CN111047103A - 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 - Google Patents

Abstract

本发明提供了基于多工况模式辨识的烧结过程碳效在线预测方法及设备，利用综合焦比作为衡量烧结过程碳效的指标；根据烧结机理分析和数据相关性分析，确定影响烧结碳效的关键烧结参数：台车速度、料层厚度、BTP、BTP温度、风箱负压、垂直燃烧速度以及与碳效指标相关性最高的3个风箱的温度；使用近邻传播聚类算法自动辨识烧结过程多种工况模式，在不同工况模式下建立基于混合核的最小二乘向量机的烧结过程碳效预测模型；根据实际生产数据与不同工况模式下的范例数据点的马氏距离调用哪一工况模式下的预测模型来实现碳效的在线预测。本发明的效果是：为提高烧结过程碳利用率奠定了基础，为实现钢铁工业绿色制造和智能制造提供一种行之有效的方法。

Description

基于多工况模式辨识的烧结过程碳效在线预测方法及设备

技术领域

本发明涉及钢铁烧结过程生产节能降耗领域，尤其涉及基于多工况模式辨识的烧结过程碳效在线预测方法。

背景技术

当前资源和环境问题对实现全球可持续发展的约束日益凸显，在这样的背景下，各国都积极追求“绿色”、“低碳”、“可持续发展”。绿色制造与智能制造在其中占据了最引人注目的地位，成为了各国实现传统制造业振兴、产业再平衡等理念的发力点。工业作为国家发展的命脉，一直受到我国的高度关注。钢铁工业是国民经济的基础产业，是是现代社会生产和扩大再生产的物质基础，是国家经济水平和综合国力的重要标志。另外，钢铁工业还呈现出高能耗和高污染的特点。面对当前环境污染日益严重和资源短缺的现象，钢铁工业亟需承担起节能降耗，绿色制造和智能制造的重任。

烧结过程作为钢铁工业一个至关重要的过程，该过程生产的烧结矿不仅仅直接影响高炉炼铁生产的产量和质量，还会对高炉炼铁能够获得良好经济技术指标和技术进步产生至关重要的作用。另外，烧结过程也是仅次于高炉炼铁过程外最大的耗能环节，其能耗约占钢铁工业总能耗的10％-20％。其中，烧结过程能源消耗主要包括：焦粉燃料消耗约为80％，电能消耗约为14％，燃气消耗约为6％。由此可见，为了提高烧结过程的能源利用率，实现绿色制造与智能制造，则需要实现该过程碳效的在线预测，这也是提高钢铁工业能源利用率，减少污染排放量，实现绿色制造与智能制造的关键。

发明内容

为了解决上述问题，本发明提供了基于多工况模式辨识的烧结过程碳效在线预测方法及设备，该烧结过程碳效在线预测方法及设备考虑了烧结过程的复杂特性，根据烧结过程实际运行数据的特性，使用近邻传播聚类算法对烧结过程多种工况模式进行自动辨识，再运用基于混合核的最小二乘向量机建模方法建立不同工况模式下的预测模型，来实现烧结过程碳效准确的在线预测，对降低烧结过程生产成本和提高烧结过程碳利用率具有重要工程应用价值，进而为实现钢铁工业绿色制造和智能制造提供一种行之有效的解决方案。该烧结过程碳效在线预测方法主要包括以下步骤：

S1：以综合焦比作为衡量烧结过程的碳效指标，根据烧结机理分析和数据相关性分析确定影响碳效的关键烧结参数；影响碳效的所述关键烧结参数包括：台车速度、料层厚度、烧结终点位置、烧结终点温度、风箱负压、垂直燃烧速度以及与碳效指标相关性最高的3个风箱的温度；所述关键烧结参数在不同工况模式下具有不同特性；

S2：获取若干样本数据点，每个样本数据点对应一组历史关键烧结参数数据，对所述若干样本数据点进行时序配准和平均值滤波处理后，再采用近邻传播聚类算法进行聚类处理，最终得到C个范例数据点和C种聚类，一种聚类对应一个范例数据点；一种聚类对应一种工况模式，实现了自动辨识烧结过程多种工况模式；C为大于0的正整数；范例数据点来源于样本数据点；

S3：运用基于混合核的最小二乘向量机建模方法建立不同工况模式下的碳效预测模型，所述碳效预测模型的输入变量为所述关键烧结参数，输出变量为碳效指标；

S4：分别计算获取的实际关键烧结参数数据与C个范例数据点之间的马氏距离，调用最小马氏距离对应的工况模式下的所述碳效预测模型，将所述实际关键烧结参数数据输入到该碳效预测模型中，进行碳效的在线预测。

进一步地，所述的综合焦比的计算公式为：

其中，η是综合焦比(kg/t)，C_c是焦粉配比(％)，M是烧结原料的质量(kg)，η_r表示烧结成品率(％)，η_t表示烧损率(％)。

进一步地，所述的使用近邻传播聚类算法自动辨识烧结过程多种工况模式的过程如下：

(2-1)：近邻传播聚类算法以所有样本数据点为潜在的范例数据点，计算数据点对之间的相似度：

S(i,j)＝-||x_i-x_j||²；x_i,x_j∈X；i,j∈{1,2,...,N}

其中，

是样本数据集，N是样本数据点的总数目，i表示第i个样本数据点，j表示第j个样本数据点，S(i,j)是样本数据点x_i和xj之间的相似度，||x_i-x_j||是样本数据点x_i和x_j的欧几里得范数；

(2-2)：近邻传播聚类算法中设置有可信度r(i,j)和可用度a(i,j)，以确定某个样本数据点与哪个范例数据点相关联；对于样本数据点x_i和候选范例数据点x_j，可信度r(i,j)用来说明样本数据点x_j作为样本数据点x_i的范例数据点的代表程度，可用度a(i,j)用来显示样本数据点x_i选择样本数据点x_j作为范例数据点的合适程度；近邻传播聚类算法的迭代过程就是可信度r(i,j)和可用度a(i,j)交替更新的过程：

其中，k表示不同于i和j的任一样本数据点，i′表示不同于i和k的任一样本数据点；

(2-3)：当使用的该近邻传播聚类算法收敛后，将可信度和可用度结合起来识别范例数据点，以获得相应的聚类结果c_k：

通过使用近邻传播聚类算法实现了烧结过程多种工况模式的自动辨识，得到C种工况模式。

进一步地，所述的基于混合核的最小二乘向量机建模方法包括以下步骤：

(3-1)若影响烧结碳效的关键烧结参数和碳效指标组成的训练样本数据集为{(x_i,y_i),i＝1,2,...,N}，其中，x_i是第i组输入变量，y_i是第i组碳效指标；辨识的第h种工况模式有N_h组样本数据，且满足

C为工况模式的种类数目；则在第h种工况模式下，采用非线性映射函数建立烧结过程碳效的回归预测模型为：

y^h＝＜ω,φ(x)＞+β＝ω^Tφ(x)+β

其中，φ(x)是非线性映射函数，ω是权值向量，β是偏离量；

(3-2)基于结构风险最小化原理，将上述回归预测模型的回归问题表示为如下所示的约束优化问题：

s.t.y^h＝ω^Tφ(x_o)+β+e_o,o＝1,2,...,N_h

其中，γ是正则化参数(γ＞0)，e_o是所述回归预测模型的拟合误差；

(3-3)利用拉格朗日技术解决上述约束优化问题，得到如下所示的基于混合核的最小二乘向量机的碳效预测模型：

其中，α_o是拉格朗日乘子，K_H(x,x_o)是混合核函数，该混合核函数被构造为：

K_H＝τK_P+(1-τ)K_R

其中，τ是一个比例常数，且0≤τ≤1，K_P是多项式核函数，ρ多项式核参数，K_R是径向基核函数，σ是径向基核宽度参数。

进一步地，设定实际关键烧结参数数据为x，分别计算x与所有范例数据点c_h的马氏距离的公式为：

其中，c_h表示第h种工况模式时对应的的范例数据点，L_h(x,c_h)是x与第h个范例数据点的马氏距离，Σ^-1是协方差矩阵，h＝1,2,…,C。

进一步地，计算得到的有C个马氏距离。

一种基于多工况模式辨识的烧结过程碳效在线预测设备，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中存储的指令及数据用于实现一种基于多工况模式辨识的烧结过程碳效在线预测方法。

本发明提供的技术方案带来的有益效果是：

(1)为了避免烧结过程多种工况模式的相互影响，采用近邻传播聚类算法对多种工况模式进行自动辨识，为实现烧结过程碳效在线预测奠定基础；

(2)在辨识多种工况模式基础上，运用基于混合核的最小二乘向量机建模方法建立不同工况模式下的预测模型，有利于反映烧结过程的系统动态；

(3)通过收集烧结过程实际生产数据，进行烧结过程碳效的在线预测仿真实验，为钢铁烧结过程智能制造提供有效的解决方案。

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是本发明实施例中一种基于多工况模式辨识的烧结过程碳效在线预测方法的流程图；

图2是本发明实施例中烧结过程碳效在线预测的原理框图；

图3是本发明实施例中烧结过程碳效在线预测值与实际值的对比结果图；

图4是本发明实施例中碳效预测结果的绝对误差图；

图5是本发明实施例中硬件设备工作的示意图。

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。

本发明的实施例提供了基于多工况模式辨识的烧结过程碳效在线预测方法及设备。

请参考图1～图4，图1是本发明实施例中一种基于多工况模式辨识的烧结过程碳效在线预测方法的流程图，图2是本发明实施例中烧结过程碳效在线预测的原理框图，图3是本发明实施例中烧结过程碳效在线预测值与实际值的对比结果图，图4是本发明实施例中碳效预测结果的绝对误差图；在生产过程中，使用不同的配料单引导烧结生产，通常一种配料单下的烧结生产过程代表一种工况模式。不同工况模式下的特性不同，故采用近邻传播聚类算法来自动辨识多种工况模式，为实现烧结过程碳效的在线预测奠定基础。

本实施例中，一种基于多工况模式辨识的烧结过程碳效在线预测方法，根据综合焦比的定义确定其作为衡量烧结碳效的指标。结合机理分析和数据相关性分析，确定影响烧结碳效的关键烧结参数是台车速度、料层厚度、烧结终点位置(BTP)、烧结终点温度(BTP温度)、风箱负压、垂直燃烧速度以及与碳效指标相关性最高的3个风箱的温度，为建立碳效预测模型提供输入变量，本实施例中与碳效指标相关性最高的3个风箱的温度为17#风箱温度、19#风箱温度和20#风箱温度；对这些关键烧结参数的数据进行时序配准和平均值滤波处理后，采用近邻传播聚类算法自动辨识烧结过程多种工况模式。在此基础上，基于混合核的最小二乘向量机建模方法建立不同工况模式下的碳效预测模型。再与所有范例数据点之间的马氏距离来决定调用哪一工况模式下建立的预测模型来进行碳效的在线预测。具体步骤如下：

(1)烧结过程碳效指标的确定

综合焦比定义为生产一吨烧结矿所消耗的含碳燃料的质量，本发明利用综合焦比作为衡量烧结过程碳效的指标；

(2)确定影响烧结碳效的关键烧结参数

烧结过程是一类具有复杂特性的连续生产工业过程，根据烧结机理分析，得到影响综合焦比的因素是烧结矿的产量和含碳原料的消耗量。进而采用斯皮尔曼秩相关系数数据分析方法确定影响综合焦比的关键烧结参数为台车速度、料层厚度、BTP、BTP温度、风箱负压、垂直燃烧速度、17#风箱温度、19#风箱温度和20#风箱温度，斯皮尔曼秩相关系数结果如表1所示。复杂工业过程中，只要斯皮尔曼秩相关系数绝对值大于0.2就能说明两个变量之间具有较强相关性，故这些关键烧结参数能够作为烧结过程碳效预测模型的输入变量。

表1关键烧结参数和综合焦比的斯皮尔曼秩相关系数

(3)自动辨识烧结过程多种工况模式

在确定影响碳效的关键烧结参数基础上，以1h为采样周期对实际烧结生产数据进行时序配准和平均值滤波处理，获得样本数据点共2000个，每个样本数据点对应一组历史关键烧结参数及碳效指标数据，其中1800个样本数据点用于碳效预测模型训练，剩下的样本数据点用于碳效预测模型测试。再使用近邻传播聚类算法对训练样本数据进行多种工况模式的自动辨识，得到4种工况模式；

(4)基于混合核的最小二乘向量机建模方法建立不同工况模式下的预测模型

在4种工况模式下，以台车速度、料层厚度、BTP、BTP温度、风箱负压、垂直燃烧速度、17#风箱温度、19#风箱温度和20#风箱温度这些关键烧结参数为模型输入，分别建立烧结过程碳效基于混合核的最小二乘向量机的碳效预测模型；

(5)实现烧结过程碳效的在线预测

在近邻传播聚类算法对训练样本数据进行多种工况模式的自动辨识的基础上，可以得到不同工况模式的范例数据点，然后分别计算实际生产数据与这些范例数据点之间的马氏距离，进而得到最小的马氏距离来决定调用哪一工况模式下建立的预测模型进行烧结过程碳效的在线预测。烧结过程碳效在线预测的原理框图如图2所示，其结构能够较好反映烧结过程复杂的系统动态。烧结过程碳效在线预测值与实际值的对比结果如图3所示，碳效预测结果的绝对误差见如图4所示。由图2和图3可知，烧结过程碳效预测结果的绝对误差在[0,1.4]kg/t之内，这能够说明碳效的在线预测值与实际值非常吻合。因此，所提出的方法能实现碳效准确的在线预测，满足实际烧结生产的要求，并对推动烧结过程的智能制造和绿色制造具有重要的工程实践意义。

如图5所示，一种基于多工况模式辨识的烧结过程碳效在线预测设备401：所述一种基于多工况模式辨识的烧结过程碳效在线预测设备401实现所述的任意一种基于多工况模式辨识的烧结过程碳效在线预测方法。

处理器402：所述处理器402加载并执行存储设备403中存储的指令及数据用于实现所述的任意一种基于多工况模式辨识的烧结过程碳效在线预测方法。

存储设备403：所述存储设备403存储指令及数据；所述存储设备403用于实现所述的任意一种基于多工况模式辨识的烧结过程碳效在线预测方法。

本发明的有益效果是：

(1)为了避免烧结过程多种工况模式的相互影响，采用近邻传播聚类算法对多种工况模式进行自动辨识，为实现烧结过程碳效在线预测奠定基础；

(2)在辨识多种工况模式基础上，运用基于混合核的最小二乘向量机建模方法建立不同工况模式下的预测模型，有利于反映烧结过程的系统动态；

(3)通过收集烧结过程实际生产数据，进行烧结过程碳效的在线预测仿真实验，为钢铁烧结过程智能制造提供有效的解决方案。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多工况模式辨识的烧结过程碳效在线预测方法，其特征在于：包括以下步骤：

S1：以综合焦比作为衡量烧结过程的碳效指标，根据烧结机理分析和数据相关性分析确定影响碳效的关键烧结参数；影响碳效的所述关键烧结参数包括：台车速度、料层厚度、烧结终点位置、烧结终点温度、风箱负压、垂直燃烧速度以及与碳效指标相关性最高的3个风箱的温度；所述关键烧结参数在不同工况模式下具有不同特性；

S2：获取若干样本数据点，每个样本数据点对应一组历史关键烧结参数及碳效指标数据，对所述若干样本数据点进行时序配准和平均值滤波处理后，再采用近邻传播聚类算法进行聚类处理，最终得到C个范例数据点和C种聚类，一种聚类对应一个范例数据点；一种聚类对应一种工况模式，实现了自动辨识烧结过程多种工况模式；C为大于0的正整数；范例数据点来源于样本数据点；

S3：运用基于混合核的最小二乘向量机建模方法建立不同工况模式下的碳效预测模型，所述碳效预测模型的输入变量为所述关键烧结参数，输出变量为碳效指标；

S4：分别计算获取的实际关键烧结参数数据与C个范例数据点之间的马氏距离，调用最小马氏距离对应的工况模式下的所述碳效预测模型，将所述实际关键烧结参数数据输入到该碳效预测模型中，进行碳效的在线预测。

2.如权利要求1所述的一种基于多工况模式辨识的烧结过程碳效在线预测方法，其特征在于：步骤S1中所述的综合焦比的计算公式为：

其中，η是综合焦比(kg/t)，C_c是焦粉配比(％)，M是烧结原料的质量(kg)，η_r表示烧结成品率(％)，η_t表示烧损率(％)。

3.如权利要求1所述的一种基于多工况模式辨识的烧结过程碳效在线预测方法，其特征在于：步骤S2中所述的使用近邻传播聚类算法自动辨识烧结过程多种工况模式的过程如下：

(2-1)：近邻传播聚类算法以所有样本数据点为潜在的范例数据点，计算数据点对之间的相似度：

S(i,j)＝-||x_i-x_j||²；x_i,x_j∈X；i,j∈{1,2,...,N}

其中，

是样本数据集，N是样本数据点的总数目，i表示第i个样本数据点，j表示第j个样本数据点，S(i,j)是样本数据点x_i和x_j之间的相似度，||x_i-x_j||是样本数据点x_i和x_j的欧几里得范数；

(2-2)：近邻传播聚类算法中设置有可信度r(i,j)和可用度a(i,j)，以确定某个样本数据点与哪个范例数据点相关联；对于样本数据点x_i和候选范例数据点x_j，可信度r(i,j)用来说明样本数据点x_j作为样本数据点x_i的范例数据点的代表程度，可用度a(i,j)用来显示样本数据点x_i选择样本数据点x_j作为范例数据点的合适程度；近邻传播聚类算法的迭代过程就是可信度r(i,j)和可用度a(i,j)交替更新的过程：

其中，k表示不同于i和j的任一样本数据点，i′表示不同于i和k的任一样本数据点；

(2-3)：当使用的该近邻传播聚类算法收敛后，将可信度和可用度结合起来识别范例数据点，以获得相应的聚类结果c_k：

通过使用近邻传播聚类算法实现了烧结过程多种工况模式的自动辨识，得到C种工况模式。

4.如权利要求1所述的一种基于多工况模式辨识的烧结过程碳效在线预测方法，其特征在于：步骤S3中所述的基于混合核的最小二乘向量机建模方法包括以下步骤：

(3-1)若影响烧结碳效的关键烧结参数和碳效指标组成的训练样本数据集为{(x_i,y_i),i＝1,2,...,N}，其中，x_i是第i组输入变量，y_i是第i组碳效指标；辨识的第h种工况模式有N_h组样本数据，且满足

C为工况模式的种类数目；则在第h种工况模式下，采用非线性映射函数建立烧结过程碳效的回归预测模型为：

y^h＝＜ω,φ(x)＞+β＝ω^Tφ(x)+β

其中，φ(x)是非线性映射函数，ω是权值向量，β是偏离量；

(3-2)基于结构风险最小化原理，将上述回归预测模型的回归问题表示为如下所示的约束优化问题：

s.t.y^h＝ω^Tφ(x_o)+β+e_o,o＝1,2,...,N_h

其中，γ是正则化参数，γ>0，e_o是所述回归预测模型的拟合误差；

(3-3)利用拉格朗日技术解决上述约束优化问题，得到如下所示的基于混合核的最小二乘向量机的碳效预测模型：

其中，α_o是拉格朗日乘子，K_H(x,x_o)是混合核函数，该混合核函数被构造为：

K_H＝τK_P+(1-τ)K_R

其中，τ是一个比例常数，且0≤τ≤1，K_P是多项式核函数，ρ多项式核参数，K_R是径向基核函数，σ是径向基核宽度参数。

5.如权利要求1所述的一种基于多工况模式辨识的烧结过程碳效在线预测方法，其特征在于：步骤S4中，设定实际关键烧结参数数据为x，分别计算x与所有范例数据点的马氏距离的公式为：

其中，L_h(x,c_h)是x与第h个范例数据点c_h的马氏距离，Σ^-1是协方差矩阵，h＝1,2,…,C。

6.如权利要求1所述的一种基于多工况模式辨识的烧结过程碳效在线预测方法，其特征在于：步骤S4中，计算得到的有C个马氏距离。

7.一种基于多工况模式辨识的烧结过程碳效在线预测设备，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中存储的指令及数据用于实现权利要求1～6所述的任意一种基于多工况模式辨识的烧结过程碳效在线预测方法。

Images