CN104651559B - 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 - Google Patents

Abstract

一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法，其预报体系由常规测量系统、数据采集器、M‑OS‑ELM在线预报软件以及运行软件的计算机系统构成；其预报方法包括以下步骤：(1)辅助变量选择与模型输入变量确定；(2)M‑SVR软测量模型的训练和使用。本发明利用常规检测系统提供的在线过程数据，基于M‑OS‑ELM智能建模技术，建立一个具有输出自反馈、并考虑输入输出时序和时滞关系的多元铁水质量预报模型，同时实现Si含量、P含量、S含量和铁水温度四大铁水质量指标的多元在线动态测量，具有实用性好，并且测量效果更准确，泛化能力更强的特点。

Description

一种基于多元在线序贯极限学习机的高炉铁水质量在线预报 体系及预报方法

技术领域

本发明涉及一种高炉炼铁过程多元铁水质量参数在线预报方法，特别涉及一种基于多元在线序贯极限学习机(M-OS-ELM)的高炉炼铁过程多元铁水质量参数在线预报方法，属于高炉冶炼自动化控制领域。

背景技术

高炉是一个在炼铁过程中的大型的对流反应器和热交换器。高炉炼铁通过炉内发生的复杂的气-固、固-固、固-液反应将铁从铁矿石等含铁化合物中还原出来，冶炼出质量合格的铁水。铁水质量指标作为高炉炼铁过程中最为重要的生产指标，直接决定了后续钢铁产品的质量和高炉冶炼过程的能耗状态。实际生产中，通常采用铁水温度(物理热)、铁水硅元素含量(化学热，简称[Si])、硫元素含量(简称[S])、磷元素含量(简称[P])等参数来综合衡量铁水质量的高低。然而，高炉内的高温、高压、多场、多相耦合的动态特性，以及各种动态干扰和直接测量时严酷的环境使得高炉内部状态和铁水质量参数难以在线检测。因此，就需要依赖于其他方便检测的参数建立高炉多元铁水质量参数的在线预报系统。

专利公开号CN101211383A公开了“一种高炉铁水硅含量的特征分析预报方法”，使用遗传算法优化的最小二乘支持向量机对高炉铁水中的硅(Si)含量进行预报。该方法通过对原有样本进行指数加权移动平均滤波和归一化预处理对样本数据进行特征提取，建立了高炉铁水硅含量预报的动态递归模型。

专利公开号CN103320559A公开了“一种高炉铁水硫含量预报方法”，采用包含硫含量短期均值、硫含量中期均值、硫含量长期均值等变量作为模型的输入变量。该方法以较少的自变量结合RBF神经网络建模技术，实现了对生铁中硫含量的精确预报。

专利公开号CN101457264A公开了“高炉炉温优化控制方法”，在考虑实际系统的时滞性和不确定性的情况下，通过建立阶梯式动态矩阵预测控制算法的预测模型对高炉炉温进行预测，修正了优化模型的误差。

上述专利报道的方法以及其他众多文献相关类似方法和技术只是针对单一的铁水质量元素(如铁水温度、Si含量、S含量等)进行预报或软测量，未能对表征高炉铁水质量的主要参数，即[Si]、[P]、[S]和铁水温度同时进行多元在线预报，因而不能全面反映铁水质量的整体水平，实用性较差。同时，由于这些方法没有考虑输入输出时序以及过程的时滞关系，所建立的静态模型并不能很好地反映高炉冶炼过程的固有动态特性。在冶炼工况变化显著时，这些方法就不能适应工况的变化而对铁水质量参数进行较为准确地测量。综上所述，目前国内外还没有专门针对高炉冶炼过程铁水质量参数([Si]、[P]、[S]和铁水温度)进行多元动态预报的方法。

发明内容

本发明的目的就在于为了解决上述高炉冶炼过程铁水质量参数在线预报方法的不足，基于文献[Nan-Ying Liang；Guang-Bin Huang；Saratchandran,P.；Sundararajan,N.,A Fast and Accurate Online Sequential Learning Algorithm for FeedforwardNetworks,"Neural Networks,IEEE Transactions on,vol.17,no.6,pp.1411-1423,Nov.2006]提出多维在线序贯极限学习机(M-OS-ELM)技术，在主成分分析方法降低模型结构的基础上，分析出模型的辅助变量，并构造出一个具有输出自反馈结构且考虑不同时刻输入输出数据的多元铁水质量参数在线预报方法，可同时对[Si]、[P]、[S]和铁水温度四大铁水质量指标进行多元在线动态预报。本发明可基于钢厂现有常规在线测量设备提供的数据作为模型输入，给出当前和未来指定时间区间的多元铁水质量参数的在线估计值，为高炉炼铁生产过程的优化操作和运行提供关键质量指标。

为实现上述目的，本发明采用的技术方案是：这种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系，其特点是基于常规测量系统、数据采集器、M-OS-ELM在线预报软件以及运行软件的计算机系统构成，其中常规测量系统中的流量计、压力计、温度计和湿度计等安装于高炉冶炼系统的各个相应位置，数据采集器连接常规测量系统，并通过通信总线连接运行在线预报软件的计算机系统。

所述的常规测量系统中的常规测量仪表包括：

三个分别用于在线测量高炉煤粉喷吹系统煤粉喷吹量、富氧流量、冷风流量的流量计，

一个用于在线测量高炉热风系统的热风温度的温度计，

一个用于在线测量高炉热风系统的热风压力的压力计，

一个用于在线测量高炉热风系统的鼓风湿度的湿度计，

还包括两个测量分析仪：

一个炉腹煤气量测量分析仪通过流量计测量得到的冷风流量、富氧流量以及煤粉喷吹量，以及湿度计测量得到的鼓风湿度，分析计算出炉腹煤气量参数；

一个富氧率测量分析仪通过流量计测量得到的冷风流量、富氧流量，以及湿度计测量得到的鼓风湿度，分析计算出富氧率参数。

这种基于多元在线序贯极限学习机的高炉铁水质量在线预报方法，包括以下步骤：

(1)辅助变量选择与模型输入变量确定

需要预报建模的高炉铁水质量参数为Si(硅)含量([Si])y₁(％)、P(磷)含量([P])y₂(％)、S(硫)含量([S])y₃(％)和铁水温度y₄(℃)。根据高炉炼铁过程工艺机理以及变量的可测、可观和变量之间的相关性分析，确定选择预报建模的辅助变量为：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)。

根据炼铁过程动态特性和建模输入输出变量的时序关系，基于上述6个辅助变量，确定如下16个变量作为铁水质量预报模型的输入变量：

当前时刻到前T_Sample(T_Sample根据铁水质量参数的离线分析周期来决定，一般有T_Sample＝30分钟)时刻的炉腹煤气量测量统计均值

当前时刻到前T_Sample时刻的热风温度测量统计均值

当前时刻到前T_Sample时刻的热风压力测量统计均值

当前时刻到前T_Sample时刻的富氧率测量统计均值

当前时刻到前T_Sample时刻的鼓风湿度测量统计均值

当前时刻到前T_Sample时刻的喷煤量测量统计均值

前T_Sample时刻到前2T_Sample时刻的炉腹煤气量测量统计均值

前T_Sample时刻到前2T_Sample时刻的热风温度测量统计均值

前T_Sample时刻到前2T_Sample时刻的热风压力测量统计均值

前T_Sample时刻到前2T_Sample时刻的富氧率测量统计均值

前T_Sample时刻到前2T_Sample时刻的鼓风湿度测量统计均值

前T_Sample时刻到前2T_Sample时刻的喷煤量测量统计均值

前T_Sample时刻[Si]估计值

前T_Sample时刻[P]估计值

前T_Sample时刻[S]估计值

前T_Sample时刻铁水温度估计值

(2)M-SVR软测量模型的训练和使用

(A)开始：所有变量初始化；

(B)若选择为M-OS-ELM模型训练，转至(C)读取需要进行模型训练的数据集；若选择为铁水质量参数在线预报，转至(J)调取已经训练完的高炉铁水质量参数多元在线预报模型；

(C)读取模型训练所需数据集：从数据库中读取或输入模型训练学习所需数据集Y＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…N₀},进行模型学习初始化，在这里，是M-OS-ELM模型隐含层节点的数目，x_i为输入数据集，t_i为输出数据集，N₀为数据集数量，Rⁿ表示n维实数集；R^m表示m维实数集；这里n为16，m为4。

(D)数据预处理：针对高炉炼铁过程由于炉况不稳和仪器监测不精确产生的跳变数据，采用噪声尖峰滤波算法用于剔除高炉生产的噪声尖峰跳变数据；然后采用移动平均滤波算法用于剔除滤波后训练数据中较小的高频测量噪声波动干扰：最后，对滤波处理后的数据进行归一化处理后，作为最终的在线预报模型的训练数据；

(E)模型相关待定参数确定：M-OS-ELM模型需要预先设定的待定参数包括：

模型隐含层节点类型(addictive或RBF)，激活函数类型g，隐含层节点数目

(F)M-OS-ELM模型初始化训练及模型参数确定：

基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练；模型的训练和学习具体包括两个阶段，初始化阶段(initialization phase)和在线序贯学习阶段(sequential learning phase)。在初始化阶段，计算隐含层输出矩阵H₀(由下述式(1)定义)供学习阶段使用。H₀所需要的数据数目需要至少和隐含层节点的数目相等。在接下来的序贯学习过程中，数据会以单个或数据块的形式进入，一旦数据被训练使用完后就会被丢弃。

模型初始化训练具体步骤如下：

步骤(a)：从给定的训练数据集Y＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…N₀},中选取初始化训练数据块进行模型学习初始化，其中是隐含层节点的数目，N₀为数据集数量。

步骤(b)：随机选取输入权值向量a_i和偏差b_i(对于additive隐层节点)或中心值a_i和影响因子b_i(对于RBF隐层节点)，其中

步骤(c)：计算隐含层输出矩阵H₀

$H_0={\left[\begin{array}{ccc}G(a_1,b_1,x_1)& ...& G(a_{\tilde{N}},b_{\tilde{N}},x_1)\\ .& & .\\ .& ...& .\\ .& & .\\ G(a_1,b_1,x_{N_0})& ...& G(a_{\tilde{N}},b_{\tilde{N}},x_{N_0})\end{array}\right]}_{N_0\×\tilde{N}}---\left(1\right)$

式中,G(a_i,b_i,x_j)为对应数据x_j的第i个隐含层节点的输出，

步骤(d)：采用下式(2)中广义逆矩阵计算初始输出权重

${\mathrm{\β}}^{\left(0\right)}=P_0{H}_0^T{T}_0---\left(2\right)$

式中， $P_0={\left(H_0^T{H}_0\right)}^{-1},T_0={[t_1,...,t_{N_0}]}^T.$

(G)M-OS-ELM模型序贯学习：采用递推最小二乘算法，利用新来的1个或者多个数据实时更新模型参数，具体步骤如下：

步骤(a)：选取训练数据集中第k+1个新的输入数据块为其中N_k+1是第k+1个输入数据块中数据的数目。

步骤(b)：计算数据Y_k+1中第k+1个隐含层输出矩阵H_k+1，如下所示：

$H_{k+1}={\left[\begin{array}{ccc}G(a_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_{\tilde{N}},b_{\tilde{N}},x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})\\ .& & .\\ .& ...& .\\ .& & .\\ G(a_1,b_1,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_{\tilde{N}},b_{\tilde{N}},x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})\end{array}\right]}_{N_{k+1}\×\tilde{N}}---\left(3\right)$

步骤(c)：计算输出权值β^(k+1)：

设通过下述式(4)和下述式(5)计算β^(k+1)

$P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{N}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k---\left(4\right)$

${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}+P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)})---\left(5\right)$

同时，由于输入数据块的大小是不固定的，当训练数据以单个形式输入而不是以数据块输入时，N_k+1≡1，式(4)和式(5)可以简化为：

$P_{k+1}=P_k-\frac{P_k{h}_{k+1}{h}_{k+1}^T{P}_k}{I+h_{k+1}^T{P}_k{h}_{k+1}}---\left(6\right)$

${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}+P_{k+1}{h}_{k+1}(t_{k+1}^T-h_{k+1}^T{\mathrm{\β}}^{\left(k\right)})---\left(7\right)$

式中， $h_{k+1}=[G(a_1,b_1,x_{(k+1)})...G(a_{\tilde{N}},b_{\tilde{N}},x_{(k+1)})].$

步骤(d)：令k＝k+1，重复上述步骤(a)到步骤(c)的模型序贯学习直到训练数据集全部学习完毕，得到最终的H^*和β^*。

(H)建模效果评估：引入下述式(8)的均方根误差RMSE计算公式对预报模型的建模误差进行评价，如果建模误差符合实际工况标准，则结束本次M-OS-ELM模型训练学习过程，转(I)；若误差不符合预定标准，重新训练，转(E)；

$\mathrm{RMSE}=\sqrt{\frac{1}{N_{k+1}}(H^{*}{\mathrm{\β}}^{*}-T_{k+1}){(H^{*}{\mathrm{\β}}^{*}-T_{k+1})}^T}---\left(8\right)$

(I)保存M-OS-ELM模型：模型训练学习结束，以得到的M-OS-ELM模型用于高炉铁水质量多元在线预报；

(J)读取M-OS-ELM模型：调出之前初始训练好的高炉铁水质量参数M-OS-ELM在线预报模型 ${\tilde{y}}_i=H\left(x_i\right){\mathrm{\β}}^{*};$

(K)读取模型在线预报的过程数据

(L)判断数据是否异常或者缺失；判断模型16个输入数据是否有噪声尖峰跳变以及是否有数据缺失情况；若有则转(M)进行数据处理，否则转(N)进行铁水质量在线预报；

(M)数据处理：若有噪声尖峰跳变数据，则利用数据库的历史数据进行噪声尖峰滤波处理；若有数据缺失情况，则用前一时刻相应变量数据进行替换；

(N)铁水质量在线预报：将输入变量数据归一化处理后，调用之前训练好的M-OS-ELM模型进行铁水质量在线预报；

(O)铁水质量在线预报结果显示：在预报系统人机界面上显示本次铁水质量多元在线预报的结果；

(P)数据保存：将本次软测量的相关输入输出数据保存到相应的历史数据库，供后续系统评估、修正以及查询所用。

作为一种优选方案，本发明所述方法的激活函数选为Sigmoid函数。

作为另一种优选方案，本发明对一个月的铁水质量实际结果进行统计分析和精度评估，模型初始化所用数据N₀为70，之后以10个数据块大小进行模型序贯学习。

其次，本发明所述隐含层节点数选为25；

另外，本发明采用16输入4输出自反馈动态预报模型结构，4个输出分别为：当前时刻的[Si]估计值[P]估计值[S]估计值以及铁水温度估计值

与现有技术相比，本发明的有益效果是：

本发明利用常规的检测仪表提供的在线过程数据，考虑高炉冶炼过程输入输出变量之间的时序和时滞关系，基于数据驱动的M-OS-ELM智能建模技术，实现了高炉冶炼过程铁水质量指标的多元动态在线预报。与现有的人工测量或化验铁水质量指标相比，通过改进的M-OS-ELM算法进行多元参数预报以反映铁水的质量，这比仅通过单一质量指标的预测对实际操作更有意义。同时，提出的方法可以很好地处理以任意大小进入系统的输入数据，因此，提高了系统的在线辨识能力。在可操作性方面，本发明提出的预报方法除了模型的隐含层节点数目以外，其他模型参数都不需要提前选择，为操作人员提供了方便。另外，本发明方法有助于实现高炉铁水质量的优化控制和优化运行。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1高炉炼铁过程的测量仪表配置图

图2为本发明的基于M-OS-ELM的铁水质量在线预报软件的流程框图

图3基于M-OS-ELM的多元铁水质量在线预报效果图

图1中：1高炉，2热风炉，3流量计，4温度计，5压力计，6湿度计，7炉腹煤气量测量分析仪，8富氧率测量分析仪，9数据采集装置，10运行软测量软件的计算机系统

图1所用标记符号如下：

炉腹煤气量——u₁

热风温度——u₂

热风压力——u₃

富氧率——u₄

鼓风湿度——u₅

喷煤量——u₆

富氧流量——v₁

冷风流量——v₂。

具体实施方式

如图所示，为此，本发明所采取的技术解决方案是：

一种基于M-OS-ELM的多元铁水质量在线预报体系，其基于常规测量系统、数据采集器、M-OS-ELM在线预报软件以及运行软件的计算机系统构成，详细结构如图1所示。流量计、压力计和温度计等常规测量仪表安装于高炉冶炼系统的各个相应位置。数据采集器连接常规测量系统，并通过通信总线连接运行在线预报软件的计算机系统。常规测量系统主要包括如下常规测量仪表包括：

三个流量计，分别用于在线测量高炉煤粉喷吹系统煤粉喷吹量、富氧流量、冷风流量；

一个温度计，用于在线测量高炉热风系统的热风温度；

一个压力计，用于在线测量高炉热风系统的热风压力；

一个湿度计，用于在线测量高炉热风系统的鼓风湿度。

另外，常规测量系统还包括如下两个测量分析仪：

一个炉腹煤气量测量分析仪通过流量计测量得到的冷风流量、富氧流量以及煤粉喷吹量，以及湿度计测量得到的鼓风湿度，分析计算出炉腹煤气量参数；

一个富氧率测量分析仪通过流量计测量得到的冷风流量、富氧流量，以及湿度计测量得到的鼓风湿度，分析计算出富氧率参数。

本发明的基于M-OS-ELM的多元铁水质量在线预报方法，包括，(1)辅助变量选择与模型输入变量确定，(2)M-OS-ELM模型的训练和使用。

(1)辅助变量选择与模型输入变量确定

需要在线预报的高炉铁水质量参数为Si(硅)含量([Si])y₁(％)、P(磷)含量([P])y₂(％)、S(硫)含量([S])y₃(％)和铁水温度y₄(℃)。根据工艺机理以及变量的可测、可观和变量之间的相关性，选择软测量的辅助变量包括：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)。

根据过程动态特性，基于上述6个辅助变量，确定如下16个变量为铁水质量在线预报模型的输入变量：

根据炼铁过程动态特性和建模输入输出变量的时序关系，基于上述6个辅助变量，确定如下16个变量作为铁水质量预报模型的输入变量：

当前时刻到前T_Sample(T_Sample根据铁水质量参数的离线分析周期来决定，一般有T_Sample＝30分钟)时刻的炉腹煤气量测量统计均值

当前时刻到前T_Sample时刻的热风温度测量统计均值

当前时刻到前T_Sample时刻的热风压力测量统计均值

当前时刻到前T_Sample时刻的富氧率测量统计均值

当前时刻到前T_Sample时刻的鼓风湿度测量统计均值

当前时刻到前T_Sample时刻的喷煤量测量统计均值

前T_Sample时刻到前2T_Sample时刻的炉腹煤气量测量统计均值

前T_Sample时刻到前2T_Sample时刻的热风温度测量统计均值

前T_Sample时刻到前2T_Sample时刻的热风压力测量统计均值

前T_Sample时刻到前2T_Sample时刻的富氧率测量统计均值

前T_Sample时刻到前2T_Sample时刻的鼓风湿度测量统计均值

前T_Sample时刻到前2T_Sample时刻的喷煤量测量统计均值

前T_Sample时刻[Si]估计值

前T_Sample时刻[P]估计值

前T_Sample时刻[S]估计值

前T_Sample时刻铁水温度估计值

(2)M-SVR软测量模型的训练和使用

(A)开始：所有变量初始化；

(B)若选择为M-OS-ELM模型训练，转至(C)读取需要进行模型训练的数据集；若选择为铁水质量参数在线预报，转至(J)调取已经训练完的高炉铁水质量参数多元在线预报模型；

(C)读取模型训练所需数据集：从数据库中读取或输入模型训练学习所需数据集Y＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…N₀},进行模型学习初始化，在这里，是M-OS-ELM模型隐含层节点的数目，x_i为输入数据集，t_i为输出数据集，N₀为数据集数量，Rⁿ表示n维实数集；R^m表示m维实数集；这里n为16，m为4。

(D)数据预处理：针对高炉炼铁过程由于炉况不稳和仪器监测不精确产生的跳变数据，采用噪声尖峰滤波算法用于剔除高炉生产的噪声尖峰跳变数据；然后采用移动平均滤波算法用于剔除滤波后训练数据中较小的高频测量噪声波动干扰：最后，对滤波处理后的数据进行归一化处理后，作为最终的在线预报模型的训练数据；

(E)模型相关待定参数确定：M-OS-ELM模型需要预先设定的待定参数包括：

模型隐含层节点类型(addictive或RBF)，激活函数类型g，隐含层节点数目

(F)M-OS-ELM模型初始化训练及模型参数确定：

基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练；模型的训练和学习具体包括两个阶段，初始化阶段(initialization phase)和在线序贯学习阶段(sequential learning phase)。在初始化阶段，计算隐含层输出矩阵H₀(由下述式(1)定义)供学习阶段使用。H₀所需要的数据数目需要至少和隐含层节点的数目相等。在接下来的序贯学习过程中，数据会以单个或数据块的形式进入，一旦数据被训练使用完后就会被丢弃。

模型初始化训练具体步骤如下：

步骤(a)：从给定的训练数据集Y＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…N₀},中选取初始化训练数据块进行模型学习初始化，其中是隐含层节点的数目，N₀为数据集数量。

步骤(b)：随机选取输入权值向量a_i和偏差b_i(对于additive隐层节点)或中心值a_i和影响因子b_i(对于RBF隐层节点)，其中

步骤(c)：计算隐含层输出矩阵H₀

$H_0={\left[\begin{array}{ccc}G(a_1,b_1,x_1)& ...& G(a_{\tilde{N}},b_{\tilde{N}},x_1)\\ .& & .\\ .& ...& .\\ .& & .\\ G(a_1,b_1,x_{N_0})& ...& G(a_{\tilde{N}},b_{\tilde{N}},x_{N_0})\end{array}\right]}_{N_0\×\tilde{N}}---\left(1\right)$

式中,G(a_i,b_i,x_j)为对应数据x_j的第i个隐含层节点的输出，

步骤(d)：采用下式(2)中广义逆矩阵计算初始输出权重

${\mathrm{\β}}^{\left(0\right)}=P_0{H}_0^T{T}_0---\left(2\right)$

式中， $P_0={\left(H_0^T{H}_0\right)}^{-1},T_0={[t_1,...,t_{N_0}]}^T.$

(G)M-OS-ELM模型序贯学习：采用递推最小二乘算法，利用新来的1个或者多个数据实时更新模型参数，具体步骤如下：

步骤(a)：选取训练数据集中第k+1个新的输入数据块为其中N_k+1是第k+1个输入数据块中数据的数目。

步骤(b)：计算数据Y_k+1中第k+1个隐含层输出矩阵H_k+1，如下所示：

$H_{k+1}={\left[\begin{array}{ccc}G(a_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})& ...& G(a_{\tilde{N}},b_{\tilde{N}},x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1})\\ .& & .\\ .& ...& .\\ .& & .\\ G(a_1,b_1,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})& ...& G(a_{\tilde{N}},b_{\tilde{N}},x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j})\end{array}\right]}_{N_{k+1}\×\tilde{N}}---\left(3\right)$

步骤(c)：计算输出权值β^(k+1)：

设通过下述式(4)和下述式(5)计算β^(k+1)

$P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{N}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k---\left(4\right)$

${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}+P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)})---\left(5\right)$

同时，由于输入数据块的大小是不固定的，当训练数据以单个形式输入而不是以数据块输入时，N_k+1≡1，式(4)和式(5)可以简化为：

$P_{k+1}=P_k-\frac{P_k{h}_{k+1}{h}_{k+1}^T{P}_k}{I+h_{k+1}^T{P}_k{h}_{k+1}}---\left(6\right)$

${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}+P_{k+1}{h}_{k+1}(t_{k+1}^T-h_{k+1}^T{\mathrm{\β}}^{\left(k\right)})---\left(7\right)$

式中， $h_{k+1}=[G(a_1,b_1,x_{(k+1)})...G(a_{\tilde{N}},b_{\tilde{N}},x_{(k+1)})].$

步骤(d)：令k＝k+1，重复上述步骤(a)到步骤(c)的模型序贯学习直到训练数据集全部学习完毕，得到最终的H^*和β^*。

(H)建模效果评估：引入下述式(8)的均方根误差RMSE计算公式对预报模型的建模误差进行评价，如果建模误差符合实际工况标准，则结束本次M-OS-ELM模型训练学习过程，转(I)；若误差不符合预定标准，重新训练，转(E)；

$\mathrm{RMSE}=\sqrt{\frac{1}{N_{k+1}}(H^{*}{\mathrm{\β}}^{*}-T_{k+1}){(H^{*}{\mathrm{\β}}^{*}-T_{k+1})}^T}---\left(8\right)$

(I)保存M-OS-ELM模型：模型训练学习结束，以得到的M-OS-ELM模型用于高炉铁水质量多元在线预报；

(J)读取M-OS-ELM模型：调出之前初始训练好的高炉铁水质量参数M-OS-ELM在线预报模型 ${\tilde{y}}_i=H\left(x_i\right){\mathrm{\β}}^{*};$

(K)读取模型在线预报的过程数据

(L)判断数据是否异常或者缺失；判断模型16个输入数据是否有噪声尖峰跳变以及是否有数据缺失情况；若有则转(M)进行数据处理，否则转(N)进行铁水质量在线预报；

(M)数据处理：若有噪声尖峰跳变数据，则利用数据库的历史数据进行噪声尖峰滤波处理；若有数据缺失情况，则用前一时刻相应变量数据进行替换；

(N)铁水质量在线预报：将输入变量数据归一化处理后，调用之前训练好的M-OS-ELM模型进行铁水质量在线预报；

(O)铁水质量在线预报结果显示：在预报系统人机界面上显示本次铁水质量多元在线预报的结果；

(P)数据保存：将本次软测量的相关输入输出数据保存到相应的历史数据库，供后续系统评估、修正以及查询所用。

(Q)在线预报结束？若需要继续进行铁水质量在线预报，则返回至(K)；否则转(R)。

(R)结束。

本发明的实施例为一个容积为2600m³的炼铁高炉对象。按照本说明书的要求，该高炉对象安装了如下的常规测量系统，包括：

横河DPharp EJA系列压力变送器用于测量高炉热风系统的热风压力；

HH-WLB差压流量计用于测量冷风流量；

A+K平衡流量计用于测量富氧流量；

JWSK-6CWDA空气湿度传感器用于测量鼓风湿度；

YHIT红外测温仪用于测量热风温度；

HDLWG-06煤粉流量计用于测量煤粉喷吹量.

另外，常规测量系统还包括如下两个测量分析仪：

一个炉腹煤气量测量分析仪通过常规仪器测量得到的冷风流量、富氧流量、煤粉喷吹量，以及湿度计测量得到的鼓风湿度，分析计算出炉腹煤气量参数；

炉腹煤气量测量分析仪参数设置如下：

炉腹煤气量＝1.21*冷风流量/60+(2*富氧流量/60)+(44.8*鼓风湿度*(冷风流量/60+(富氧流量/60))/18000)+(22.4*小时喷煤量*1000*煤粉含氢量/12000)

一个富氧率测量分析仪通过常规仪器测量得到的富氧流量、鼓风湿度以及冷风流量，分析计算出高炉富氧率参数；

富氧率测量分析仪参数设置如下：

富氧率＝((富氧流量*0.98/60+((0.21+(0.29*鼓风湿度/8/100))*冷风流量/60))/(冷风流量/60+(富氧流量/60))-(0.21+(0.29*鼓风湿度/8/100)))*100

本发明在线预报程序在单独的计算机上运行，采用C#高级语言进行本发明预报方法的具体软件实现。该软件界面实现了数据显示、查询、软测量结果显示以及查询等功能，可以方便地让操作人员获得其所需要的信息。另外，该软测量软件计算机上装有OPC通讯软件负责与下位机以及数据采集装置进行数据双向通讯。

本发明方法的M-OS-ELM模型采用引入输出自反馈结构的16输入4输出结构。16个输入分别为：当前时刻到前T_Sample时刻的炉腹煤气量测量统计均值当前时刻到前T_Sample时刻的热风温度测量统计均值当前时刻到前T_Sample时刻的热风压力测量统计均值当前时刻到前T_Sample时刻的富氧率测量统计均值当前时刻到前T_Sample时刻的鼓风湿度测量统计均值当前时刻到前T_Sample时刻的喷煤量测量统计均值前T_Sample时刻到前2T_Sample时刻的炉腹煤气量测量统计均值前T_Sample时刻到前2T_Sample时刻的热风温度测量统计均值前T_Sample时刻到前2T_Sample时刻的热风压力测量统计均值前T_Sample时刻到前2T_Sample时刻的富氧率测量统计均值前T_Sample时刻到前2T_Sample时刻的鼓风湿度测量统计均值(RH)；前T_Sample时刻到前2T_Samplet时刻的喷煤量测量统计均值前T_Sample时刻[Si]估计值前T_Sample时刻[P]估计值前T_Sample时刻[S]估计值前T_Sample时刻铁水温度估计值

M-SOS-ELM模型相关待定参数确定如下：

M-SOS-ELM模型隐含层节点数目为25；

M-SOS-ELM模型初始化训练数据大小为N₀＝70，并以10个数据块大小进行序贯学习；

M-SOS-ELM模型激活函数采用Sigmoid函数；

隐含层矩阵中输入权值向量a_i和偏差b_i(对于additive隐层节点)或中心a_i和影响因子b_i(对于RBF隐层节点)通过系统随机产生，其中

最后，从历史数据中采集220组数据作为模型训练样本数据，经过数据处理后，留下200组数据用于M-OS-ELM模型训练，具体训练算法如(F)和(G)M-OS-ELM模型训练及模型参数确定所示。

图3为在线预报系统一段时间的铁水质量指标预报效果，可以看出各个铁水质量指标预报值与其实际值基本一致，误差比较小，且变化趋势基本一致。此外，由于在本发明中采用序贯学习的模型训练方式，在任何时刻，只有新进入的数据(而不是整个过去的数据)才会被用来学习，大大提高了本发明的模型学习速度和预报精度。同时，相比于其他方法，引入了输出自反馈结构的M-OS-ELM有较高的在线动态辨识能力。因此本发明是一种具有很高实用价值的、低成本的高炉炼铁过程铁水质量多元计量手段。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (4)

1.一种基于多元在线序贯极限学习机的高炉多元铁水质量在线预报体系，其特征在于包括有常规测量系统、数据采集器、M-OS-ELM在线预报软件以及运行软件的计算机系统，所述的常规测量系统中的流量计、压力计、温度计和湿度计安装于高炉冶炼系统的各个相应位置，数据采集器连接常规测量系统，并通过通信总线连接运行在线预报软件的计算机系统，其中常规测量系统中的常规测量仪表包括：

三个分别用于在线测量高炉煤粉喷吹系统煤粉喷吹量、富氧流量、冷风流量的流量计，

一个用于在线测量高炉热风系统的热风温度的温度计，

一个用于在线测量高炉热风系统的热风压力的压力计，

一个用于在线测量高炉热风系统的鼓风湿度的湿度计，

还包括两个测量分析仪：

一个炉腹煤气量测量分析仪通过流量计测量得到的冷风流量、富氧流量以及煤粉喷吹量，以及湿度计测量得到的鼓风湿度，分析计算出炉腹煤气量参数；

一个富氧率测量分析仪通过流量计测量得到的冷风流量、富氧流量，以及湿度计测量得到的鼓风湿度，分析计算出富氧率参数。

2.一种基于多元在线序贯极限学习机的高炉多元铁水质量在线预报方法，其特征在于包括以下步骤：

(1)辅助变量选择与模型输入变量确定

需要预报建模的高炉铁水质量参数为硅Si含量([Si])y₁(％)、磷P含量([P]y₂(％)、硫S含量([S]y₃(％)和铁水温度y₄(℃)，根据高炉炼铁过程工艺机理以及变量的可测、可观和变量之间的相关性分析，确定选择预报建模的辅助变量为：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)，根据炼铁过程动态特性和建模输入输出变量的时序关系，基于上述6个辅助变量，确定如下16个变量作为铁水质量预报模型的输入变量：

当前时刻到前T_Sample时刻的炉腹煤气量测量统计均值T_Sample根据铁水质量参数的离线分析周期来决定，一般有T_Sample＝30分钟；

当前时刻到前T_Sample时刻的热风温度测量统计均值

当前时刻到前T_Sample时刻的热风压力测量统计均值

当前时刻到前T_Sample时刻的富氧率测量统计均值

当前时刻到前T_Sample时刻的鼓风湿度测量统计均值

当前时刻到前T_Sample时刻的喷煤量测量统计均值

前T_Sample时刻到前2T_Sample时刻的炉腹煤气量测量统计均值

前T_Sample时刻到前2T_Sample时刻的热风温度测量统计均值

前T_Sample时刻到前2T_Sample时刻的热风压力测量统计均值

前T_Sample时刻到前2T_Sample时刻的富氧率测量统计均值

前T_Sample时刻到前2T_Sample时刻的鼓风湿度测量统计均值

前T_Sample时刻到前2T_Sample时刻的喷煤量测量统计均值

前T_Sample时刻[Si]估计值

前T_Sample时刻[P]估计值

前T_Sample时刻[S]估计值

前T_Sample时刻铁水温度估计值

(2)M-SVR软测量模型的训练和使用

(A)开始：所有变量初始化；

(B)若选择为M-OS-ELM模型训练，转至(C)读取需要进行模型训练的数据集；若选择为铁水质量参数在线预报，转至(J)调取已经训练完的高炉铁水质量参数多元在线预报模型；

(C)读取模型训练所需数据集：从数据库中读取或输入模型训练学习所需数据集Y＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,L N₀},N₀≥N％进行模型学习初始化，在这里，N％是M-OS-ELM模型隐含层节点的数目，x_i为输入数据集，t_i为输出数据集，N₀为数据集数量，Rⁿ表示n维实数集；R^m表示m维实数集；这里n为16，m为4；

(D)数据预处理：针对高炉炼铁过程由于炉况不稳和仪器监测不精确产生的跳变数据，采用噪声尖峰滤波算法用于剔除高炉生产的噪声尖峰跳变数据；然后采用移动平均滤波算法用于剔除滤波后训练数据中较小的高频测量噪声波动干扰：最后，对滤波处理后的数据进行归一化处理后，作为最终的在线预报模型的训练数据；

(E)模型相关待定参数确定：M-OS-ELM模型需要预先设定的待定参数包括：

模型隐含层节点类型addictive或RBF，激活函数类型g，隐含层节点数目

(F)M-OS-ELM模型初始化训练及模型参数确定：

基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练；模型的训练和学习具体包括两个阶段，初始化阶段和在线序贯学习阶段，在初始化阶段，计算隐含层输出矩阵H₀供学习阶段使用，H₀由下述式(1)定义，H₀所需要的数据数目需要至少和隐含层节点的数目相等，在接下来的序贯学习过程中，数据会以单个或数据块的形式进入，一旦数据被训练使用完后就会被丢弃；

(G)M-OS-ELM模型序贯学习：采用递推最小二乘算法，利用新来的1个或者多个数据实时更新模型参数；

(H)建模效果评估：引入下述式(8)的均方根误差RMSE计算公式对预报模型的建模误差进行评价，如果建模误差符合实际工况标准，则结束本次M-OS-ELM模型训练学习过程，转(I)；若误差不符合预定标准，重新训练，转(E)；

$RMSE=\sqrt{\frac{1}{N_{k+1}}(H^{*}{\mathrm{\β}}^{*}-T_{k+1}){(H^{*}{\mathrm{\β}}^{*}-T_{k+1})}^T}---\left(8\right)$

(I)保存M-OS-ELM模型：模型训练学习结束，以得到的M-OS-ELM模型用于高炉铁水质量多元在线预报；

(J)读取M-OS-ELM模型：调出之前初始训练好的高炉铁水质量参数M-OS-ELM在线预报模型

(K)读取模型在线预报的过程数据

(L)判断数据是否异常或者缺失；判断模型16个输入数据是否有噪声尖峰跳变以及是否有数据缺失情况；若有则转(M)进行数据处理，否则转(N)进行铁水质量在线预报；

(M)数据处理：若有噪声尖峰跳变数据，则利用数据库的历史数据进行噪声尖峰滤波处理；若有数据缺失情况，则用前一时刻相应变量数据进行替换；

(N)铁水质量在线预报：将输入变量数据归一化处理后，调用之前训练好的M-OS-ELM模型进行铁水质量在线预报；

(O)铁水质量在线预报结果显示：在预报系统人机界面上显示本次铁水质量多元在线预报的结果；

(P)数据保存：将本次软测量的相关输入输出数据保存到相应的历史数据库，供后续系统评估、修正以及查询所用。

3.根据权利要求2所述的基于多元在线序贯极限学习机的高炉多元铁水质量在线预报方法，其特征在于：步骤(F)模型的训练初始化阶段的具体步骤如下：

步骤(a)：从给定的训练数据集中选取初始化训练数据块进行模型学习初始化，其中是隐含层节点的数目，N₀为数据集数量；

步骤(b)：对于additive隐层节点，随机选取输入权值向量a_i和偏差b_i或对于RBF隐层节点，随机选取中心值a_i和影响因子b_i，其中

步骤(c)：计算隐含层输出矩阵H₀

式中,G(a_i,b_i,x_j)为对应数据x_j的第i个隐含层节点的输出，

步骤(d)：采用下式(2)中广义逆矩阵计算初始输出权重

${\mathrm{\β}}^{\left(0\right)}=P_0{H}_0^T{T}_0---\left(2\right)$

式中，

4.根据权利要求2所述的基于多元在线序贯极限学习机的高炉多元铁水质量在线预报方法，其特征在于：步骤(G)M-OS-ELM模型序贯学习步骤如下：

步骤(a)：选取训练数据集中第k+1个新的输入数据块为其中N_k+1是第k+1个输入数据块中数据的数目；

步骤(b)：计算数据Y_k+1中第k+1个隐含层输出矩阵H_k+1，如下所示：

$H_{k+1}={\left[\begin{array}{ccc}G\left(a_1,b_1,x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1}\right)& L& G\left(a_{\tilde{N}},b_{\tilde{N}},x_{\left({\mathrm{\Σ}}_{j=0}^k{N}_j\right)+1}\right)\\ M& L& M\\ G\left(a_1,b_1,x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j}\right)& L& G\left(a_{\tilde{N}},b_{\tilde{N}},x_{{\mathrm{\Σ}}_{j=0}^{k+1}{N}_j}\right)\end{array}\right]}_{N_{k+1}\×\tilde{N}}---\left(3\right)$

步骤(c)：计算输出权值β^(k+1)：

设通过下述式(4)和下述式(5)计算β^(k+1)

$P_{k+1}=P_k-P_k{H}_{k+1}^T{(I+H_{k+1}{P}_k{N}_{k+1}^T)}^{-1}{H}_{k+1}{P}_k---\left(4\right)$

${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}+P_{k+1}{H}_{k+1}^T(T_{k+1}-H_{k+1}{\mathrm{\β}}^{\left(k\right)})---\left(5\right)$

同时，由于输入数据块的大小是不固定的，当训练数据以单个形式输入而不是以数据块输入时，N_k+1≡1，式(4)和式(5)可以简化为：

$P_{k+1}=P_k-\frac{P_k{h}_{k+1}{h}_{k+1}^T{P}_k}{I+h_{k+1}^T{P}_k{h}_{k+1}}---\left(6\right)$

${\mathrm{\β}}^{(k+1)}={\mathrm{\β}}^{\left(k\right)}+P_{k+1}{h}_{k+1}(t_{k+1}^T-h_{k+1}^T{\mathrm{\β}}^{\left(k\right)})---\left(7\right)$

式中，

步骤(d)：令k＝k+1，重复上述步骤(a)到步骤(c)的模型序贯学习直到训练数据集全部学习完毕，得到最终的H^*和β^*。