过监控烧结终点来判断当前的生产是否稳定。如果烧结终点位于目标位置的前面，则烧结机的有效面积未被充分利用，并且利用率降低。如果烧结终点位于目标位置的后面，那么烧结材料层在卸载时没有完全烧透，并导致返矿增加。因此，可以通过烧结终点测量烧结过程的稳定性。

虽然学者们在烧结终点的预测上都取得显著效果，如基于线性参数变化的烧结终点Takagi-Sugeno模糊模型、基于人工神经网络和多元线性回归误差补偿算法的混合烧结终点预测模型等。但是这些模型都是对数据点的预测，不能对长时间的数据序列进行预测。工业现场的操作人员在更多的时候是关心一段时间内烧结终点的变化范围，进而对当前的生产情况进行判断。那么，相对于传统的数据点预测，进行烧结终点的波动区间预测是有意义的。

基于信息粒化的区间预测方法受到了学者的关注，尤其是模糊信息粒化。在多个领域得到了应用，如货运量的变化范围和趋势预测、风电区间预测等。考虑到实际烧结过程中操作人员对烧结终点波动区间的关心，发明一种基于模糊信息粒化的烧结终点波动范围预测方法是有必要的。该发明将为操作人员控制烧结过程稳定运行提供了有效参考，具有重要的经济价值和应用价值。

发明内容

本发明要解决的技术问题在于，针对上述目前传统的烧结终点的预测方法不能对长时间的数据序列进行预测的技术问题，提供一种基于模糊信息粒化的烧结终点波动范围预测方法解决上述技术缺陷。

一种基于模糊信息粒化的烧结终点波动范围预测方法，包括：

步骤一：对烧结过程的检测参数进行采样并进行数据预处理；

步骤二：利用主成分分析方法对烧结过程的检测参数进行降维，得到降维后的检测参数，将降维后的检测参数作为输入参数；

步骤三：利用模糊信息粒化方法将降维后的检测参数所对应的时间序列转换为模糊信息粒，获得输入参数的模糊信息粒；

步骤四：以输入参数的模糊信息粒为输入，烧结终点的模糊信息粒为输出，利用Elman神经网络建模方法构建烧结终点波动范围的预测模型；将待预测的烧结过程的检测参数处理得到待预测的输入参数模糊信息粒，将待预测的输入参数模糊信息粒输入至所述预测模型中，输出即为终点波动范围预测结果。

进一步的，步骤一的数据预处理具体包括：

利用中值滤波对烧结过程的检测参数进行处理，减少检测的随机误差，剔除传感器故障和停机情况引起的零检测数据；

所述检测参数的采样间隔扩展为30秒。

进一步的，步骤二具体包括：

S21、对所有样本进行中心化：设m个样本的原始数据X＝(x₁,x₂,...,x_m)，每个样本点的维度为d，首先对原始数据进行中心化，即将样本每一维数值减去该维的均值：

样本每一维的数据都满足

S22、计算样本的协方差矩阵XX^T，并对协方差矩阵XX^T做特征值分解，根据最近重构性，主成分分析方法的优化目标为：

其中W＝{w₁,w₂,...,w_d}，I是单位矩阵；其中，所述对协方差矩阵XX^T做特征值分解采用下述方法实现：对步骤S22的上述公式使用拉格朗日乘子法，得到：

XX^Tw_i＝λw_i(i＝1,2....,d)，

进而得到XX^T的特征值，设定其排序为：λ₁≥λ₂≥...≥λ_d；

S23、选取降维后的维度：从重构的角度设置一个重构阈值t，然后选取使下式成立的最小d'值，即作为降维后的维度，

S24、选取前d'个特征值所对应的特征向量W₀＝(w₁,w₂,...,w_d')作为投影矩阵，样本X降维后表示为

则p₁,p₂,...,p_d'作为输入参数。

进一步的，步骤三具体包括：

S31、时间序列的离散化：对时间序列进行分割，以形成若干个互不重叠的时间窗口，这些时间窗口将时间序列划分成若干子时间序列，采用固定时间窗口的时间序列分割方法对时间序列X进行离散化；

S32、时间窗口上所呈现数据的信息粒化：对时间序列离散化后所形成的各子时间序列执行信息粒化操作，采用三角形形式的模糊粒，产生的模糊信息粒为三角形模糊信息粒表示为Ω＝[a,c,b]，它的隶属度函数为，

其中，x是时间序列的参数，a和b是三角形模糊集的支撑，c是三角形模糊集的核，a、b、c分别根据下式来确定：

其中，[ω/2](w≥2)表示不超过ω/2的最大整数，y₁,y₂,...,y_w是离散化后的子时间序列从大到小排列形成的新序列，med(y₁,y₂,...,y_w)表示子时间序列y₁,y₂,...,y_w的中值；当w是偶数时，d＝1；当w是奇数时，d＝2；

S33、输入参数p₁,p₂,...,p_d'经过模糊信息粒化就转换成模糊信息粒{Ω_p1,Ω_p2,...,Ω_pd'}，其中，Ω_pi＝{a_pi,c_pi,b_pi}，i＝1,2,...,d'，同时对烧结终点的时间序列进行模糊信息粒化，得到Ω_BTP＝{a_BTP,c_BTP,b_BTP}。

进一步的，步骤四具体包括：

以输入参数的模糊信息粒Ω_pi＝{a_pi,c_pi,b_pi}，i＝1,2,...,d'为输入，烧结终点的模糊信息粒Ω_BTP＝{a_BTP,c_BTP,b_BTP}为输出，采用Elman神经网络建模方法，构建一个3d’输入3输出的Elman神经网络，Elman网络的目标函数即误差函数为，

其中，M是样本总数，y_i(k)实际输出，

预测输出，输入层数为N_i＝3d’，输出层数为N_o＝3，隐含层数选择方式为

其中N_c是一个[1,10]常数，学习函数采用traingdx()函数，通过训练样本数据使误差函数最小，即可得到所需的烧结终点波动范围预测模型；

对待预测的烧结过程的检测参数时间序列进行步骤二和步骤三的操作处理，得到待预测的输入参数模糊信息粒，并输入到所述烧结终点波动范围预测模型中，输出待预测的烧结终点模糊信息粒

其中包含的

就是烧结终点的波动范围。

与现有技术相比，本发明的有益效果在于：

(1)本发明的一种基于模糊信息粒化的烧结终点波动范围预测方法，利用主成分分析方法对烧结过程中的检测参数进行降维，该方法有效的减少了冗余数据，降低了计算量。

(2)本发明的一种基于模糊信息粒化的烧结终点波动范围预测方法，利用模糊信息粒化方法实现波动区间的描述，该方法形成的模糊信息粒实现了时间序列的完全覆盖，保证了预测模型的精度。

(3)本发明的一种基于模糊信息粒化的烧结终点波动范围预测方法，利用Elman神经网络建模方法构建烧结终点波动范围的预测模型，该模型具有动态记忆的能力，从而增强了模型对动态系统性能的反应能力，减少了计算复杂度和计算时间。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明烧结终点波动范围预测建模流程图；

图2为本发明烧结终点波动范围预测结果。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

一种基于模糊信息粒化的烧结终点波动范围预测方法，如图1所示，包括：

步骤一：对烧结过程的检测参数进行采样并进行数据预处理：

利用中值滤波对烧结过程的检测参数进行处理，减少检测的随机误差，剔除传感器故障和停机情况引起的零检测数据；

所述检测参数的采样间隔扩展为30秒。

步骤二：利用主成分分析方法对烧结过程的检测参数进行降维，得到降维后的检测参数，将降维后的检测参数作为输入参数：

S21、对所有样本进行中心化：设m个样本的原始数据X＝(x₁,x₂,...,x_m)，每个样本点的维度为d，首先对原始数据进行中心化，即将样本每一维数值减去该维的均值：

样本每一维的数据都满足

S22、计算样本的协方差矩阵XX^T，并对协方差矩阵XX^T做特征值分解，根据最近重构性，主成分分析方法的优化目标为：

其中W＝{w₁,w₂,...,w_d}，I是单位矩阵；其中，所述对协方差矩阵XX^T做特征值分解采用下述方法实现：对步骤S22的上述公式使用拉格朗日乘子法，得到：

XX^Tw_i＝λw_i(i＝1,2....,d)_，

进而得到XX^T的特征值，设定其排序为：λ₁≥λ₂≥...≥λ_d；

S23、选取降维后的维度：从重构的角度设置一个重构阈值t为95％，然后选取使下式成立的最小d'值，即作为降维后的维度，

S24、选取前d'个特征值所对应的特征向量W₀＝(w₁,w₂,...,w_d')作为投影矩阵，样本X降维后表示为

则p₁,p₂,...,p_d'作为输入参数。

步骤三：利用模糊信息粒化方法将降维后的检测参数所对应的时间序列转换为模糊信息粒，获得输入参数的模糊信息粒：

S31、时间序列的离散化：对时间序列进行分割，以形成若干个互不重叠的时间窗口，这些时间窗口将时间序列划分成若干子时间序列，采用固定时间窗口的时间序列分割方法对时间序列X进行离散化，其所使用时间窗口的宽度w为10；

S32、时间窗口上所呈现数据的信息粒化：对时间序列离散化后所形成的各子时间序列执行信息粒化操作，采用三角形形式的模糊粒，产生的模糊信息粒为三角形模糊信息粒表示为Ω＝[a,c,b]，它的隶属度函数为，

其中，x是时间序列的参数，a和b是三角形模糊集的支撑，c是三角形模糊集的核，a、b、c分别根据下式来确定：

其中，[ω/2](w≥2)表示不超过ω/2的最大整数，y₁,y₂,...,y_w是离散化后的子时间序列从大到小排列形成的新序列，med(y₁,y₂,...,y_w)表示子时间序列y₁,y₂,...,y_w的中值；当w是偶数时，d＝1；当w是奇数时，d＝2；

S33、输入参数p₁,p₂,...,p_d'经过模糊信息粒化就转换成模糊信息粒{Ω_p1,Ω_p2,...,Ω_pd'}，其中，Ω_pi＝{a_pi,c_pi,b_pi}，i＝1,2,...,d'，同时对烧结终点的时间序列进行模糊信息粒化，得到Ω_BTP＝{a_BTP,c_BTP,b_BTP}。

步骤四：以输入参数的模糊信息粒为输入，烧结终点的模糊信息粒为输出，利用Elman神经网络建模方法构建烧结终点波动范围的预测模型，将待预测的烧结过程的检测参数处理得到待预测的输入参数模糊信息粒，将待预测的输入参数模糊信息粒输入至所述预测模型中，输出即为终点波动范围预测结果：

以输入参数的模糊信息粒Ω_pi＝{a_pi,c_pi,b_pi}，i＝1,2,...,d'为输入，烧结终点的模糊信息粒Ω_BTP＝{a_BTP,c_BTP,b_BTP}为输出，采用Elman神经网络建模方法，构建一个3d’输入3输出的Elman神经网络，Elman网络的目标函数即误差函数为，

其中，M是样本总数，y_i(k)实际输出，

预测输出，输入层数为N_i＝3d’，输出层数为N_o＝3，隐含层数选择方式为其中N_c是一个[1,10]常数，学习函数采用traingdx()函数，通过训练样本数据使误差函数最小，即可得到所需的烧结终点波动范围预测模型；

对待预测的烧结过程的检测参数时间序列进行步骤二和步骤三的操作处理，得到待预测的输入参数模糊信息粒，并输入到所述烧结终点波动范围预测模型中，输出待预测的烧结终点模糊信息粒

其中包含的

就是烧结终点的波动范围。

本实施例使用实际生产数据，具体步骤如下：

(1)收集烧结生产历史数据获得原始样本数据

烧结生产历史数据以日报表的形式保存在操作室工控机的本地数据库中，根据日报表的数据，收集第i个风箱的废气温度(i＝1,2,3,5,7,9,11,13,15,17,18,19,20,21,22,23,24)、主烟道风箱负压、料层厚度、台车速度等一个月的历史数据，组成原始样本数据(维度为20)；

(2)数据预处理并构建样本数据库

根据专利要求2所述的步骤，对收集原始样本数据进行预处理，数据的采样间隔被扩展到30秒，以这些样本数据建立样本数据库；

(3)检测参数的数据降维

根据专利要求3所述的步骤，利用主成分分析方法对烧结过程中的检测参数进行降维，并将得到的降维后的检测参数作为输入参数。通过计算得到，

d’＝5时，

则检测参数从20维降维到5维。得到输入参数p₁,p₂,...,p₅。

(4)利用模糊信息粒化方法将降维后的检测参数时间序列转换为模糊信息粒，获得输入参数的模糊信息粒。输入参数p₁,p₂,...,p₅经过模糊信息粒化就转换成模糊信息粒{Ω_p1,Ω_p2,...,Ω_p5}，其中，Ω_pi＝{a_pi,c_pi,b_pi}，i＝1,2,...,5。同时对烧结终点的时间序列进行模糊信息粒化，得到Ω_BTP＝{a_BTP,c_BTP,b_BTP}。

(5)构建Elman神经网络模型

根据专利要求4所述方法，以输入参数的模糊信息粒Ω_pi＝{a_pi,c_pi,b_pi}，i＝1,2,...,5为输入，烧结终点的模糊信息粒Ω_BTP＝{a_BTP,c_BTP,b_BTP}为输出。然后再根据步骤四所述方法，利用10000组时间序列(1000个模糊信息粒)的用作训练，得到所需的Elman神经网络模型。

(6)工况识别实验

利用构建的Elman神经网络模型，对另外的1000组时间序列(100个模糊信息粒)进行烧结终点波动范围预测，获得了如图2所示的预测结果。本实施例的结果表明本发明能实现烧结终点波动范围的有效预测，具有重要的经济价值和应用价值。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种基于模糊信息粒化的烧结终点波动范围预测方法，其特征在于，包括：

步骤一：对烧结过程的检测参数进行采样并进行数据预处理；

步骤二：利用主成分分析方法对烧结过程的检测参数进行降维，得到降维后的检测参数，将降维后的检测参数作为输入参数；

步骤三：利用模糊信息粒化方法将降维后的检测参数所对应的时间序列转换为模糊信息粒，获得输入参数的模糊信息粒；

步骤四：以输入参数的模糊信息粒为输入，烧结终点的模糊信息粒为输出，利用Elman神经网络建模方法构建烧结终点波动范围的预测模型；将待预测的烧结过程的检测参数处理得到待预测的输入参数模糊信息粒，将待预测的输入参数模糊信息粒输入至所述预测模型中，输出即为终点波动范围预测结果。

2.根据权利要求1所述的一种基于模糊信息粒化的烧结终点波动范围预测方法，其特征在于，步骤一的数据预处理具体包括：

利用中值滤波对烧结过程的检测参数进行处理，减少检测的随机误差，剔除传感器故障和停机情况引起的零检测数据；

所述检测参数的采样间隔扩展为30秒。

3.根据权利要求1所述的一种基于模糊信息粒化的烧结终点波动范围预测方法，其特征在于，步骤二具体包括：

S21、对所有样本进行中心化：设m个样本的原始数据X＝(x₁,x₂,...,x_m)，每个样本点的维度为d，首先对原始数据进行中心化，即将样本每一维数值减去该维的均值：

样本每一维的数据都满足

S22、计算样本的协方差矩阵XX^T，并对协方差矩阵XX^T做特征值分解，根据最近重构性，主成分分析方法的优化目标为：

其中W＝{w₁,w₂,...,w_d}，I是单位矩阵；其中，所述对协方差矩阵XX^T做特征值分解采用下述方法实现：对步骤S22的上述公式使用拉格朗日乘子法，得到：

XX^Tw_i＝λw_i(i＝1,2....,d)，

进而得到XX^T的特征值，设定其排序为：λ₁≥λ₂≥...≥λ_d；

S23、选取降维后的维度：从重构的角度设置一个重构阈值t，然后选取使下式成立的最小d'值，即作为降维后的维度，

S24、选取前d'个特征值所对应的特征向量W₀＝(w₁,w₂,...,w_d')作为投影矩阵，样本X降维后表示为

则p₁,p₂,...,p_d'作为输入参数。

4.根据权利要求1所述的一种基于模糊信息粒化的烧结终点波动范围预测方法，其特征，步骤三具体包括：

S31、时间序列的离散化：对时间序列进行分割，以形成若干个互不重叠的时间窗口，这些时间窗口将时间序列划分成若干子时间序列，采用固定时间窗口的时间序列分割方法对时间序列X进行离散化；

S32、时间窗口上所呈现数据的信息粒化：对时间序列离散化后所形成的各子时间序列执行信息粒化操作，采用三角形形式的模糊粒，产生的模糊信息粒为三角形模糊信息粒表示为Ω＝[a,c,b]，它的隶属度函数为，

其中，x是时间序列的参数，a和b是三角形模糊集的支撑，c是三角形模糊集的核，a、b、c分别根据下式来确定：

其中，[ω/2](w≥2)表示不超过ω/2的最大整数，y₁,y₂,…,y_w是离散化后的子时间序列从大到小排列形成的新序列，med(y₁,y₂,…,y_w)表示子时间序列y₁,y₂,…,y_w的中值；当w是偶数时，d＝1；当w是奇数时，d＝2；

S33、输入参数p₁,p₂,...,p_d'经过模糊信息粒化就转换成模糊信息粒{Ω_p1,Ω_p2,…,Ω_pd'}，其中，Ω_pi＝{a_pi,c_pi,b_pi}，i＝1,2,...,d'，同时对烧结终点的时间序列进行模糊信息粒化，得到Ω_BTP＝{a_BTP,c_BTP,b_BTP}。

5.根据权利要求1所述的一种基于模糊信息粒化的烧结终点波动范围预测方法，其特征在于，步骤四具体包括：

以输入参数的模糊信息粒Ω_pi＝{a_pi,c_pi,b_pi}，i＝1,2,...,d'为输入，烧结终点的模糊信息粒Ω_BTP＝{a_BTP,c_BTP,b_BTP}为输出，采用Elman神经网络建模方法，构建一个3d’输入3输出的Elman神经网络，Elman网络的目标函数即误差函数为，

其中，M是样本总数，y_i(k)实际输出，

预测输出，输入层数为N_i＝3d’，输出层数为N_o＝3，隐含层数选择方式为

其中N_c是一个[1,10]常数，学习函数采用traingdx()函数，通过训练样本数据使误差函数最小，即可得到所需的烧结终点波动范围预测模型；

对待预测的烧结过程的检测参数时间序列进行步骤二和步骤三的操作处理，得到待预测的输入参数模糊信息粒，并输入到所述烧结终点波动范围预测模型中，输出待预测的烧结终点模糊信息粒其中包含的

就是烧结终点的波动范围。

Images