CN111046612A - 一种基于多目标集成学习的高炉铁水硅含量预测方法 - Google Patents
一种基于多目标集成学习的高炉铁水硅含量预测方法 Download PDFInfo
- Publication number
- CN111046612A CN111046612A CN201911118811.0A CN201911118811A CN111046612A CN 111046612 A CN111046612 A CN 111046612A CN 201911118811 A CN201911118811 A CN 201911118811A CN 111046612 A CN111046612 A CN 111046612A
- Authority
- CN
- China
- Prior art keywords
- blast furnace
- silicon content
- learning machine
- population
- sub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 title claims abstract description 12
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 73
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 73
- 239000010703 silicon Substances 0.000 claims abstract description 73
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 229910052742 iron Inorganic materials 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 37
- 229910000805 Pig iron Inorganic materials 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 8
- 239000003245 coal Substances 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000007664 blowing Methods 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000010079 rubber tapping Methods 0.000 claims description 3
- 239000000243 solution Substances 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 abstract description 5
- 239000010959 steel Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N iron oxide Inorganic materials [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 1
- 235000013980 iron oxide Nutrition 0.000 description 1
- VBMVTYDPPZVILR-UHFFFAOYSA-N iron(2+);oxygen(2-) Chemical class [O-2].[Fe+2] VBMVTYDPPZVILR-UHFFFAOYSA-N 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明涉及钢铁企业自动化检测技术领域,提供一种基于多目标集成学习的高炉铁水硅含量预测方法。首先采集高炉检测参数和硅含量数据,构建初始样本集;然后对初始样本集进行数据预处理;接着,选取训练集、验证集,设置多目标离散差分进化算法各参数,初始化种群,将特征选择方案作为种群中的个体,构建并训练每个个体对应的高炉铁水硅含量预测的极限学习机模型,以最大化种群中个体的预测精度和个体相互之间的差异性为目标,基于多目标离散差分进化算法对种群进行更新,生成子学习机;最后,计算各子学习机的权重,利用权重对子学习机进行集成,得到集成学习机。本发明能够充分利用检测数据,提高高炉铁水硅含量预测的精度和鲁棒性。
Description
技术领域
本发明涉及钢铁企业自动化检测技术领域,特别是涉及一种基于多目标集成学习的高炉铁水硅含量预测方法。
背景技术
高炉炼铁是钢铁生产过程的第一道工序,其作用是将铁矿石等含铁原料中的铁氧化物还原为铁元素,得到生铁;而生铁是绝大多数钢铁产品进行生产加工的原料,其质量的好坏对于后续加工有着关键的影响。为了保证炼铁过程平稳进行、减少能源消耗、提高生铁质量,操作人员需要对炉况进行及时调节,使高炉温度维持在一定的范围内,避免出现“过热”或“过冷”现象。但是高炉内部温度高、环境恶劣,目前仍然缺乏对炉温进行直接测量的手段,所以实际生产当中一般通过与炉温具有正相关性的铁水硅含量来间接表征炉温。由此可见,实现铁水硅含量的准确预报对于高炉炼铁具有重要的意义。
由于高炉炼铁过程十分复杂,铁水硅含量会受到许多因素的影响。现有的高炉铁水硅含量预测方法在进行建模时,通常选择与硅含量相关性较强的若干个变量作为输入特征。例如,专利“一种高炉铁水硅含量的变量选择预报方法”(马淑艳,杨春节,宋菁华,申请公布号:CN 104899425 A)中使用多变量相关性分析方法和斯皮尔曼等级相关性分析方法进行样本数据的变量选择,确定了模型的输入变量为炉顶压力、炉顶温度、料速、炉顶煤气中的CO、CO2和上一炉的硅含量。然而,现有高炉铁水硅含量预测方法通过特征选择方法只选择出一部分特征变量,在不同炉况环境下可能获得完全不同的特征选择方案,难以满足不同炉况下的特征动态选择需要,并且丢弃未选中的特征变量造成了检测数据的浪费,降低了高炉铁水硅含量预测的精度和鲁棒性。
发明内容
针对现有技术存在的问题,本发明提供一种基于多目标集成学习的高炉铁水硅含量预测方法,能够充分利用检测数据,提高高炉铁水硅含量预测的精度和鲁棒性。
本发明的技术方案为:
一种基于多目标集成学习的高炉铁水硅含量预测方法,其特征在于,包括下述步骤:
步骤1:构建初始样本集:以采样频率f1对高炉检测参数{x1,x2,...,xi,...,xm}进行采样,以采样频率f2对高炉出铁后的生铁进行采样并化验生铁中的硅含量,用本次生铁采样与上次生铁采样之间高炉检测参数xi的平均值作为本次生铁采样时高炉检测参数xi的值,选取采样时间内一段时间的硅含量数据及该硅含量数据对应的高炉检测参数数据构成初始样本集其中,xi为第i个高炉检测参数,i∈{1,2,...,m},m为高炉检测参数的总数,yj为第j个初始样本中的硅含量,为第j个初始样本中的参数向量,yi-1为第j个初始样本的上次生铁采样时的硅含量,为第j个初始样本中的硅含量对应的高炉检测参数xi的值,n为初始样本总数;
步骤2:对初始样本集进行数据预处理,得到预处理后的样本集为A={(xj,yj)|j∈{1,2,...,n}};其中,xj=(x1j,x2j,...,xij,...,xmj,yj-1),xij为的预处理后的值;
步骤3:基于极限学习机和多目标离散差分进化算法,将特征选择方案作为种群中的个体,通过种群更新生成子学习机:
步骤3.1:从预处理后的样本集A中选取样本构成训练集、验证集;
步骤3.2:设置多目标离散差分进化算法中的最大迭代次数L、种群规模N、变量个数M=m、差分权重的均值F、交叉参数的均值Cr,并初始化迭代次数l=1;
步骤3.3:初始化种群:随机生成N个长度为M的二进制向量,将每个二进制向量作为一个个体,形成第l代种群;其中,每个二进制向量代表一种特征选择方案,二进制向量中每一位的取值为0或1,1代表选择该位对应的特征,0代表不选择该位对应的特征,二进制向量中的M位对应的特征分别为高炉检测参数x1、x2、...,xi、...、xm;
步骤3.4:以最大化种群中个体的预测精度和个体相互之间的差异性为目标对种群进行更新:
步骤3.4.1:对第l代种群中的每个个体执行变异、交叉操作,获得N个新个体,将N个新个体与第l代种群中的个体放入一个集合中,形成规模为2N的联合种群;
步骤3.4.2:以联合种群中第k∈{1,2,...,2N}个个体对应的特征选择方案所选择的特征及上次生铁采样时的硅含量为输入、本次生铁采样时的硅含量为输出,构建高炉铁水硅含量预测的第k个极限学习机模型,并使用训练集对每个极限学习机模型进行训练;计算训练后的第k个极限学习机模型在验证集上的预测精度将预测精度HRk作为第k个个体的第一维目标函数值,并保存第k个极限学习机模型在验证集中第r个样本处的Heaviside函数值Hkr;其中,N*为验证集中的样本总数, 为第k个极限学习机模型在验证集中第r个样本处对硅含量的预测值,yr为验证集中第r个样本中硅含量的真实值;
步骤3.4.3:对联合种群中每两个个体对应的极限学习机模型在验证集中每一个样本处的Heaviside函数值进行比较,计算每个个体的PFC指标,作为个体的第二维目标函数值;
步骤3.4.4:根据个体的第一维目标函数值和第二维目标函数值,基于NSGA-II算法中的快速非支配排序算法对联合种群进行排序,得到N个Pareto最优解作为第l+1代种群;
步骤3.4.5:若l≥L,则将第l+1代种群中每个个体对应的极限学习机模型作为一个子学习机,进入步骤4;若l<L,则令l=l+1,返回步骤3.4.1;
步骤6:实时采集高炉检测参数,将实时采集的高炉检测参数和上次生铁采样时的硅含量输入集成学习机中,通过集成学习机输出实时的高炉铁水硅含量预测值。
进一步地,所述步骤2包括下述步骤:
步骤2.2:对去噪后的样本集中的每个高炉检测参数进行归一化处理,得到归一化处理后样本集为A={(xj,yj)|j∈{1,2,...,n}};其中,xj=(x1j,x2j,...,xij,...,xmj,yj-1),
进一步地,m=19,高炉检测参数x1、x2、...,xi、...、x19分别为风量、风压、顶压、压差、氧量、风温、湿度、设定喷煤量、实际喷煤量、十字测温边缘四点温度平均值、十字测温中心五点温度之和、顶温平均、中心温度比重、外侧温度比重、鼓风动能、理论燃烧温度、CO利用率、透气性、干除尘入口温度。
本发明的有益效果为:
本发明将特征选择方案作为种群中的个体,构建并训练每个个体对应的高炉铁水硅含量预测的极限学习机模型,以每个个体对应的预测精度和PFC指标为目标函数,基于多目标离散差分进化算法,通过种群更新生成一系列精度较高、差异性较大的子学习机来构建集成学习机模型,一方面各个子学习机由于输入特征数量和隐藏层节点数的不同而在结构上具有一定的差异,提高了集成学习机模型的泛化能力;另一方面,集成学习机模型中涉及到高炉中的各项检测参数,充分利用了采集到的数据,避免了数据浪费。相较于传统方法,本发明明显提高了高炉炼铁过程中硅含量预测的精度且具有良好的鲁棒性,能够帮助现场操作人员掌握实时的硅含量及炉温情况,并根据炉温情况对炉况进行及时调整,有利于维持炉况的平稳、减少能源消耗、提高生铁质量。
附图说明
图1为本发明的基于多目标集成学习的高炉铁水硅含量预测方法的流程图;
图2为本发明具体实施方式中的一种特征选择方案的示意图;
图3为本发明具体实施方式中子学习机集成的示意图;
图4为具体实施方式中本发明的基于多目标集成学习的高炉铁水硅含量预测方法在测试集上的预测结果与实际硅含量的对比图;
图5为具体实施方式中基于LSSVR的高炉铁水硅含量预测方法在测试集上的预测结果与实际硅含量的对比图;
图6为具体实施方式中基于DE-ELM的高炉铁水硅含量预测方法在测试集上的预测结果与实际硅含量的对比图。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步描述。
如图1所示,本发明的基于多目标集成学习的高炉铁水硅含量预测方法,包括下述步骤:
步骤1:构建初始样本集:以采样频率f1对高炉检测参数{x1,x2,...,xi,...,xm}进行采样,以采样频率f2对高炉出铁后的生铁进行采样并化验生铁中的硅含量,用本次生铁采样与上次生铁采样之间高炉检测参数xi的平均值作为本次生铁采样时高炉检测参数xi的值,选取采样时间内一段时间的硅含量数据及该硅含量数据对应的高炉检测参数数据构成初始样本集其中,xi为第i个高炉检测参数,i∈{1,2,...,m},m为高炉检测参数的总数,yj为第j个初始样本中的硅含量,为第j个初始样本中的参数向量,yi-1为第j个初始样本的上次生铁采样时的硅含量,为第j个初始样本中的硅含量对应的高炉检测参数xi的值,n为初始样本总数。
本实施例中,采集某钢厂高炉2018年6月30日到2018年10月20日的实际生产数据。其中,高炉检测参数的采样频率f1为1小时1次,生铁的采样频率f2不固定。由于精确的铁水硅含量需要在高炉出铁之后通过采样、实验室化验的方式才能获得,所以其与高炉检测到的各个参数存在时间上的不匹配问题。为了解决硅含量值与高炉检测参数在时间上的不匹配问题,将两次生铁采样时刻之间的高炉检测参数的平均值作为后一时刻硅含量对应的输入参数,以获得初始样本集。
本实施例中,m=19,高炉检测参数x1、x2、...,xi、...、x19分别为风量、风压、顶压、压差、氧量、风温、湿度、设定喷煤量、实际喷煤量、十字测温边缘四点温度平均值、十字测温中心五点温度之和、顶温平均、中心温度比重、外侧温度比重、鼓风动能、理论燃烧温度、CO利用率、透气性、干除尘入口温度。总共得到n=1173个初始样本。
步骤2:对初始样本集进行数据预处理,得到预处理后的样本集为A={(xj,yj)|j∈{1,2,...,n}};其中,xj=(x1j,x2j,...,xij,...,xmj,yj-1),xij为的预处理后的值。预处理的具体步骤如下:
步骤2.2:对去噪后的样本集中的每个高炉检测参数进行归一化处理,得到归一化处理后样本集为A={(xj,yj)|j∈{1,2,...,n}},以消除不同数据项之间量纲的不同对建模存在的影响;其中,xj=(x1j,x2j,...,xij,...,xmj,yj-1),
步骤3:基于极限学习机和多目标离散差分进化算法,将特征选择方案作为种群中的个体,通过种群更新生成子学习机:
步骤3.1:从预处理后的样本集A中选取前700个样本构成训练集、中间200个样本构成验证集、最后273个样本构成测试集;
步骤3.2:设置多目标离散差分进化算法中的最大迭代次数L=500、种群规模N=40、变量个数M=19、差分权重的均值F=1.0、交叉参数的均值Cr=0.3,并初始化迭代次数l=1;
步骤3.3:初始化种群:随机生成40个长度为19的二进制向量,将每个二进制向量作为一个个体,形成第l代种群;其中,如图2所示,每个二进制向量代表一种特征选择方案,二进制向量中每一位的取值为0或1,1代表选择该位对应的特征,0代表不选择该位对应的特征,二进制向量中的M位对应的特征分别为高炉检测参数x1、x2、...,xi、...、xm;
步骤3.4:以最大化种群中个体的预测精度和个体相互之间的差异性为目标对种群进行更新:
步骤3.4.1:对第l代种群中的每个个体执行变异、交叉操作,获得40个新个体,将40个新个体与第l代种群中的个体放入一个集合中,形成规模为80的联合种群。
步骤3.4.2:以联合种群中第k∈{1,2,...,2N}个个体对应的特征选择方案所选择的特征及上次生铁采样时的硅含量为输入、本次生铁采样时的硅含量为输出,构建高炉铁水硅含量预测的第k个极限学习机模型,并使用训练集对每个极限学习机模型进行训练;计算训练后的第k个极限学习机模型在验证集上的预测精度将预测精度HRk作为第k个个体的第一维目标函数值,并保存第k个极限学习机模型在验证集中第r个样本处的Heaviside函数值Hkr;其中,N*为验证集中的样本总数, 为第k个极限学习机模型在验证集中第r个样本处对硅含量的预测值,yr为验证集中第r个样本中硅含量的真实值。
在极限学习机模型的训练过程中,由于输入特征的数量会随着特征选择方案的不同而变化,所以在训练模型时需要进行隐藏层节点寻优,以找到在该特征选择方案下的最优极限学习机。本实施例中,结构隐藏层节点数的寻找范围设定为极限学习机模型的训练过程如下:
3)计算隐藏层输出矩阵H;
4)计算输出权重β;
5)输出:输入权重ωi,偏置bi,输出权重β;
其中
步骤3.4.3:对联合种群中每两个个体对应的极限学习机模型在验证集中每一个样本处的Heaviside函数值进行比较,计算每个个体的PFC指标,作为个体的第二维目标函数值,以表征该个体与种群中其余个体的差异性大小。
步骤3.4.4:根据个体的第一维目标函数值和第二维目标函数值,基于NSGA-II算法中的快速非支配排序算法对联合种群进行排序,得到N个Pareto最优解作为第l+1代种群。
其中,计算PFC(Pairwise Failure Crediting)指标的方法和快速非支配排序算法均为现有技术中的方法,分别被公开在文献ChandraA,Yao X.Ensemble Learning UsingMulti-Objective Evolutionary Algorithms[J].Journal of Mathematical Modellingand Algorithms in Operations Research,2006,5(4):417-445和Deb K,Pratap A,Agarwal S,et al.A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II[J].IEEE Transactions on Evolutionary Computation,2002,6(2):0-197)中。
步骤3.4.5:若l≥L,则将第l+1代种群中每个个体对应的极限学习机模型作为一个子学习机,进入步骤4;若l<L,则令l=l+1,返回步骤3.4.1。
步骤5:如图3所示,利用40个子学习机各自的权重对40个子学习机进行集成,得到集成学习机;该集成学习机即为最终的硅含量预测模型,集成学习机的输出为各子学习机所输出的硅含量值的加权平均值,即其中,为第s个子学习机的输出。
步骤6:实时采集高炉检测参数,将实时采集的高炉检测参数和上次生铁采样时的硅含量输入集成学习机中,通过集成学习机输出实时的高炉铁水硅含量预测值。
本实施例中,分别使用本发明的基于多目标集成学习的高炉铁水硅含量预测方法、基于LSSVR的高炉铁水硅含量预测方法、基于差分进化算法和极限学习机(DE-ELM)的高炉铁水硅含量预测方法对测试集中的每个样本中的硅含量进行预测,得到的预测结果和实际硅含量的对比图分别如图4、图5、图6所示。实验过程中,每种预测方法均独立运行30次,以便进行统计分析。最终统计分析出三种方法在进行高炉铁水硅含量预测时的命中率即预测精度和均方根误差如表1所示。从表1中可以看出,本发明的方法在进行高炉铁水硅含量预测时的命中率高于LSSVR及DE-ELM预测方法、均方根误差小于其他两种方法,而且在这30次实验中具有最小的方差,说明本发明方法的稳定性也相对较好。
表1
显然,上述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。上述实施例仅用于解释本发明,并不构成对本发明保护范围的限定。基于上述实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等,均落在本发明要求的保护范围内。
Claims (3)
1.一种基于多目标集成学习的高炉铁水硅含量预测方法,其特征在于,包括下述步骤:
步骤1:构建初始样本集:以采样频率f1对高炉检测参数{x1,x2,...,xi,...,xm}进行采样,以采样频率f2对高炉出铁后的生铁进行采样并化验生铁中的硅含量,用本次生铁采样与上次生铁采样之间高炉检测参数xi的平均值作为本次生铁采样时高炉检测参数xi的值,选取采样时间内一段时间的硅含量数据及该硅含量数据对应的高炉检测参数数据构成初始样本集其中,xi为第i个高炉检测参数,i∈{1,2,...,m},m为高炉检测参数的总数,yj为第j个初始样本中的硅含量,为第j个初始样本中的参数向量,yi-1为第j个初始样本的上次生铁采样时的硅含量,为第j个初始样本中的硅含量对应的高炉检测参数xi的值,n为初始样本总数;
步骤2:对初始样本集进行数据预处理,得到预处理后的样本集为A={(xj,yj)|j∈{1,2,...,n}};其中,xj=(x1j,x2j,…,xij,…,xmj,yj-1),xij为的预处理后的值;
步骤3:基于极限学习机和多目标离散差分进化算法,将特征选择方案作为种群中的个体,通过种群更新生成子学习机:
步骤3.1:从预处理后的样本集A中选取样本构成训练集、验证集;
步骤3.2:设置多目标离散差分进化算法中的最大迭代次数L、种群规模N、变量个数M=m、差分权重的均值F、交叉参数的均值Cr,并初始化迭代次数l=1;
步骤3.3:初始化种群:随机生成N个长度为M的二进制向量,将每个二进制向量作为一个个体,形成第l代种群;其中,每个二进制向量代表一种特征选择方案,二进制向量中每一位的取值为0或1,1代表选择该位对应的特征,0代表不选择该位对应的特征,二进制向量中的M位对应的特征分别为高炉检测参数x1、x2、...,xi、...、xm;
步骤3.4:以最大化种群中个体的预测精度和个体相互之间的差异性为目标对种群进行更新:
步骤3.4.1:对第l代种群中的每个个体执行变异、交叉操作,获得N个新个体,将N个新个体与第l代种群中的个体放入一个集合中,形成规模为2N的联合种群;
步骤3.4.2:以联合种群中第k∈{1,2,...,2N}个个体对应的特征选择方案所选择的特征及上次生铁采样时的硅含量为输入、本次生铁采样时的硅含量为输出,构建高炉铁水硅含量预测的第k个极限学习机模型,并使用训练集对每个极限学习机模型进行训练;计算训练后的第k个极限学习机模型在验证集上的预测精度将预测精度HRk作为第k个个体的第一维目标函数值,并保存第k个极限学习机模型在验证集中第r个样本处的Heaviside函数值Hkr;其中,N*为验证集中的样本总数, 为第k个极限学习机模型在验证集中第r个样本处对硅含量的预测值,yr为验证集中第r个样本中硅含量的真实值;
步骤3.4.3:对联合种群中每两个个体对应的极限学习机模型在验证集中每一个样本处的Heaviside函数值进行比较,计算每个个体的PFC指标,作为个体的第二维目标函数值;
步骤3.4.4:根据个体的第一维目标函数值和第二维目标函数值,基于NSGA-II算法中的快速非支配排序算法对联合种群进行排序,得到N个Pareto最优解作为第l+1代种群;
步骤3.4.5:若l≥L,则将第l+1代种群中每个个体对应的极限学习机模型作为一个子学习机,进入步骤4;若l<L,则令l=l+1,返回步骤3.4.1;
步骤6:实时采集高炉检测参数,将实时采集的高炉检测参数和上次生铁采样时的硅含量输入集成学习机中,通过集成学习机输出实时的高炉铁水硅含量预测值。
3.根据权利要求1所述的基于多目标集成学习的高炉铁水硅含量预测方法,其特征在于,m=19,高炉检测参数x1、x2、...,xi、...、x19分别为风量、风压、顶压、压差、氧量、风温、湿度、设定喷煤量、实际喷煤量、十字测温边缘四点温度平均值、十字测温中心五点温度之和、顶温平均、中心温度比重、外侧温度比重、鼓风动能、理论燃烧温度、CO利用率、透气性、干除尘入口温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911118811.0A CN111046612B (zh) | 2019-11-15 | 2019-11-15 | 一种基于多目标集成学习的高炉铁水硅含量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911118811.0A CN111046612B (zh) | 2019-11-15 | 2019-11-15 | 一种基于多目标集成学习的高炉铁水硅含量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046612A true CN111046612A (zh) | 2020-04-21 |
CN111046612B CN111046612B (zh) | 2023-08-29 |
Family
ID=70232056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911118811.0A Active CN111046612B (zh) | 2019-11-15 | 2019-11-15 | 一种基于多目标集成学习的高炉铁水硅含量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046612B (zh) |
Citations (4)
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 |
CN106886799A (zh) * | 2017-03-17 | 2017-06-23 | 东北大学 | 一种基于混合集成学习的连续退火带钢质量在线检测方法 |
CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
CN110097929A (zh) * | 2019-04-16 | 2019-08-06 | 北京科技大学 | 一种高炉铁水硅含量在线预测方法 |
-
2019
- 2019-11-15 CN CN201911118811.0A patent/CN111046612B/zh active Active
Patent Citations (4)
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 |
CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
CN106886799A (zh) * | 2017-03-17 | 2017-06-23 | 东北大学 | 一种基于混合集成学习的连续退火带钢质量在线检测方法 |
CN110097929A (zh) * | 2019-04-16 | 2019-08-06 | 北京科技大学 | 一种高炉铁水硅含量在线预测方法 |
Non-Patent Citations (3)
Title |
---|
YANXU CHU .ETC: "Multiscale dynamic analysis of blast furnace system based on intensive signal processing", 《CHAOS》, vol. 20, no. 3, pages 1 - 12 * |
王显鹏 等: "基于数据解析的连退生产过程多因子操作优化", 《控制与决策》, vol. 34, no. 12, pages 2713 - 2720 * |
郭东伟 等: "基于稀疏化鲁棒LS-SVR与多目标优化的铁水硅含量软测量建模", 《工程科学学报》, vol. 38, no. 9, pages 1233 - 1241 * |
Also Published As
Publication number | Publication date |
---|---|
CN111046612B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN108090629B (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
CN108171379B (zh) | 一种用电负荷预测方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN112836902B (zh) | 一种基于改进型bp神经网络的煤燃烧发热量预测方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116821695A (zh) | 一种半监督神经网络软测量建模方法 | |
CN111046612B (zh) | 一种基于多目标集成学习的高炉铁水硅含量预测方法 | |
CN113569467B (zh) | 一种基于宽度学习的高炉风口回旋区温度软测量建模方法 | |
CN105787507A (zh) | 基于预算支持向量集的LS-SVMs在线学习方法 | |
CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
Wu et al. | Optimization and improvement based on K-Means Cluster algorithm | |
CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN113705932B (zh) | 一种短期负荷预测方法及装置 | |
CN117077509B (zh) | 一种北方苍鹰算法优化kelm神经网络电主轴热误差建模方法 |
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 |