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

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

一种基于多目标集成学习的高炉铁水硅含量预测方法

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,...,x_i,...,x_m}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x_i的平均值作为本次生铁采样时高炉检测参数x_i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，x_i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，y_j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，

y_i-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x_i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＝{(x_j,y_j)|j∈{1,2,...,n}}；其中，x_j＝(x_1j,x_2j,...,x_ij,...,x_mj,y_j-1)，x_ij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C_r，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、...,x_i、...、x_m；

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HR_k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H_kr；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，y_r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4：确定各子学习机的权重：根据第s∈{1,2,...,N}个子学习机在验证集上的预测精度HR_s，计算第s个子学习机的权重为

步骤5：利用各子学习机的权重对N个子学习机进行集成，得到集成学习机；所述集成学习机的输出为

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。

进一步地，所述步骤2包括下述步骤：

步骤2.1：基于小波变换对初始样本集A₀中的每个高炉检测参数进行小波阈值去噪处理，得到去噪后的样本集

其中，

为

的去噪后的值；

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＝{(x_j,y_j)|j∈{1,2,...,n}}；其中，x_j＝(x_1j,x_2j,...,x_ij,...,x_mj,y_j-1)，

进一步地，m＝19，高炉检测参数x₁、x₂、...,x_i、...、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,...,x_i,...,x_m}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x_i的平均值作为本次生铁采样时高炉检测参数x_i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，x_i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，y_j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，

y_i-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x_i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、...,x_i、...、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＝{(x_j,y_j)|j∈{1,2,...,n}}；其中，x_j＝(x_1j,x_2j,...,x_ij,...,x_mj,y_j-1)，x_ij为

的预处理后的值。预处理的具体步骤如下：

步骤2.1：基于小波变换对初始样本集A₀中的每个高炉检测参数进行小波阈值去噪处理，得到去噪后的样本集

以降低数据噪声，改善模型的训练效果，；其中，

为

的去噪后的值；

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＝{(x_j,y_j)|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，x_j＝(x_1j,x_2j,...,x_ij,...,x_mj,y_j-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C_r＝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、...,x_i、...、x_m；

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HR_k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H_kr；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，y_r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：

1)输入：训练集A^*＝{(x_j,y_j)|j∈{1,2,...,N^-}}，N^-为训练集中的样本总数，激活函数g(x)＝1/(1+e^-x)，隐藏层节点数

2)按照标准正态分布随机生成输入权重ω_i和偏置b_i，

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ω_i，偏置b_i，输出权重β；

其中

式中

为矩阵Η的Moore-Penrose广义逆。

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4：确定各子学习机的权重：根据第s∈{1,2,...,N}个子学习机在验证集上的预测精度HR_s，计算第s个子学习机的权重为

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,...,x_i,...,x_m}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x_i的平均值作为本次生铁采样时高炉检测参数x_i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，x_i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，y_j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，

y_i-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x_i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＝{(x_j,y_j)|j∈{1,2,...,n}}；其中，x_j＝(x_1j,x_2j,…,x_ij,…,x_mj,y_j-1)，x_ij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C_r，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、...,x_i、...、x_m；

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HR_k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H_kr；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，y_r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4：确定各子学习机的权重：根据第s∈{1,2,...,N}个子学习机在验证集上的预测精度HR_s，计算第s个子学习机的权重为

步骤5：利用各子学习机的权重对N个子学习机进行集成，得到集成学习机；所述集成学习机的输出为

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。

2.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，所述步骤2包括下述步骤：

步骤2.1：基于小波变换对初始样本集A₀中的每个高炉检测参数进行小波阈值去噪处理，得到去噪后的样本集

其中，

为

的去噪后的值；

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＝{(x_j,y_j)|j∈{1,2,...,n}}；其中，x_j＝(x_1j,x_2j,...,x_ij,...,x_mj,y_j-1)，

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、...,x_i、...、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。

Images