CN111553048A - 一种基于高斯过程回归的烧结过程运行性能预测的方法 - Google Patents

Abstract

本发明提供了一种基于高斯过程回归的烧结过程运行性能预测的方法，以田口过程能力指数作为运行性能的评价指标。首先，利用互信息分析方法选择出与运行性能具有较强相互依赖关系的检测参数。将选择出的检测参数作为运行性能预测模型的输入，运行性能作为输出，利用高斯过程回归方法构建运行性能预测模型。将获取的实际烧结过程中的检测数据输入至所述运行性能预测模型，得到当前烧结过程的运行性能。本发明的有益效果是：提高了烧结过程运行性能的预测精度，为操作人员评价烧结过程提供了有力指导，具备实用性，具有广阔的应用前景。

Description

一种基于高斯过程回归的烧结过程运行性能预测的方法

技术领域

本发明涉及铁矿石烧结生产技术领域，尤其涉及一种基于高斯过程回归的烧结过程运行性能预测的方法、设备及存储设备。

背景技术

烧结是炼铁的前端生产过程，其产品是炼铁的基础。这是一个热聚合过程，其原料包括铁矿粉，烧结矿原矿，助熔剂和固体燃料(焦炭)。烧结过程的目的是制造具有适当特性的烧结矿，这些特性包括热，机械，物理和化学性质。运行性能是生产设备一定动力情况下，生产过程的运行状态，它可以衡量生产状态的优劣程度。关于烧结过程的运行性能的研究较少，但是在其他工业过程，运行性能的预测与评价得到的快速发展。

自然界中大多数数据都是服从高斯分布的，工业数据也不例外。这给高斯过程回归方法的应用带来了很大的契机。如学者提出了一种采用加权高斯过程回归方法，并用于预测光伏发电。结合高斯过程回归模型和随机波动率模型，学者建立了一种新的高斯过程回归随机波动率模型，该模型用于分析金融时间序列数据。

烧结过程的运行性能关系到烧结过程的生产效率和能源利用。有效的预测和评价烧结过程的运行性能能给操作人员提供有力的指导。烧结终点的稳定直接影响到烧结企业的经济效益。用运行性能的评价结果指导烧结终点的控制，将给烧结企业带来经济效益和生产效率的双赢。因此，发明一种基于高斯过程回归的烧结过程运行性能预测方法是有必要的，本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

为了解决上述问题，本发明提供了一种基于高斯过程回归的烧结过程运行性能预测的方法，主要包括以下步骤：

S1：以田口过程能力指数作为烧结过程运行性能的评价指标，利用互信息分析方法得到与运行性能具有较强相互依赖关系的检测参数；

S2：利用高斯过程回归方法构建运行性能预测模型，该运行性能预测模型的输入为所述检测参数，输出为运行性能；

S3：将获取的实际烧结过程中的检测数据输入至所述运行性能预测模型，得到当前烧结过程的运行性能。

进一步地，步骤S1中具体包括以下过程：

(1-1)以烧结终点为田口过程能力指数的决策参数，计算烧结过程运行性能：

其中，L_U和L_L是烧结终点的规格上限和下限，T是期望的烧结终点平均值，

是烧结终点时间序列的估计平均值，

是烧结终点时间序列的标准差；

(1-2)依次计算所有烧结过程中的参数与运行性能之间的互信息；设运行性能的时间序列为C_pm＝{c₁,c₂,...,c_m}，某一参数的时间序列为D＝{d₁,d₂,...,d_m}，其中m是时间序列的长度，那么它们之间的互信息表示为：

其中，p(d,c)是D和C_pm的联合概率密度函数，而p(d)和p(c)分别是D和C_pm的边缘概率密度函数；预设一个互信息阈值t_I，当I(D,C_pm)≥t_I时，这一参数即为与运行性能具有较强相互依赖关系的检测参数，共得到k个检测参数，k为大于0 的正整数。

进一步地，步骤S2中具体包括以下过程：

得到的烧结过程检测参数有k个，k为大于0的正整数，被选中的运行性能预测模型的输入数据为P＝{P₁,P₂,...,P_m}，P_i＝{p₁,p₂,...,p_k}，i＝1,2,...m；对应的运行性能是C_pm＝{c₁,c₂,...,c_m}，那么运行性能预测模型为：

C_pm＝f(P)+ε

其中ε表示噪声，它服从高斯分布

σ是噪声的标准差；f(·)表示高斯过程，那么得到C_pm的先验分布为：

C_pm～N(μ(P),κ(P,P)+σ²I_m)

其中I_m是m阶单位矩阵；这里μ(P)表示均值函数，得到各个维度的均值；κ(P,P) 为核函数，核函数为：

其中σ和l是高斯核的超参数。

进一步地，步骤S3中具体包括以下过程：

设待预测的烧结过程时间序列数据样本P’的运行性能为

与C_pm服从联合高斯分布，即，

根据多维高斯分布的条件分布公式，

后验分布为：

其中，

然后，以条件分布的平均值作为预测值，得到烧结过程运行性能预测模型的输出

本发明提供的技术方案带来的有益效果是：

(1)本发明的一种基于高斯过程回归的烧结过程运行性能预测方法，利用互信息分析方法选择运行性能预测模型的输入，充分考虑了检测参数和运行性能的数据分布依赖性。

(2)本发明的一种基于高斯过程回归的烧结过程运行性能预测方法，利用高斯过程回归方法构建了运行性能预测模型，这符合了烧结过程数据分布均服从高斯分布的这个特征。因此，该模型具有比较好的预测效果。

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高斯过程回归的烧结过程运行性能预测的方法的流程图；

图2是本发明实施例中烧结过程运行性能预测结果示意图。

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一种基于高斯过程回归的烧结过程运行性能预测的方法。

请参考图1，图1是本发明实施例中一种基于高斯过程回归的烧结过程运行性能预测的方法的流程图，以田口过程能力指数作为运行性能的评价指标。首先，利用互信息分析方法选择出与运行性能具有较强相互依赖关系的检测参数。将选择出的检测参数作为运行性能预测模型的输入，运行性能作为输出，利用高斯过程回归方法构建运行性能预测模型。然后使用实际生产数据进行实验验证。该方法包括：

S1：以田口过程能力指数作为烧结过程运行性能的评价指标，利用互信息分析方法得到与运行性能具有较强相互依赖关系的检测参数；

(1-1)以烧结终点为田口过程能力指数的决策参数，计算烧结过程运行性能：

其中，L_U和L_L是烧结终点的规格上限和下限，T是期望的烧结终点平均值，

是烧结终点时间序列的估计平均值，

是烧结终点时间序列的标准差；

(1-2)依次计算所有烧结过程中的参数与运行性能之间的互信息；设运行性能的时间序列为C_pm＝{c₁,c₂,...,c_m}，某一参数的时间序列为D＝{d₁,d₂,...,d_m}，其中m是时间序列的长度，那么它们之间的互信息表示为：

其中，p(d,c)是D和C_pm的联合概率密度函数，而p(d)和p(c)分别是D和C_pm的边缘概率密度函数；预设一个互信息阈值t_I，当I(D,C_pm)≥t_I时，这一参数即为与运行性能具有较强相互依赖关系的检测参数，共得到k个检测参数，k为大于0 的正整数。

S2：利用高斯过程回归方法构建运行性能预测模型，该运行性能预测模型的输入为所述检测参数，输出为运行性能；

得到的烧结过程检测参数有k个，k为大于0的正整数，被选中的运行性能预测模型的输入数据为P＝{P₁,P₂,...,P_m}，P_i＝{p₁,p₂,...,p_k}，i＝1,2,...m；设即这些输入数据的时间序列为P＝{P₁,P₂,...,P_m}，m是时间序列的长度，对应的运行性能是C_pm＝{c₁,c₂,...,c_m}，那么运行性能预测模型为：

C_pm＝f(P)+ε

其中ε表示噪声，它服从高斯分布

f(·)表示高斯过程，那么得到C_pm的先验分布为：

C_pm～N(μ(P),κ(P,P)+σ²I_m)

其中I_m是m阶单位矩阵；这里μ(P)表示均值函数，得到各个维度的均值；κ(P,P) 为协方差函数(也叫核函数)，得到两个向量各个维度之间的协方差矩阵；本实施例中将高斯核作为核函数，那么核函数为：

其中σ和l是高斯核的超参数。

S3：将获取的实际烧结过程中的检测数据输入至所述运行性能预测模型，得到当前烧结过程的运行性能；

设待预测的烧结过程时间序列数据样本P’的运行性能为

与C_pm服从联合高斯分布，即，

其中，P’为获取的新的一批数据，与P类似；根据多维高斯分布的条件分布公式，

后验分布为：

其中，

然后，以条件分布的平均值作为预测值，得到烧结过程运行性能预测模型的输出

本实施例的具体操作步骤如下：

(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；

(2)按照步骤(1-1)所述计算烧结过程的运行性能，这些数据构成运行性能预测模型的输出数据集。按照步骤(1-2)所述，从原始样本数据中选择出于互信息大于阈值t_I＝0.4的检测参数，共选择出9个检测参数，利用这9个检测参数构成运行性能预测模型所需的输入数据集。对数据集进行拆分形成训练数据集和测试数据集。

(3)根据上述步骤S2的方法，构建运行性能预测模型。利用1000组数据样本的用作训练，得到所需的运行性能预测模型。

(4)根据上述步骤S3的方法，利用构建的运行性能预测模型，对另外的 1000组数据样本进行运行性能预测，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运行性能的有效预测，且预测精度较高，具有重要的经济价值和应用价值，具备实用性。

本发明的有益效果是：

(1)本发明的一种基于高斯过程回归的烧结过程运行性能预测方法，利用互信息分析方法选择运行性能预测模型的输入，充分考虑了检测参数和运行性能的数据分布依赖性。

(2)本发明的一种基于高斯过程回归的烧结过程运行性能预测方法，利用高斯过程回归方法构建了运行性能预测模型，这符合了烧结过程数据分布均服从高斯分布的这个特征。因此，该模型具有比较好的预测效果，预测精度高，具备实用性。

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 (4)

1.一种基于高斯过程回归的烧结过程运行性能预测的方法，其特征在于：包括以下步骤：

S1：以田口过程能力指数作为烧结过程运行性能的评价指标，利用互信息分析方法得到与运行性能具有较强相互依赖关系的检测参数；

S2：利用高斯过程回归方法构建运行性能预测模型，该运行性能预测模型的输入为所述检测参数，输出为运行性能；

S3：将获取的实际烧结过程中的检测数据输入至所述运行性能预测模型，得到当前烧结过程的运行性能。

2.如权利要求1所述的一种基于高斯过程回归的烧结过程运行性能预测的方法，其特征在于：步骤S1中具体包括以下过程：

(1-1)以烧结终点为田口过程能力指数的决策参数，计算烧结过程运行性能：

其中，L_U和L_L是烧结终点的规格上限和下限，T是期望的烧结终点平均值，

是烧结终点时间序列的估计平均值，

是烧结终点时间序列的标准差；

(1-2)依次计算所有烧结过程中的参数与运行性能之间的互信息；设运行性能的时间序列为C_pm＝{c₁,c₂,...,c_m}，某一参数的时间序列为D＝{d₁,d₂,...,d_m}，其中m是时间序列的长度，那么它们之间的互信息表示为：

其中，p(d,c)是D和C_pm的联合概率密度函数，而p(d)和p(c)分别是D和C_pm的边缘概率密度函数；预设一个互信息阈值t_I，当I(D,C_pm)≥t_I时，这一参数即为与运行性能具有较强相互依赖关系的检测参数，共得到k个检测参数，k为大于0的正整数。

3.如权利要求1所述的一种基于高斯过程回归的烧结过程运行性能预测的方法，其特征在于：步骤S2中具体包括以下过程：

得到的烧结过程检测参数有k个，k为大于0的正整数，被选中的运行性能预测模型的输入数据为P＝{P₁,P₂,...,P_m}，P_i＝{p₁,p₂,...,p_k}，i＝1,2,...m；对应的运行性能是C_pm＝{c₁,c₂,...,c_m}，那么运行性能预测模型为：

C_pm＝f(P)+ε，

其中ε表示噪声，它服从高斯分布

σ是噪声的标准差；f(·)表示高斯过程，那么得到C_pm的先验分布为：

C_pm～N(μ(P),κ(P,P)+σ²I_m)

其中I_m是m阶单位矩阵；这里μ(P)表示均值函数，得到各个维度的均值；κ(P,P)为核函数，核函数为：

其中σ和l是高斯核的超参数。

4.如权利要求1所述的一种基于高斯过程回归的烧结过程运行性能预测的方法，其特征在于：步骤S3中具体包括以下过程：

设待预测的烧结过程时间序列数据样本P’的运行性能为

与C_pm服从联合高斯分布，即，

根据多维高斯分布的条件分布公式，

后验分布为：

其中，

然后，以条件分布的平均值作为预测值，得到烧结过程运行性能预测模型的输出

Images