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
一种基于高斯过程回归的烧结过程运行性能预测的方法 Download PDFInfo
- Publication number
- CN111553048A CN111553048A CN202010206230.9A CN202010206230A CN111553048A CN 111553048 A CN111553048 A CN 111553048A CN 202010206230 A CN202010206230 A CN 202010206230A CN 111553048 A CN111553048 A CN 111553048A
- Authority
- CN
- China
- Prior art keywords
- operation performance
- sintering
- sintering process
- gaussian
- performance
- 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 121
- 230000008569 process Effects 0.000 title claims abstract description 87
- 238000005245 sintering Methods 0.000 title claims abstract description 78
- 238000011112 process operation Methods 0.000 title description 8
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 229910052742 iron Inorganic materials 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000000571 coke Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004907 flux Effects 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
- 239000000843 powder Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012719 thermal polymerization Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- Manufacture And Refinement Of Metals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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:
(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Cpm={c1,c2,...,cm},某一参数的时间序列为D={d1,d2,...,dm},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Cpm的联合概率密度函数,而p(d)和p(c)分别是D和Cpm的边缘概率密度函数;预设一个互信息阈值tI,当I(D,Cpm)≥tI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,...,Pm},Pi={p1,p2,...,pk},i=1,2,...m;对应的运行性能是Cpm={c1,c2,...,cm},那么运行性能预测模型为:
Cpm=f(P)+ε
Cpm~N(μ(P),κ(P,P)+σ2Im)
其中Im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:
其中,
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:
(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Cpm={c1,c2,...,cm},某一参数的时间序列为D={d1,d2,...,dm},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Cpm的联合概率密度函数,而p(d)和p(c)分别是D和Cpm的边缘概率密度函数;预设一个互信息阈值tI,当I(D,Cpm)≥tI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,...,Pm},Pi={p1,p2,...,pk},i=1,2,...m;设即这些输入数据的时间序列为P={P1,P2,...,Pm},m是时间序列的长度,对应的运行性能是Cpm={c1,c2,...,cm},那么运行性能预测模型为:
Cpm=f(P)+ε
Cpm~N(μ(P),κ(P,P)+σ2Im)
其中Im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;
其中,
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tI=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:
(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Cpm={c1,c2,...,cm},某一参数的时间序列为D={d1,d2,...,dm},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Cpm的联合概率密度函数,而p(d)和p(c)分别是D和Cpm的边缘概率密度函数;预设一个互信息阈值tI,当I(D,Cpm)≥tI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,...,Pm},Pi={p1,p2,...,pk},i=1,2,...m;对应的运行性能是Cpm={c1,c2,...,cm},那么运行性能预测模型为:
Cpm=f(P)+ε,
Cpm~N(μ(P),κ(P,P)+σ2Im)
其中Im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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206230.9A CN111553048B (zh) | 2020-03-23 | 2020-03-23 | 一种基于高斯过程回归的烧结过程运行性能预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206230.9A CN111553048B (zh) | 2020-03-23 | 2020-03-23 | 一种基于高斯过程回归的烧结过程运行性能预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553048A true CN111553048A (zh) | 2020-08-18 |
CN111553048B CN111553048B (zh) | 2023-09-22 |
Family
ID=72005545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010206230.9A Active CN111553048B (zh) | 2020-03-23 | 2020-03-23 | 一种基于高斯过程回归的烧结过程运行性能预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553048B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5694342A (en) * | 1996-10-24 | 1997-12-02 | The United States Of America As Represented By The Secretary Of The Navy | Method for detecting signals in non-Gaussian background clutter |
US20070299798A1 (en) * | 2006-06-23 | 2007-12-27 | Akihiro Suyama | Time series data prediction/diagnosis apparatus and program thereof |
US20130077891A1 (en) * | 2011-09-26 | 2013-03-28 | Northrop Grumman Systems Corporation | Automated Image Registration With Varied Amounts of a Priori Information Using a Minimum Entropy Method |
US20130079693A1 (en) * | 2011-09-26 | 2013-03-28 | Northeastern University | Customizable Embedded Sensors |
CN104215905A (zh) * | 2014-09-05 | 2014-12-17 | 浙江工业大学 | 一种基于马田系统和Box-Cox变换的电机故障诊断方法 |
CN105913122A (zh) * | 2015-09-09 | 2016-08-31 | 广东技术师范学院 | 基于混合田口遗传算法的精车轴套表面残余应力预测方法 |
KR20160114211A (ko) * | 2015-03-23 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
CN106636616A (zh) * | 2016-12-20 | 2017-05-10 | 中国地质大学(武汉) | 一种基于风箱废气温度的烧结矿成品率预测方法 |
CN107451101A (zh) * | 2017-07-21 | 2017-12-08 | 江南大学 | 一种分层集成的高斯过程回归软测量建模方法 |
CN108197380A (zh) * | 2017-12-29 | 2018-06-22 | 南京林业大学 | 基于偏最小二乘的高斯回归软测量建模方法 |
CN110782067A (zh) * | 2019-09-23 | 2020-02-11 | 中国地质大学(武汉) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 |
-
2020
- 2020-03-23 CN CN202010206230.9A patent/CN111553048B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5694342A (en) * | 1996-10-24 | 1997-12-02 | The United States Of America As Represented By The Secretary Of The Navy | Method for detecting signals in non-Gaussian background clutter |
US20070299798A1 (en) * | 2006-06-23 | 2007-12-27 | Akihiro Suyama | Time series data prediction/diagnosis apparatus and program thereof |
US20130077891A1 (en) * | 2011-09-26 | 2013-03-28 | Northrop Grumman Systems Corporation | Automated Image Registration With Varied Amounts of a Priori Information Using a Minimum Entropy Method |
US20130079693A1 (en) * | 2011-09-26 | 2013-03-28 | Northeastern University | Customizable Embedded Sensors |
CN104215905A (zh) * | 2014-09-05 | 2014-12-17 | 浙江工业大学 | 一种基于马田系统和Box-Cox变换的电机故障诊断方法 |
KR20160114211A (ko) * | 2015-03-23 | 2016-10-05 | 대양엔바이오(주) | 수 처리 시스템 및 방법 |
US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
CN105913122A (zh) * | 2015-09-09 | 2016-08-31 | 广东技术师范学院 | 基于混合田口遗传算法的精车轴套表面残余应力预测方法 |
CN106636616A (zh) * | 2016-12-20 | 2017-05-10 | 中国地质大学(武汉) | 一种基于风箱废气温度的烧结矿成品率预测方法 |
CN107451101A (zh) * | 2017-07-21 | 2017-12-08 | 江南大学 | 一种分层集成的高斯过程回归软测量建模方法 |
CN108197380A (zh) * | 2017-12-29 | 2018-06-22 | 南京林业大学 | 基于偏最小二乘的高斯回归软测量建模方法 |
CN110782067A (zh) * | 2019-09-23 | 2020-02-11 | 中国地质大学(武汉) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 |
Non-Patent Citations (7)
Title |
---|
AMINE BERMAK ET.AL: "Bayesian learning using Gaussian process for gas identification", IEEE * |
冯朝辉;张华;王艳红;: "烧结工序能耗预测与优化研究", 烧结球团, no. 06 * |
孙茂伟;杨慧中;: "基于改进Bagging算法的高斯过程集成软测量建模", vol. 48, no. 04, pages 140 - 145 * |
宋强;王爱民;: "基于LS-SVM的烧结矿化学成分软测量模型研究与应用", no. 11 * |
张乐;刘忠;张建强;任雄伟;: "一种改进高斯过程的回归建模方法", 华中科技大学学报(自然科学版), no. 10 * |
王爱民;宋强;李华;张运素;徐蕾;: "小样本贫信息条件下高炉冶炼烧结终点组合预测法", vol. 34, no. 05, pages 123 - 129 * |
陈鑫等: "基于高斯回归的连续空间多智能体跟踪学习", 自动化学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN111553048B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Performance evaluation of kernel functions based on grid search for support vector regression | |
Chuentawat et al. | The comparison of PM2. 5 forecasting methods in the form of multivariate and univariate time series based on support vector machine and genetic algorithm | |
Yang et al. | Multi-dimensional scenario forecast for generation of multiple wind farms | |
CN110782067B (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
Li et al. | Dynamic time features expanding and extracting method for prediction model of sintering process quality index | |
CN114881101B (zh) | 一种基于仿生搜索的电力系统典型场景关联特征选择方法 | |
Lejon et al. | Machine learning for detection of anomalies in press-hardening: Selection of efficient methods | |
CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
Wang et al. | Parameter selection of support vector regression based on hybrid optimization algorithm and its application | |
Zhao et al. | The Application of Support Vector Machine in Load Forecasting. | |
CN117521912A (zh) | 一种碳排放测算模型及对比评价方法及其应用 | |
CN111553048B (zh) | 一种基于高斯过程回归的烧结过程运行性能预测的方法 | |
CN112561184A (zh) | 一种基于gaf特征融合的用水量序列预测模型的方法 | |
Wang et al. | Application research based on GA-FWA in prediction of sintering burning through point | |
CN111210147A (zh) | 基于时序特征提取的烧结过程运行性能评价方法及系统 | |
Chen et al. | PLS-SVR optimized by PSO algorithm for electricity consumption forecasting | |
Yikang et al. | Modeling hot metal silicon content in blast furnace based on locally weighted SVR and mutual information | |
Lu et al. | Power System Transient Stability Assessment Based on Graph Convolutional Network | |
Tang et al. | Modeling the Electrical Conductivity of Ni1-xFex-SDC Composite Anode by Using PSO-SVR | |
Kumar et al. | Analysis of Invoice Management System using Regression techniques with improved loss functions | |
Jiang et al. | Forecast of sinter reduction degradation index and reducibility index and analysis of influencing factors using machine learning | |
Zheng et al. | Research on Working Condition Recognition of Grate Cooler Based on RPROP-RF Algorithm |
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 |