CN112380779B - 一种烧结终点的鲁棒软测量方法及系统 - Google Patents

Abstract

本发明公开一种烧结终点的鲁棒软测量方法及系统，本发明首先采集烧结过程的相关参数，以及各时刻对应的烧结终点位置；然后对烧结现场数据采集单元所获取的相关烧结现场数据进行相关性分析，选取相关度高的输入变量，并对其进行滤波、剔除噪声及归一化处理，得到烧结终点鲁棒软测量建模数据；接着利用偏最小二乘广义M估计鲁棒随机权神经网络实现对烧结终点位置的建模；最后将进行预处理后的烧结现场关键数据输入训练所得模型中实现烧结终点鲁棒软测量。本发明能有效解决烧结终点预测建模中所普遍存在的多重共线性问题以及输入输出双方向异常数据问题，从而显著提高软测量精度。

Description

一种烧结终点的鲁棒软测量方法及系统

技术领域

本发明涉及烧结自动化控制技术领域，尤其涉及一种烧结终点的鲁棒软测量方法及系统。

背景技术

烧结是钢铁生产工艺中的一个重要环节，它是将各种粉状含铁矿料、燃料(焦炭)、石灰石和溶剂按一定配比配料，经混合在烧结设备上使物料发生一系列的物理化学变化，将矿粉颗粒黏结成块得到熟料的过程。通过利用合格的烧结熟料进行后续高炉炼铁过程对于提高高炉利用系数、降低焦比、提高高炉透气性以及保障高炉稳定运行均有一定意义。

在烧结工艺中，烧结终点是反应烧结过程热状态的重要参数，是判断烧结过程是否正常运行的标志之一，并且它与烧结过程的能源利用率密切相关。烧结终点是指烧结过程全部完成时台车所处的位置，若烧结终点提前，则容易发生过烧现象，造成烧结机的利用率降低、有效烧结面积减小，最终影响烧结过程产量；若烧结终点延迟，则会造成混合料层无法充分燃烧，致使烧结矿质量下降，返矿率上升。因此，实现对烧结终点位置的精准预测以及有效控制对整个烧结生产的顺利进行，增强烧结矿的产量和质量，提高烧结过程能源利用率有着重要的实际意义。为了实现对烧结终点的精准预测，就需要建立烧结终点的在线软测量模型以实现对烧结终点位置的实时在线软测量，充分利用烧结过程中可直接检测的运行数据，建立数据驱动的烧结终点软测量模型。

然而，烧结过程数据普遍存在多重共线性问题以及同时存在输入、输出方向两类不同离群点的问题。多重共线性问题是指在实际的工业建模应用当中，受测量滞后或样本收集范围限制等因素影响，实际过程变量之间往往存在着普遍的相关关系，一般是近似的共线性(在一定程度上的共线性)，通过最小二乘法直接求取网络的输出权值存在严重的多重共线性问题，严重影响模型估计结果。同时存在两类不同离群点的问题是指在实际的工业生产中，由于测量仪器和变送器等设备的故障以及其他异常干扰，少量数据与大多数数据相距甚远，被称为离群点，这些离群点可以分为输入方向离群点与输出方向离群点。现有常规软测量建模方法无法有效地解决上述问题。

发明内容

针对上述现有技术的不足，本发明提供一种烧结终点的鲁棒软测量方法及系统。

为解决上述技术问题，本发明所采取的技术方案是：一种烧结终点的鲁棒软测量方法，包括如下步骤：

步骤1：通过各类检测设备以及数据采集器，采集烧结过程的相关参数，以及各时刻对应的烧结终点位置；

所述烧结过程的相关参数包括：烧结机料层平均厚度、大烟道温度、主风机变频器输出电流、点火炉膛温度、烧结料层原始透气性指数、烧结机速度、点火强度、大烟道负压、主风机风门、燃料比、主抽风机出口压力、点火气前排温度、点火回热风温度、烟道压力、各号风箱负压。

步骤2：对烧结过程的相关参数进行相关性分析，选取s个相关度高的参数作为输入变量，并对输入变量进行滤波、剔除噪声及归一化处理，得到烧结终点鲁棒软测量建模数据；

所述对输入变量进行滤波的过程如下：

针对由于烧结过程不稳定和检测设备不精确造成的跳变数据，采用噪声尖峰滤波算法用于剔除烧结过程中的噪声尖峰跳变数据；

采用移动平均滤波算法来剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰。

步骤3：利用基于偏最小二乘与广义M估计鲁棒随机权神经网络的烧结终点鲁棒软测量模型进行烧结终点动态软测量，包括如下步骤：

步骤3.1：采集s个相关度高的参数和各时刻对应的烧结终点位置，生成N组不同的训练样本其中x_i＝[x_i,1,x_i,2,…,x_i,s]^T为s维相关度高的参数组成的输入数据，y_i＝[y_i,1,y_i,2,…,y_i,m]^T为m维输出数据，m＝1，即烧结终点位置；

步骤3.2：令网络估计输出为o_j，隐含层神经元个数为L的偏最小二乘与广义M估计鲁棒随机权神经网络可以用下式所表示：

其中，β_j为输出层和第j个隐藏层神经元之间的输出权重，w_j与b_j分别表示输入层和第j个隐藏神经元之间的输入权重和偏差，g(·)为隐含层神经元激活函数；

步骤3.3：通过引用偏最小二乘方法解决烧结过程数据普遍存在多重共线性问题，过程如下：

步骤3.3.1：网络隐含层输出矩阵H＝[h₁,h₂,…,h_L]以及网络输出矩阵Y＝[y₁,y₂,…,y_m]可由下式表示：

步骤3.3.2：对隐含层输出矩阵以及模型输出矩阵进行数据标准化后，进行如下分解：

其中，A为主元个数，为隐含层输出矩阵的负载矩阵，/>为网络输出矩阵负载矩阵，E与F分别表示隐含层输出矩阵与网络输出矩阵的残差，t_i,(i＝1,2,…A)为在满足正交与归一约束下，按照t_i与u_i的协方差最大原则从数据矩阵中依次提取的潜变量，即

式中，u_i为输出矩阵的主元，H_i,Y_i分别代表提取i-1个主元后的隐含层输出矩阵以及网络输出矩阵，t_i,k_i分别代表提取i-1个主元后的隐含层输出矩阵的得分向量与其对应负载向量，u_i,c_i分别代表提取i-1个主元后的网络输出矩阵的得分向量与其对应的负载向量；

步骤3.3.3：最终的隐含层输出矩阵与网络输出之间的PLS回归模型可以表示为：

Y＝Hβ+F

β＝K(P^TK)Q^T

式中，K∈R^n×A,P∈R^n×A,Q∈R^m×A分别为各负载向量对应负载矩阵。

步骤3.4：通过引用广义M估计方法解决烧结过程数据普遍同时存在输入、输出方向两类不同离群点的问题，过程如下：

步骤3.4.1：对于步骤3.3中的偏最小二乘随机权神经网络，其隐含层输出向量与其网络输出向量/>之间，存在以下线性回归关系：

Y＝Hβ+r

其中，β为网络输出权值即回归系数，r为残差项；

以ρ()为M-估计的影响函数，定义如下广义M-估计的优化目标函数：

步骤3.4.2：为保证广义M-估计所得结果的尺度同变性，即使得回归系数与因变量的单位无关，引入鲁棒估计理论中的稳健尺度估计取为绝对离差中位数除以数值0.6745，即：

其中，median()为中位数求取函数，MAD比标准偏差更能适应数据集中的异常值，数值0.6745为标准正态分布的MAD，当残差服从高斯分布时，MAD除以0.6745可以保证参数估计的一致性，将残差r_i除以稳健尺度估计得到标准化残差/>此时β的求解变为：

步骤3.4.3：对β求导，并令其导数为0，得：

其中，为得分函数，令/>此时上式可以转换为：

其中，d为每个样本的建模权重。

步骤3.4.4：为了实现对自变量输入方向离群样本的降权处理，将上述步骤3.4.3所得方程式改写为其Mallows形式，即

其中，表示按照各样本点在隐含层输出矩阵即样本输入方向的高维空间所对应位置确定的/>的建模权重；若样本点在输入方向异常，那么其所对应的/>将会偏离高维空间大部分数据，/>值也将更小，甚至为0，即在隐含层输出空间针对输入方向的异常程度确定了样本建模权重；

根据上述推导可得：

其中，d为每个输出样本的建模权重，v为每个输入样本所对应的建模权重，因此上式可以简化为：

H^TDVHβ＝H^TDVY

步骤3.4.5：广义M-估计偏最小二乘随机权神经网络其网络输出权值β可通过下式迭代求取：

其中，D＝diag{d₁,d₂,…,d_N}，V＝diag{v₁,v₂,…,v_N}分别为样本输入方向与输出方向所对应建模矩阵；

步骤3.4.6：结合Huber权函数与Cauchy权函数分别求取上述D＝diag{d₁,d₂,…,d_N}，V＝diag{v₁,v₂,…,v_N}，从而得到广义M-估计偏最小二乘随机权神经网络相关参数，完成烧结终点鲁棒软测量模型的建立。

步骤4：将进行预处理后的烧结现场相关参数输入训练所得的烧结终点鲁棒软测量模型中实现烧结终点鲁棒实时软测量。

另一方面，本发明还提供一种采用上述方法进行烧结终点的鲁棒软测量的系统，该系统包括：

数据采集单元：通过各类检测设备以及数据采集器，采集烧结过程的相关参数，以及各时刻对应的烧结终点位置，数据采集器连接各个检测设备，并通过通信总线连接计算机系统；

所述检测设备包括：流量计、温度计、压力计、温度计、气体分析仪和富氧率测量分析仪，将检测设备安装于烧结系统的各个对应位置。

数据预处理单元：对烧结过程的相关参数进行相关性分析，对相关度高的参数进行滤波、剔除噪声及归一化处理；

烧结终点软测量单元：通过数据预处理单元所提供经滤波及归一化处理后的相关参数作为模型输入数据，利用基于偏最小二乘与广义M估计鲁棒随机权神经网络实现对烧结终点关键参数的建模；实时采集烧结现场相关参数输入训练所得模型中实现烧结终点鲁棒软测量；

所述数据预处理单元和烧结终点软测量单元设置在计算机系统中，由计算机系统完成各个单元的运算工作。

采用上述技术方案所产生的有益效果在于：

1、本发明能有效解决烧结过程数据普遍存在多重共线性问题以及输入、输出方向两类不同离群点的问题；

2、本发明实现了对烧结终点位置的实时在线软测量，为实现高效的烧结生产提供可靠指导。

附图说明

图1为本发明实施例中烧结终点的鲁棒软测量方法流程图；

图2为本发明实施例中随机权神经网络的算法结构原理图；

图3为本发明实施例中烧结终点的鲁棒软测量系统结构图；

图4为本发明实施例中烧结终点位置软测量值与实际值的对比曲线。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本实施例的一种烧结终点的鲁棒软测量方法，包括如下步骤：

步骤1：通过各类检测设备以及数据采集器，采集烧结过程的相关参数，以及各时刻对应的烧结终点位置；

本实施例中，所述烧结过程的相关参数包括：烧结机料层平均厚度、大烟道温度、主风机变频器输出电流、点火炉膛温度、烧结料层原始透气性指数、烧结机速度、点火强度、大烟道负压、主风机风门、燃料比、主抽风机出口压力、点火气前排温度、点火回热风温度、烟道压力、各号风箱负压等98个变量。

步骤2：对烧结过程的相关参数进行相关性分析，选取s个相关度高的参数作为输入变量，并对输入变量进行滤波、剔除噪声及归一化处理，得到烧结终点鲁棒软测量建模数据；

本实施例中，选取12个相关度高的参数，分别为：点火强度、点火温度(点火炉膛温度)、点火器前排温度、中间烟道温度、主风机风门、混1水分、烧结机料层厚度(平均)、烧结机速度、大烟道负压(南侧)、大烟道负压(北侧)、烧结料层原始透气性指数、烟道压力。

所述对输入变量进行滤波的过程如下：

针对由于烧结过程不稳定和检测设备不精确造成的跳变数据，采用噪声尖峰滤波算法用于剔除烧结过程中的噪声尖峰跳变数据；

采用移动平均滤波算法来剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰。

步骤3：利用基于偏最小二乘与广义M估计鲁棒随机权神经网络的烧结终点鲁棒软测量模型进行烧结终点动态软测量，包括如下步骤：

步骤3.1：采集s个相关度高的参数和各时刻对应的烧结终点位置，生成N组不同的训练样本其中x_i＝[x_i,1,x_i,2,…,x_i,s]^T为s维相关度高的参数组成的输入数据，y_i＝[y_i,1,y_i,2,…,y_i,m]^T为m维输出数据，m＝1，即烧结终点位置；

步骤3.2：令网络估计输出为o_j，隐含层神经元个数为L的偏最小二乘与广义M估计鲁棒随机权神经网络可以用下式所表示：

其中，β_j为输出层和第j个隐藏层神经元之间的输出权重，w_j与b_j分别表示输入层和第j个隐藏神经元之间的输入权重和偏差，g(·)为隐含层神经元激活函数；

步骤3.3：通过引用偏最小二乘方法解决烧结过程数据普遍存在多重共线性问题，过程如下：

步骤3.3.1：网络隐含层输出矩阵H＝[h₁,h₂,…,h_L]以及网络输出矩阵Y＝[y₁,y₂,…,y_m]可由下式表示：

步骤3.3.2：对隐含层输出矩阵以及模型输出矩阵进行数据标准化后，进行如下分解：

其中，A为主元个数，为隐含层输出矩阵的负载矩阵，/>为网络输出矩阵负载矩阵，E与F分别表示隐含层输出矩阵与网络输出矩阵的残差，t_i,(i＝1,2,…A)为在满足正交与归一约束下，按照t_i与u_i的协方差最大原则从数据矩阵中依次提取的潜变量，即

式中，u_i为输出矩阵的主元，H_i,Y_i分别代表提取i-1个主元后的隐含层输出矩阵以及网络输出矩阵，t_i,k_i分别代表提取i-1个主元后的隐含层输出矩阵的得分向量与其对应负载向量，u_i,c_i分别代表提取i-1个主元后的网络输出矩阵的得分向量与其对应的负载向量；

步骤3.3.3：最终的隐含层输出矩阵与网络输出之间的PLS回归模型可以表示为：

Y＝Hβ+F

β＝K(P^TK)Q^T

式中，K∈R^n×A,P∈R^n×A,Q∈R^m×A分别为各负载向量对应负载矩阵。

步骤3.4：通过引用广义M估计方法解决烧结过程数据普遍同时存在输入、输出方向两类不同离群点的问题，过程如下：

步骤3.4.1：对于步骤3.3中的偏最小二乘随机权神经网络，其隐含层输出向量与其网络输出向量/>之间，存在以下线性回归关系：

Y＝Hβ+r

其中，β为网络输出权值即回归系数，r为残差项；

以ρ()为M-估计的影响函数，定义如下广义M-估计的优化目标函数：

步骤3.4.2：为保证广义M-估计所得结果的尺度同变性，即使得回归系数与因变量的单位无关，引入鲁棒估计理论中的稳健尺度估计取为绝对离差中位数除以数值0.6745，即：

其中，median()为中位数求取函数，MAD比标准偏差更能适应数据集中的异常值，数值0.6745为标准正态分布的MAD，当残差服从高斯分布时，MAD除以0.6745可以保证参数估计的一致性，将残差r_i除以稳健尺度估计得到标准化残差/>此时β的求解变为：

步骤3.4.3：对β求导，并令其导数为0，得：

其中，为得分函数，令/>此时上式可以转换为：

其中，d为每个样本的建模权重。

步骤3.4.4：为了实现对自变量输入方向离群样本的降权处理，将上述步骤3.4.3所得方程式改写为其Mallows形式，即

其中，表示按照各样本点在隐含层输出矩阵即样本输入方向的高维空间所对应位置确定的/>的建模权重；若样本点在输入方向异常，那么其所对应的/>将会偏离高维空间大部分数据，/>值也将更小，甚至为0，即在隐含层输出空间针对输入方向的异常程度确定了样本建模权重；

根据上述推导可得：

其中，d为每个输出样本的建模权重，v为每个输入样本所对应的建模权重，因此上式可以简化为：

H^TDVHβ＝H^TDVY

步骤3.4.5：广义M-估计偏最小二乘随机权神经网络其网络输出权值β可通过下式迭代求取：

其中，D＝diag{d₁,d₂,…,d_N}，V＝diag{v₁,v₂,…,v_N}分别为样本输入方向与输出方向所对应建模矩阵；

步骤3.4.6：结合Huber权函数与Cauchy权函数分别求取上述D＝diag{d₁,d₂,…,d_N}，V＝diag{v₁,v₂,…,v_N}，从而得到广义M-估计偏最小二乘随机权神经网络相关参数，完成烧结终点鲁棒软测量模型的建立，所述随机权神经网络的算法结构原理如图2所示。

步骤4：将进行预处理后的烧结现场相关参数输入训练所得的烧结终点鲁棒软测量模型中实现烧结终点鲁棒实时软测量。

本实施例中，采集800组数据作为模型训练样本数据，经过数据处理后，留下500组数据用于模型训练，图4为一段时间内软测量方法得到的烧结终点位置与实际值的对比结果，可以看出烧结终点位置软测量结果具有很高的精度，软测量误差较小且其变化趋势与实际值保持一致。另外，本发明方法的软测量模型结构简单，模型复杂度低，运算速度快，且测量精度高、泛化能力强，相比于其他已有的烧结终点位置软测量方法具有更高的实用性与优越性。因此本发明是一种低成本的、高效实用的烧结过程烧结终点位置计量手段。

采用上述方法进行烧结终点的鲁棒软测量的系统，该系统结构如图3所示，包括：

数据采集单元：通过各类检测设备1以及数据采集器2，采集烧结过程的相关参数，以及各时刻对应的烧结终点位置，数据采集器2连接各个检测设备1，并通过通信总线连接计算机系统3；

所述检测设备包括：流量计、温度计、压力计、温度计、气体分析仪和富氧率测量分析仪，将检测设备安装于烧结系统的各个对应位置。

数据预处理单元：对烧结过程的相关参数进行相关性分析，对相关度高的参数进行滤波、剔除噪声及归一化处理；

烧结终点软测量单元：通过数据预处理单元所提供经滤波及归一化处理后的相关参数作为模型输入数据，利用基于偏最小二乘与广义M估计鲁棒随机权神经网络实现对烧结终点关键参数的建模；实时采集烧结现场相关参数输入训练所得模型中实现烧结终点鲁棒软测量；

所述数据预处理单元和烧结终点软测量单元设置在计算机系统3中，由计算机系统3完成各个单元的运算工作。

Claims (4)

1.一种烧结终点的鲁棒软测量方法，其特征在于，包括如下步骤：

步骤1：通过各类检测设备以及数据采集器，采集烧结过程的相关参数，以及各时刻对应的烧结终点位置；

所述烧结过程的相关参数包括：烧结机料层平均厚度、大烟道温度、主风机变频器输出电流、点火炉膛温度、烧结料层原始透气性指数、烧结机速度、点火强度、大烟道负压、主风机风门、燃料比、主抽风机出口压力、点火气前排温度、点火回热风温度、烟道压力、各号风箱负压；

步骤2：对烧结过程的相关参数进行相关性分析，选取s个相关度高的参数作为输入变量，并对输入变量进行滤波、剔除噪声及归一化处理，得到烧结终点鲁棒软测量建模数据；

步骤3：利用基于偏最小二乘与广义M估计鲁棒随机权神经网络的烧结终点鲁棒软测量模型进行烧结终点动态软测量，包括如下步骤：

步骤3.1：采集s个相关度高的参数和各时刻对应的烧结终点位置，生成N组不同的训练样本其中x_i＝[x_i,1,x_i,2,…,x_i,s]^T为s维相关度高的参数组成的输入数据，y_i＝[y_i,1,y_i,2,…,y_i,m]^T为m维输出数据，m＝1，即烧结终点位置；

步骤3.2：令网络估计输出为o_j，隐含层神经元个数为L的偏最小二乘与广义M估计鲁棒随机权神经网络可以用下式所表示：

其中，β_j为输出层和第j个隐藏层神经元之间的输出权重，w_j与b_j分别表示输入层和第j个隐藏神经元之间的输入权重和偏差，g(·)为隐含层神经元激活函数；

步骤3.3：通过引用偏最小二乘方法解决烧结过程数据普遍存在多重共线性问题；

步骤3.3.1：网络隐含层输出矩阵H＝[h₁,h₂,…,h_L]以及网络输出矩阵Y＝[y₁,y₂,…,y_m]可由下式表示：

步骤3.3.2：对隐含层输出矩阵以及模型输出矩阵进行数据标准化后，进行如下分解：

其中，A为主元个数，为隐含层输出矩阵的负载矩阵，/>为网络输出矩阵负载矩阵，E与F分别表示隐含层输出矩阵与网络输出矩阵的残差，t_i,(i＝1,2,…A)为在满足正交与归一约束下，按照t_i与u_i的协方差最大原则从数据矩阵中依次提取的潜变量，即

式中，u_i为输出矩阵的主元，H_i,Y_i分别代表提取i-1个主元后的隐含层输出矩阵以及网络输出矩阵，t_i,k_i分别代表提取i-1个主元后的隐含层输出矩阵的得分向量与其对应负载向量，u_i,c_i分别代表提取i-1个主元后的网络输出矩阵的得分向量与其对应的负载向量；

步骤3.3.3：最终的隐含层输出矩阵与网络输出之间的PLS回归模型可以表示为：

Y＝Hβ+F

β＝K(P^TK)Q^T

式中，K∈R^n×A,P∈R^n×A,Q∈R^m×A分别为各负载向量对应负载矩阵；

步骤3.4：通过引用广义M估计方法解决烧结过程数据普遍同时存在输入、输出方向两类不同离群点的问题；

步骤3.4.1：对于步骤3.3中的偏最小二乘随机权神经网络，其隐含层输出向量与其网络输出向量/>之间，存在以下线性回归关系：

Y＝Hβ+r

其中，β为网络输出权值即回归系数，r为残差项；

以ρ()为M-估计的影响函数，定义如下广义M-估计的优化目标函数：

步骤3.4.2：为保证广义M-估计所得结果的尺度同变性，即使得回归系数与因变量的单位无关，引入鲁棒估计理论中的稳健尺度估计取为绝对离差中位数除以数值0.6745，即：

其中，median()为中位数求取函数，MAD比标准偏差更能适应数据集中的异常值，数值0.6745为标准正态分布的MAD，当残差服从高斯分布时，MAD除以0.6745可以保证参数估计的一致性，将残差r_i除以稳健尺度估计得到标准化残差r_i//>此时β的求解变为：

步骤3.4.3：对β求导，并令其导数为0，得：

其中，为得分函数，令/>此时上式可以转换为：

其中，d为每个样本的建模权重；

步骤3.4.4：为了实现对自变量输入方向离群样本的降权处理，将上述步骤3.4.3所得方程式改写为其Mallows形式，即

其中，表示按照各样本点在隐含层输出矩阵即样本输入方向的高维空间所对应位置确定的/>的建模权重；若样本点在输入方向异常，那么其所对应的/>将会偏离高维空间大部分数据，/>值也将更小，甚至为0，即在隐含层输出空间针对输入方向的异常程度确定了样本建模权重；

根据上述推导可得：

其中，d为每个输出样本的建模权重，v为每个输入样本所对应的建模权重，因此上式可以简化为：

H^TDVHβ＝H^TDVY

步骤3.4.5：广义M-估计偏最小二乘随机权神经网络其网络输出权值β可通过下式迭代求取：

其中，D＝diag{d₁,d₂,…,d_N}，V＝diag{v₁,v₂,…,v_N}分别为样本输入方向与输出方向所对应建模矩阵；

步骤3.4.6：结合Huber权函数与Cauchy权函数分别求取上述D＝diag{d₁,d₂,…,d_N}，V＝diag{v₁,v₂,…,v_N}，从而得到广义M-估计偏最小二乘随机权神经网络相关参数，完成烧结终点鲁棒软测量模型的建立；

步骤4：将进行预处理后的烧结现场相关参数输入训练所得的烧结终点鲁棒软测量模型中实现烧结终点鲁棒实时软测量。

2.根据权利要求1所述的烧结终点的鲁棒软测量方法，其特征在于，所述对输入变量进行滤波的过程如下：

针对由于烧结过程不稳定和检测设备不精确造成的跳变数据，采用噪声尖峰滤波算法用于剔除烧结过程中的噪声尖峰跳变数据；

采用移动平均滤波算法来剔除噪声尖峰跳变数据后的数据中较小的高频测量噪声波动干扰。

3.采用权利要求1至2中任意一项所述的烧结终点的鲁棒软测量方法设计一种烧结终点的鲁棒软测量系统，其特征在于，包括：

数据采集单元：通过各类检测设备以及数据采集器，采集烧结过程的相关参数，以及各时刻对应的烧结终点位置，数据采集器连接各个检测设备，并通过通信总线连接计算机系统；

数据预处理单元：对烧结过程的相关参数进行相关性分析，对相关度高的参数进行滤波、剔除噪声及归一化处理；

烧结终点软测量单元：通过数据预处理单元所提供经滤波及归一化处理后的相关参数作为模型输入数据，利用基于偏最小二乘与广义M估计鲁棒随机权神经网络实现对烧结终点关键参数的建模；实时采集烧结现场相关参数输入训练所得模型中实现烧结终点鲁棒软测量；

所述数据预处理单元和烧结终点软测量单元设置在计算机系统中，由计算机系统完成各个单元的运算工作。

4.根据权利要求3所述的烧结终点的鲁棒软测量系统，其特征在于，所述检测设备包括：流量计、温度计、压力计、温度计、气体分析仪和富氧率测量分析仪，将检测设备安装于烧结系统的各个对应位置。