CN111444942B - 一种高炉铁水硅含量智能预报方法及系统 - Google Patents
一种高炉铁水硅含量智能预报方法及系统 Download PDFInfo
- Publication number
- CN111444942B CN111444942B CN202010165895.XA CN202010165895A CN111444942B CN 111444942 B CN111444942 B CN 111444942B CN 202010165895 A CN202010165895 A CN 202010165895A CN 111444942 B CN111444942 B CN 111444942B
- Authority
- CN
- China
- Prior art keywords
- working condition
- condition data
- historical
- data
- silicon content
- 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.)
- Active
Links
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 137
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 137
- 239000010703 silicon Substances 0.000 title claims abstract description 137
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 106
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 53
- 238000013277 forecasting method Methods 0.000 title claims description 16
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000002922 simulated annealing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007664 blowing Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004448 titration Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 241001232253 Xanthisma spinulosum Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- KVFIJIWMDBAGDP-UHFFFAOYSA-N ethylpyrazine Chemical compound CCC1=CN=CC=N1 KVFIJIWMDBAGDP-UHFFFAOYSA-N 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种高炉铁水硅含量智能预报方法及系统,通过对高炉的历史工况数据按波动率进行分类,获得不同工况的历史训练参数,对不同工况的历史训练参数,分别训练预测网络,将当前工况数据输入不同的预测网络,获得与预测网络数目相同的预测值以及将预测值输入决策网络,获得硅含量实时预测值,解决了现有的硅含量预测模型由于无法自适应工况变化导致硅含量预测精度低的技术问题,不仅能获得与自适应工况变化对应的高精度硅含量预测值,而且具有稳定性强,成本低,投资少等显著优点。且本发明的方法适用范围广,不仅适用于高炉铁水硅含量,也适用于其他成分信息,模型实时更新,能自适应各种工况。
Description
技术领域
本发明主要涉及高炉铁水硅含量检测技术领域,特指一种高炉铁水硅含量智能预报方法及系统。
背景技术
高炉冶金在我国冶金行业中仍占据着不可撼动的主导地位。高炉是一个密闭的反应容器,在高温条件下,伴随着一系列复杂的物理、化学反应,从矿石或人造富矿中产出粗金属。稳定的炉温是反应过程正常进行的保证,也是重要的经济技术指标,高炉炼铁的反应温度需要控制在1480~1530摄氏度左右。若炉温发生波动,会显著影响铁水的质量:炉温“过热”时,炉内煤气流旺盛,易造成悬料、塌料的异常炉况,同时造成巨大的能源浪费;炉温“过凉”时,铁水的物理热过低,易造成炉缸冻结事故。由于高炉的特殊性,目前无法做到实时在线测量炉内温度。而铁水的硅含量是反应高炉温度以及铁水质量的重要指标,目前通常采用化学滴定法来测定铁水的硅含量,受方法限制,一般两组数据的时间间隔在半小时以上。此方法在时间上具有较大的滞后性,无法给高炉的温度实时控制带来实际的指导作用。获取高炉实时的硅含量数据,不仅能够为控制高炉温度提供重要依据,还能及时发现高炉的异常工况。因此,在实际生产过程中,实现硅含量的实时在线预报显得极其重要。
本发明的对象为高炉铁水中的硅含量(也适用于铁水的钛含量预测),存在于密封的高炉内部或者高温熔融铁水中,难以采用常规的成分测量方法来实现。此外,铁水中硅元素的含量与众多工况参数有着复杂的非线性关系,难以通过机理模型来实现硅含量准确的实时预测。目前的基于数据驱动的铁水硅含量预测方法,是采用大量的历史工况数据与历史硅含量作为模型的输入输出变量,因此传统的硅含量预测方法存在以下缺点:(1)数据的选取不具针对性,训练集冗余,有过拟合的风险。(2)硅含量预测与前一时刻的数值相关程度高,对工况波动时的预测效果差。(3)模型的数据更新缓慢,自我修正能力差。
专利公开号CN102031319A一种高炉铁水硅含量的预报方法。输入数据采用了硅含量的短期均值、中期均值和长期均值、前次铁水对应的风口理论燃烧温度、前次铁水硫含量五个参数。短期、中期、长期均值的周期选择均是根据人工的经验选择,缺乏足够理论依据。网络最终的硅含量预测结果由上述五个输入量进行加权求和获得,而各输入变量的权重是根据多元回归或神经网络获得,因此模型参数一直保持不变,不具备自更新能力,对各种波动工况的适应较差。
专利公开号CN106709197A基于滑动窗口T-S模糊神经网络模型的铁水硅含量预测方法,能够实时更新网络的参数具有良好的自适应性。但是没有对不同工况的数据分开预测,此外加入了前一炉的硅含量数据,则当前时刻的数据再波动时刻依然对前一时刻硅含量具有极强的依赖,波动时刻的硅含量预测精度有待验证。
发明内容
本发明提供的高炉铁水硅含量智能预报方法及装置,解决了现有的硅含量预测模型由于无法自适应工况变化导致硅含量预测精度低的技术问题。
为解决上述技术问题,本发明提出的高炉铁水硅含量智能预报方法包括:
对高炉的历史工况数据按波动率进行分类,获得不同工况的历史训练参数,其中历史工况数据包括高炉工况数据和与高炉工况数据对应的硅含量数据;
对不同工况的历史训练参数,分别训练预测网络;
将当前工况数据输入不同的预测网络,获得与预测网络数目相同的预测值;
将预测值输入决策网络,获得硅含量实时预测值。
进一步地,对高炉的历史工况数据按波动率进行分类包括:
计算历史工况数据中硅含量数据的波动率,波动率的计算公式为;
RF(Xj)=D(Xj)/E(Xj)2;
其中,Xj为第j组历史工况数据,RF(Xj)为第j组历史工况数据中硅含量数据的波动率,D(Xj)为第j组历史工况数据在定长区间内硅含量数据的方差,E(Xj)2为第j组历史工况数据在定长区间内硅含量数据的二阶矩;
根据波动率,将历史工况数据分成平稳历史工况数据和波动历史工况数据。
进一步地,对不同工况的历史训练参数,分别训练预测网络包括:
将平稳历史工况数据输入第一预测网络进行训练,获得平稳预测网络;
将波动历史工况数据输入第二预测网络进行训练,获得波动预测网络。
进一步地,将平稳历史工况数据输入第一预测网络进行训练,获得平稳预测网络包括:
基于平稳历史工况数据,采用列文伯格-马夸尔特算法和模拟退火算法训练递归神经网络,从而获得第一预测网络,其中递归神经网络采用Huber损失函数,表达式为:
其中,Lδ(y,f(x))为损失函数的值,y为数据的真实值,f(x)为网络的预测值,δ为由用户自定义的超参数。
进一步地,对高炉的历史工况数据按波动率进行分类,获得不同工况的历史训练参数之前还包括:
按照预设周期实时采集高炉工况与硅含量相关程度满足预设阈值的历史工况数据;
计算当前实时工况数据与历史工况数据之间的加权欧式距离,并按照加权欧式距离选取预设组数目的与当前实时工况数据对应的当前工况数据,且计算当前实时工况数据与历史工况数据之间的加权欧式距离的具体公式为:
其中,ρj为当前实时工况数据与第j组历史工况数据的加权欧式距离,Xi为第j组历史工况数据的第i项工况,Yi表示当前实时工况数据,wi为第j组历史工况数据中第i项工况与硅含量之间的相关系数,n为第j组历史工况数据的工况总数目;
对历史工况数据和当前工况数据进行预处理。
进一步地,对历史工况数据进行预处理包括:
计算历史工况数据中各工况数据的平均值;
计算历史工况数据中各工况数据的加权欧式距离,从而获得权重欧式距离矩阵;
采用拉依达准则筛选数据,求取权重欧式距离矩阵中的权重欧式距离的均值;
采用贝塞尔公式求解权重欧式距离矩阵中的权重欧式距离的标准差;
基于标准差,按照拉依达准则,剔除历史工况数据中的异常数据;
对剔除异常数据后的历史工况数据进行归一化。
进一步地,将当前工况数据输入不同的预测网络,获得与预测网络数目相同的预测值包括:
将当前工况数据输入平稳预测网络,获得平稳预测值;
将当前工况数据输入波动预测网络,获得波动预测值。
进一步地,将预测值输入决策网络,获得硅含量实时预测值包括:
采用列文伯格-马夸尔特算法和模拟退火算法对决策网络进行训练,获得训练好的决策网络;
基于平稳预测值、波动预测值,以及上一时刻硅含量数据,采用训练好的决策网络,输出硅含量实时预测值。
本发明提出的高炉铁水硅含量智能预报系统包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现本发明的高炉铁水硅含量智能预报方法的步骤。
与现有技术相比,本发明的优点在于:
本发明提供的高炉铁水硅含量智能预报方法及系统,通过对高炉的历史工况数据按波动率进行分类,获得不同工况的历史训练参数,对不同工况的历史训练参数,分别训练预测网络,将当前工况数据输入不同的预测网络,获得与预测网络数目相同的预测值以及将预测值输入决策网络,获得硅含量实时预测值,解决了现有的硅含量预测模型由于无法自适应工况变化导致硅含量预测精度低的技术问题,不仅能获得与自适应工况变化对应的高精度硅含量预测值,而且具有稳定性强,成本低,投资少等显著优点,且本发明的方法适用范围广,不仅适用于高炉铁水硅含量,也适用于其他成分信息,模型实时更新,能自适应各种工况。
附图说明
图1为本发明实施例一的高炉铁水硅含量智能预报方法的流程图;
图2为本发明实施例二的高炉铁水硅含量智能预报方法的流程图;
图3为本发明实施例二的RNN网络结构示意图;
图4为本发明实施例二训练预测网络示意图;
图5为本发明实施例二训练决策网络示意图;
图6为本发明实施例二的高炉铁水硅含量的智能预报示意图;
图7为本发明的高炉铁水硅含量智能预报系统的结构框图;
图8为本发明实施例三的高炉铁水硅含量智能预报系统的结构框图。
附图标记说明:
10:存储器;20、处理器;U0:高炉工况参数单元;U1:数据读取单元;U2:数据预处理单元;U3:预测网络单元;U4:决策网络单元;U5:输出单元;M1:平稳预测网络;M2:波动预测网络;M3:决策网络。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述,但本发明的保护范围并不限于以下具体的实施例。
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一
参照图1,本发明实施例一提供的高炉铁水硅含量智能预报方法,包括:
步骤S101,对高炉的历史工况数据按波动率进行分类,获得不同工况的历史训练参数,其中历史工况数据包括高炉工况数据和与高炉工况数据对应的硅含量数据;
步骤S102,对不同工况的历史训练参数,分别训练预测网络;
步骤S103,将当前工况数据输入不同的预测网络,获得与预测网络数目相同的预测值;
步骤S104,将预测值输入决策网络,获得硅含量实时预测值。
本发明实施例提供的高炉铁水硅含量智能预报方法,通过对高炉的历史工况数据按波动率进行分类,获得不同工况的历史训练参数,对不同工况的历史训练参数,分别训练预测网络,将当前工况数据输入不同的预测网络,获得与预测网络数目相同的预测值以及将预测值输入决策网络,获得硅含量实时预测值,解决了现有的硅含量预测模型由于无法自适应工况变化导致硅含量预测精度低的技术问题,不仅能获得与自适应工况变化对应的高精度硅含量预测值,而且具有稳定性强,成本低,投资少等显著优点。
需要说明的是,本发明的方法适用范围广,不仅适用于高炉铁水硅含量,也适用于其他成分信息,模型实时更新,能自适应各种工况。
实施例二
参照图2,本发明实施例二提供的高炉铁水硅含量智能预报系统包括:
步骤S201,按照预设周期实时采集高炉工况与硅含量相关程度满足预设阈值的历史工况数据。
步骤S202,计算当前实时工况数据与历史工况数据之间的加权欧式距离,并按照加权欧式距离选取预设组数目的与当前实时工况数据对应的当前工况数据,且计算当前实时工况数据与历史工况数据之间的加权欧式距离的具体公式为:
其中,ρj为当前实时工况数据与第j组历史工况数据的加权欧式距离,Xi为第j组历史工况数据的第i项工况,Yi表示当前实时工况数据,wi为第j组历史工况数据中第i项工况与硅含量之间的相关系数,n为第j组历史工况数据的工况总数目。
具体地,本实施例读取的工况数据具体为透气性指数、冷风流量、鼓风动能、炉腹煤气指数、理论燃烧温度、冷风压力、实际风速、热风温度、硅含量、上一时刻硅含量等。数据类型的选择是严格依据每个变量与高炉铁水的相关程度确定的。
相关系数的公式定义为:
其中,wi为第i项工况与硅含量之间的相关系数,Xj,i为第j组数据中第i项工况,Yj为第j组数据的硅含量值。计算获得各工况数据相关系数后,选取相关系数较大的前八项工况数据(透气性指数、冷风流量、鼓风动能、炉腹煤气指数、理论燃烧温度、冷风压力、实际风速、热风温度、硅含量),将各变量的相关系数存入权重矩阵W[w1,w2,...wn]。
本实施例的S201步骤主要负责读取、保存模型所需要的实时工况数据、历史硅含量工况数据(透气性指数、冷风流量、鼓风动能、炉腹煤气指数、理论燃烧温度、冷风压力、实际风速、热风温度、硅含量等)。为保证数据读取、存储的实时性,系统会周期性地访问数据库,一旦显示工况数据有更新,就立即读取最新工况数据,并执行历史数据读取操作。
第一组数据,按时间序列读取相对应的历史硅含量、工况数据(D1),一般历史数据的数量取500组。
第二组数据,根据最新的工况数据,按照各工况的加权欧式距离进行匹配,在数据库中的近期数据中,匹配与当前工况最临近的200组硅含量数据(D2)。详细步骤如下:
其中,ρj为当前实时工况数据与第j组历史工况数据的加权欧式距离,Xi为第j组历史工况数据(透气性指数、冷风流量、鼓风动能、炉腹煤气指数、理论燃烧温度、冷风压力、实际风速、热风温度、硅含量、上一时刻硅含量等)的第i项工况,Yi表示当前实时工况数据,也即最新时刻的工况数据,wi为第j组历史工况数据中第i项工况与硅含量之间的相关系数,n为第j组历史工况数据的工况总数目。
通过上述公式所求得的ρj即为历史工况数据与当前时刻的工况的欧式距离。将历史工况数据按照与实时工况数据的欧式距离从小到大排列,选取前200组。每次硅含量的预测都会伴随着上述两次数据读取操作,确保输入模型的训练数据在每次预测时都实时更新,使得模型具有良好的自适应能力。也即本实施例一方面实时更新历史工况数据,另一方面,通过欧式距离实时匹配与实时工况数据对应的当前工况数据,能确保输入训练网络或决策网络的训练数据在每次预测时都实时更新,不仅使模型具有良好的自适应能力,而且使模型能实时更新,进而获得高精度的硅含量预测值。
步骤S203,对历史工况数据和当前工况数据进行预处理。
步骤S204,计算历史工况数据中硅含量数据的波动率,并根据波动率,将历史工况数据分成平稳历史工况数据和波动历史工况数据。
为了使得采集的数据能够输入网络进行训练,本实施例对历史工况数据和当前工况数据进行预处理,且预处理的内容主要包括异常值的剔除与数据的归一化处理。
本实施例对历史工况数据进行预处理包括计算历史工况数据中各工况数据的平均值,计算历史工况数据中各工况数据的加权欧式距离,从而获得权重欧式距离矩阵,采用拉依达准则筛选数据,求取权重欧式距离矩阵中的权重欧式距离的均值,采用贝塞尔公式求解权重欧式距离矩阵中的权重欧式距离的标准差,基于标准差,按照拉依达准则,剔除历史工况数据中的异常数据,对剔除异常数据后的历史工况数据进行归一化。
具体地,本实施例首先对获取到的数据进行筛选,剔除异常值。在实际的生产过程中,由于工况波动、传感器异常、噪声干扰等难免产生异常的数据,如果将此类数据带入到模型中,将显著影响模型的预测精度。本发明将采用加权重欧式距离融合拉依达准则,来判别异常值,对一组历史数据Xj[xj,1,xj,2...xj,n]详细步骤如下。
Step1:计算采集到的历史工况数据D1中各工况的平均值。
Step2:计算各组工况数据的加权欧式距离,将权重欧式距离放入矩阵ρ[ρ1,ρ2,...ρm]。
Step3:依据拉依达准则筛选数据,先求取权重欧式距离的均值:
再利用贝塞尔公式求解权重欧式距离的标准差:
按照拉依达准则,剔除异常数据。若则剔除该组数据Xj[xj,1,xj,2,...xj,n],反之则保留。剔除异常值后,对筛选后数据D1进行分类处理,在时间序列上,按照滑动的定长区间,计算区间内硅含量数据的波动率,依据波动率的阈值将数据分为平稳数据和波动数据。
波动率的计算公式如下:
RF(Xj)=D(Xj)/E(Xj)2 (8)
其中,RF(Xj)为数据的波动率,其表征的是一组数据的变化剧烈程度,D(Xj)为定长区间内硅含量数据的方差,E(Xj)2为该区间内硅含量的二阶矩(随机变量平方的数学期望)。
设定一个阈值,按波动率的数值将历史硅含量数据分成两组数据:平稳工况的硅含量数据和波动工况的硅含量数据。将两种不同工况的数据分,分别作为两个网络的训练数据,能够使得网络能够更好的发掘工况的波动对硅含量的影响,因此网络在工况波动时间段的预测更为精确。
下一步,将数据D1、D2进行归一化处理。由于几个工况数据的量纲不同,数值也不在同一个数量级,会显著影响神经网络的综合评判结果和模型的收敛速度,因此我们需要对数据进行归一化处理。
Min-Max标准化:
Z-score标准化方法:
需要说明的是,本实施例可以采用同样的预处理方法对当前工况数据进行预处理。
步骤S205,将平稳历史工况数据输入第一预测网络进行训练,获得平稳预测网络,将波动历史工况数据输入第二预测网络进行训练,获得波动预测网络。
步骤S206,将当前工况数据输入平稳预测网络,获得平稳预测值;将当前工况数据输入波动预测网络,获得波动预测值。
本实施例针对两种不同工况的两个RNN神经网络(递归神经网络)模型构成,具体结构参照图3。其中,K为输入向量的大小,H为隐层神经元的个数,xt∈RK×1为第t时刻网络的输入值,ht∈RH×1为第t时刻RNN隐藏层的输出,yt∈RK×1为第t时刻网络的输出值,为样本的真实标签,W∈RH×K为输入层与隐藏层间的权重,U∈RH×H为上一时刻隐藏层与当前时刻隐藏层间的权重,V∈RK×H为隐藏层与输出层间的权重。RNN网络相较于一般神经网络,增加了记忆单元,适合与时间序列的预测,二铁水中硅含量具有时变、非线性和大滞后等特点,RNN网络的记忆特性与高炉铁水硅含量的时滞性十分吻合。
RNN网络损失函数采用Huber损失函数:
其中,Lδ(y,f(x))为损失函数的值,y为数据的真实值,f(x)为网络的预测值,δ为超参数,需根据数据特点人为给定。
本实施例利用经预处理后的数据D1.1、D1.2训练网络,且通过训练得到平稳训练网络M1和波动训练网络M2,具体参照图4。网络的训练过程采用了列文伯格-马夸尔特(Levenberg-Marquardt)算法和模拟退火算法,能够得到非线性最小化的数值解,此算法能借由执行时修改参数达到结合高斯-牛顿算法以及梯度下降法的优点,并对两者之不足作改善,极大地加快了网络训练过程的收敛速度。
网络训练完成后,将经预处理后的数据D2分别输入平稳预测网络和波动预测网络,进行预测,得到预测结果D1.3、D1.4。数据D1.3、D1.4将用于下一阶段决策网络的训练。其中,每次迭代更新的步骤如下:
βk+1=βk-(JTJ+λI)-1JTr (12)
式中β为迭代变量,J为雅克比矩阵,λ为设定系数,r为求解目标列向量,λ→+∞时相当于梯度下降算法,λ→0时为高斯牛顿算法。
步骤S207,采用列文伯格-马夸尔特算法和模拟退火算法对决策网络进行训练,获得训练好的决策网络,基于平稳预测值、波动预测值,以及上一时刻硅含量数据,采用训练好的决策网络,输出硅含量实时预测值。
本实施例的决策网络主要由一个RNN网络组成,负责评估两个预测网络的预测数据的可靠性,并预测出最终的硅含量。通过将数据D1.3、D1.4以及上一时刻硅含量输入网络,采用列文伯格-马夸尔特(Levenberg-Marquardt)算法和模拟退火算法对网络进行训练,具体参照图5,并在训练好决策网络后,基于平稳预测值、波动预测值,以及上一时刻硅含量数据,采用训练好的决策网络,输出硅含量实时预测值,具体参照图6。
可选地,本实施例采用训练好的决策网络,输出硅含量实时预测值后还包括数据的显示,主要以数字、曲线以及趋势三种方式给用户展现当前时刻的硅含量情况。曲线主要采用LingtningChart控件绘制,同时将数据中心化学滴定的硅含量数据以及本算法的实时预测硅含量数据绘制成两条曲线。通过两条曲线能够清晰地比较本算法与人工滴定法的硅含量的差异,反应硅含量的变化趋势,为高炉的操作提供参考。
本发明将高炉的历史工况参数按工况做分类处理,将不同工况的参数输入对应的预测网络,训练得到与工况相适应的预测网络模型。利用新的工况数据输入到不同的预测网络得到几个初步的预测值,再将几个初步的预测值输入决策网络进行进一步的判断,最终得到高精度的硅含量实时预测数据。该方法有精确度高,稳定性强,适用范围广(适用于高炉铁水硅含量,也适用于其他成分信息),模型实时更新,自适应各种工况,并且成本低,投资少等显著优点。
针对本领域硅含量预测方法的不足,本发明筛选重要的历史工况参数,依据工况参数的自身特征,将数据分为两个不同工况数据集。训练几个不同工况的网络,对不同工况的预测具有更强的针对性。模型的训练数据都是通过当前的工况参数在历史参数中匹配得到,因此每次硅含量的预测都伴随着模型的更新,能够自适应工况的变化。
本发明的目的在于提供一种利用易获取的高炉工况信息,建立硅含量的神经网络预测模型,实现高炉铁水硅含量的实时预测的方法。
本发发明的目的在于利用两层网络来预测硅含量的值,预测网络分别针对不同工况给出初步预测值,初步预测值再输入决策网络进一步评判,得到最终值。
本发明的目的在于建立实时更新的预测模型,模型的训练数据来自于由当前工况数据在历史数据中匹配得到的数据集,每次预测前模型都会实时更新,能够自适应不同工况。
参照图7,本发明提供的高炉铁水硅含量智能预报系统包括存储器10、处理器20以及存储在存储器10上并可在处理器20上运行的计算机程序,处理器20执行本发明的高炉铁水硅含量智能预报方法的步骤。
实施例三
参照图8,本发明实施例三的高炉铁水硅含量智能预报系统是由高炉工况参数单元U0、数据读取单元U1、数据预处理单元U2、预测网络单元U3、决策网络单元U4、输出单元U5组成。其具体流程为:首先通过数据读取单元U1从数据库或本地数据读取所需要的一定量的历史数据D1,再通过数据预处理单元U2将数据按波动率进行分组,将工况参数进行归一化处理,等待下一步处理;同时根据最新的工况数据通过数据读取单元U1从数据库或本地数据中按欧式距离匹配与当前工况最接近的若干组数据D2,通过数据预处理单元U2进行归一化处理,等待下一步处理。将按波动率划分并且处理后的两组数据D1.1、D1.2输入预测网络单元U3。该单元包括两个神经网络,波动率较小的数据输入第一预测网络,波动率较大的数据输入第二预测网络,训练后分别得到平稳预测网络M1和波动预测网络M2。预测网络训练完成后,将按欧式集合距离匹配的当前工况数据D2分别输入平稳预测网络M1和波动预测网络M2,得到初步的预测值,每一组工况都会得到来自两个不同网络的不同预测值D1.3、D1.4。接下来将得到的预测网络输出D1.3、D1.4分别输入决策网络M3,训练后得到决策网络模型。最新的工况数据通过预测网络的实时预测,得到两个初步预测值,在输入决策网络进行最终的预测,得到精确的硅含量实时预测值。本实施例的高炉铁水硅含量智能预报装置的工作原理和过程可参照本发明的高炉铁水硅含量智能预报方法的工作原理和过程。
下面对本发明的具体实施方案做进一步说明,本发明已成功在国内某钢铁厂#2高炉成功应用。为保证该算法的高效稳定运行,需配备高性能计算机一台,千兆网络与数据中心数据库相连。接下来为具体实施步骤:
1、在#2高炉中控室安装高性能计算机一台,配置稳定千兆以太网络。
2、数据读取单元U1访问数据中心数据库,获取高炉运行实时工况数据,为避免获取重复数据,重复匹配和计算,造成计算机资源浪费,在数据库中设定标志位,若有工况数据更新,则标志位改变。数据读取单元每10s访问一次数据库中标志位,保证能及时获取实时工况数据并且不浪费计算机资源。
3、数据预处理单元U2根据读取的历史数据D1,按照拉伊达准则剔除异常数据,数据归一化后再按波动率来划分数据为平稳工况D1.1和波动工况D1.2。根据最新时刻的工况数据D2在数据库中按加权欧式距离匹配最邻近的200组数据,归一化后得到数据D2.1。
4、将获取到的数据D1.1与D1.2分别导入预测网络单元U3,分别训练得到两个预测网络模型,平稳预测网络M1和波动预测网络M2。将数据D2.1分别导入训练完的模型M1与M2,得到两组预测结果,再经反归一化得到D1.3与D1.4。
5、将预测网络的输出数据D1.3与D1.4导入决策网络单元U4,完成决策网络M3训练。
6、将最新的工况数据D2分别导入网络M1与M2,输出反归一化后得到初步预测结果D2.2与D2.3,将D2.2与D2.3导入网络M3得到最终硅含量预测结果D3。
本发明实施例的高炉铁水硅含量智能预报系统将高炉的历史工况参数按工况做分类处理,将不同工况的参数输入对应的预测网络,训练得到与工况相适应的预测网络模型。利用新的工况数据输入到不同的预测网络得到几个初步的预测值,再将几个初步的预测值输入决策网络进行进一步的判断,最终得到高精度的硅含量实时预测数据。该方法有精确度高,稳定性强,适用范围广(适用于高炉铁水硅含量,也适用于其他成分信息),模型实时更新,自适应各种工况,并且成本低,投资少等显著优点。
针对本领域硅含量预测方法的不足,本发明实施例筛选重要的历史工况参数,依据工况参数的自身特征,将数据分为两个不同工况数据集。训练几个不同工况的网络,对不同工况的预测具有更强的针对性。模型的训练数据都是通过当前的工况参数在历史参数中匹配得到,因此每次硅含量的预测都伴随着模型的更新,能够自适应工况的变化。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (8)
1.一种高炉铁水硅含量智能预报方法,其特征在于,所述方法包括:
按照预设周期实时采集高炉工况与硅含量相关程度满足预设阈值的历史工况数据;
计算当前实时工况数据与所述历史工况数据之间的加权欧式距离,并按照所述加权欧式距离选取预设组数目的与所述当前实时工况数据对应的当前工况数据,且计算当前实时工况数据与所述历史工况数据之间的加权欧式距离的具体公式为:
其中,ρj为当前实时工况数据与第j组历史工况数据的加权欧式距离,Xji为第j组历史工况数据的第i项工况,Yi表示当前实时工况数据,wi为第j组历史工况数据中第i项工况与硅含量之间的相关系数,n为第j组历史工况数据的工况总数目;
对所述历史工况数据和当前工况数据进行预处理;
对高炉的历史工况数据按波动率进行分类,获得不同工况的历史训练参数,其中所述历史工况数据包括高炉工况数据和与所述高炉工况数据对应的硅含量数据;
对不同工况的历史训练参数,分别训练预测网络;
将当前工况数据输入不同的预测网络,获得与所述预测网络数目相同的预测值;
将所述预测值输入决策网络,获得硅含量实时预测值。
2.根据权利要求1所述的高炉铁水硅含量智能预报方法,其特征在于,对高炉的历史工况数据按波动率进行分类包括:
计算所述历史工况数据中硅含量数据的波动率,所述波动率的计算公式为;
RF(Xj)=D(Xj)/E(Xj)2,
其中,Xj为第j组历史工况数据,RF(Xj)为第j组历史工况数据中硅含量数据的波动率,D(Xj)为第j组历史工况数据在定长区间内硅含量数据的方差,E(Xj)2为第j组历史工况数据在定长区间内硅含量数据的二阶矩;
根据所述波动率,将所述历史工况数据分成平稳历史工况数据和波动历史工况数据。
3.根据权利要求2所述的高炉铁水硅含量智能预报方法,其特征在于,对不同工况的历史训练参数,分别训练预测网络包括:
将所述平稳历史工况数据输入第一预测网络进行训练,获得平稳预测网络;
将所述波动历史工况数据输入第二预测网络进行训练,获得波动预测网络。
5.根据权利要求1-4任一所述的高炉铁水硅含量智能预报方法,其特征在于,对所述历史工况数据进行预处理包括:
计算所述历史工况数据中各工况数据的平均值;
计算所述历史工况数据中各工况数据的加权欧式距离,从而获得权重欧式距离矩阵;
采用拉依达准则筛选数据,求取所述权重欧式距离矩阵中的权重欧式距离的均值;
采用贝塞尔公式求解所述权重欧式距离矩阵中的权重欧式距离的标准差;
基于所述标准差,按照拉依达准则,剔除所述历史工况数据中的异常数据;
对剔除异常数据后的所述历史工况数据进行归一化。
6.根据权利要求3所述的高炉铁水硅含量智能预报方法,其特征在于,将当前工况数据输入不同的预测网络,获得与所述预测网络数目相同的预测值包括:
将所述当前工况数据输入所述平稳预测网络,获得平稳预测值;
将所述当前工况数据输入所述波动预测网络,获得波动预测值。
7.根据权利要求6所述的高炉铁水硅含量智能预报方法,其特征在于,将所述预测值输入决策网络,获得硅含量实时预测值包括:
采用列文伯格-马夸尔特算法和模拟退火算法对决策网络进行训练,获得训练好的决策网络;
基于所述平稳预测值、所述波动预测值,以及上一时刻硅含量数据,采用训练好的决策网络,输出硅含量实时预测值。
8.一种高炉铁水硅含量智能预报系统,其特征在于,所述系统包括:
存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010165895.XA CN111444942B (zh) | 2020-03-11 | 2020-03-11 | 一种高炉铁水硅含量智能预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010165895.XA CN111444942B (zh) | 2020-03-11 | 2020-03-11 | 一种高炉铁水硅含量智能预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444942A CN111444942A (zh) | 2020-07-24 |
CN111444942B true CN111444942B (zh) | 2021-02-19 |
Family
ID=71653163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010165895.XA Active CN111444942B (zh) | 2020-03-11 | 2020-03-11 | 一种高炉铁水硅含量智能预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444942B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000927A (zh) * | 2020-08-31 | 2020-11-27 | 江苏方天电力技术有限公司 | 基于相关系数的最近历史工况选择方法 |
CN112133378A (zh) * | 2020-09-22 | 2020-12-25 | 新兴铸管股份有限公司 | 一种高炉铁水钛含量的精确预计方法 |
CN113325811B (zh) * | 2021-05-20 | 2022-03-22 | 杭州电子科技大学 | 一种基于记忆与遗忘策略的工业过程异常在线检测方法 |
CN114462309B (zh) * | 2022-01-19 | 2023-11-17 | 苏州浪潮智能科技有限公司 | 一种物理仿真模型训练方法、装置、设备和存储介质 |
CN117556711B (zh) * | 2024-01-08 | 2024-03-22 | 北京工业大学 | 基于神经网络的高炉喷煤优化方法、系统、终端和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915518A (zh) * | 2015-06-30 | 2015-09-16 | 中南大学 | 一种高炉铁水硅含量二维预报模型的构建方法及应用 |
CN108845501A (zh) * | 2018-09-11 | 2018-11-20 | 东北大学 | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 |
CN108875118A (zh) * | 2018-04-12 | 2018-11-23 | 中南大学 | 一种高炉铁水硅含量预测模型准确度评价方法和设备 |
-
2020
- 2020-03-11 CN CN202010165895.XA patent/CN111444942B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915518A (zh) * | 2015-06-30 | 2015-09-16 | 中南大学 | 一种高炉铁水硅含量二维预报模型的构建方法及应用 |
CN108875118A (zh) * | 2018-04-12 | 2018-11-23 | 中南大学 | 一种高炉铁水硅含量预测模型准确度评价方法和设备 |
CN108845501A (zh) * | 2018-09-11 | 2018-11-20 | 东北大学 | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 |
Non-Patent Citations (2)
Title |
---|
ASFC-based DNN Modeling for Prediction of Silicon Content in Blast;Yijing Fang et al;《2018 13th World Congress on Intelligent Control and Automation》;20190131;第527-533页 * |
高炉铁水硅含量预报的方法的研究;李连成 等;《第八届(2011)中国钢铁年会论文集》;20111031;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111444942A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN112100745B (zh) | 基于lda理论的汽车大梁钢力学性能预测方法 | |
CN109935280B (zh) | 一种基于集成学习的高炉铁水质量预测系统及方法 | |
CN110309608B (zh) | 一种针对时滞不确定信息的高炉铁水硅含量预报方法 | |
Yan et al. | DSTED: A denoising spatial–temporal encoder–decoder framework for multistep prediction of burn-through point in sintering process | |
CN111652355B (zh) | 一种基于lstm&dnn的高炉铁水硅含量预测方法及装置 | |
CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
CN104615856B (zh) | 基于热风炉组的煤气消耗量预测模型建立方法及装置 | |
CN113095550A (zh) | 基于变分递归网络和自注意力机制的空气质量预测方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
CN114841073A (zh) | 基于局部标签传播的即时学习半监督软测量建模方法 | |
CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
CN114077876A (zh) | 一种带钢热连轧多模态过程监测方法及装置 | |
CN117139380A (zh) | 一种基于调控经验自学习的镰刀弯控制方法 | |
CN109934421B (zh) | 一种面向波动炉况的高炉铁水硅含量预测与补偿方法 | |
CN110032069B (zh) | 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN115952888A (zh) | 基于多变量灰色模型的能源碳排放预测方法及系统 | |
CN115132298A (zh) | 弹簧钢脱碳分析预测方法 | |
Jiang et al. | A trend prediction method based on fusion model and its application |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 410000 Hunan province Changsha Lushan Road No. 932 Patentee after: CENTRAL SOUTH University Patentee after: Hefei Jinxing Intelligent Control Technology Co., Ltd Address before: 410000 Hunan province Changsha Lushan Road No. 932 Patentee before: CENTRAL SOUTH University Patentee before: Hefei Jinxing Electromechanical Technology Development Co., Ltd |