CN105886680B - 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 - Google Patents
一种高炉炼铁过程铁水硅含量动态软测量系统及方法 Download PDFInfo
- Publication number
- CN105886680B CN105886680B CN201610308346.7A CN201610308346A CN105886680B CN 105886680 B CN105886680 B CN 105886680B CN 201610308346 A CN201610308346 A CN 201610308346A CN 105886680 B CN105886680 B CN 105886680B
- Authority
- CN
- China
- Prior art keywords
- molten iron
- silicon content
- blast furnace
- dynamic soft
- soft measurement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 149
- 230000008569 process Effects 0.000 title claims abstract description 98
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 title abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 148
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 396
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 202
- 229910052710 silicon Inorganic materials 0.000 claims description 202
- 239000010703 silicon Substances 0.000 claims description 202
- 229910052742 iron Inorganic materials 0.000 claims description 198
- 238000012549 training Methods 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 27
- 239000001301 oxygen Substances 0.000 claims description 26
- 229910052760 oxygen Inorganic materials 0.000 claims description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 25
- 239000003245 coal Substances 0.000 claims description 24
- 238000002347 injection Methods 0.000 claims description 22
- 239000007924 injection Substances 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 16
- 239000007789 gas Substances 0.000 claims description 15
- 239000003034 coal gas Substances 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000012843 least square support vector machine Methods 0.000 claims description 8
- 210000001015 abdomen Anatomy 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 241001123248 Arma Species 0.000 claims 3
- 230000032683 aging Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 13
- 210000000349 chromosome Anatomy 0.000 description 12
- 238000003723 Smelting Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- FIAFUQMPZJWCLV-UHFFFAOYSA-N suramin Chemical compound OS(=O)(=O)C1=CC(S(O)(=O)=O)=C2C(NC(=O)C3=CC=C(C(=C3)NC(=O)C=3C=C(NC(=O)NC=4C=C(C=CC=4)C(=O)NC=4C(=CC=C(C=4)C(=O)NC=4C5=C(C=C(C=C5C(=CC=4)S(O)(=O)=O)S(O)(=O)=O)S(O)(=O)=O)C)C=CC=3)C)=CC=C(S(O)(=O)=O)C2=C1 FIAFUQMPZJWCLV-UHFFFAOYSA-N 0.000 description 1
- 239000010151 yanghe Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/006—Automatically controlling the process
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B7/00—Blast furnaces
- C21B7/24—Test rods or other checking devices
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B2300/00—Process aspects
- C21B2300/04—Modeling of the process, e.g. for control purposes; CII
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明提供一种高炉炼铁过程铁水硅含量动态软测量系统及方法。系统包括：实际数据采集单元、归一化预处理单元、动态软测量单元；方法包括：获取高炉铁水硅含量动态软测量所需参数：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；对获取的高炉铁水硅含量动态软测量所需参数进行归一化预处理；采用高炉炼铁过程铁水硅含量动态软测量模型进行铁水硅含量动态软测量。本发明与现有的人工测量或化验铁水硅含量相比，减少了操作人员的工作量，降低了人工操作引入的测量的不确定性，提高了测量的时效性和准确性，可信度高。本发明方法对高炉冶炼过程的铁水硅含量预报具有通用性，有助于实现高炉铁水质量闭环一体化控制与优化运行。
Description
技术领域
本发明涉及高炉冶炼自动化控制技术领域，特别涉及一种高炉炼铁过程铁水硅含量动态软测量系统及方法。
背景技术
高炉生产是在高温、高压、多物理场共存、化学反应与传递现象同时发生的密闭条件下进行的持续动态时变非线性的多变量耦合系统，保持合理的炉温是维持高炉稳定顺行、高产、优质、低耗的关键因素。在冶炼过程中，炉温控制的好坏直接影响炉况的波动，而炉况的波动又决定炉温的控制模式，炉温“过高”或“过低”都容易诱发炉况异常。实际生产中，实现自动化水平较高的全流程一体化的闭环控制与操作优化的关键技术在于精确合理的高炉炉温控制模型和时效的在线检测。作为最复杂的逆流反应器之一的炼铁高炉，受当前现有传感器测量上的影响，一般通过高炉铁水硅含量(即化学热)来间接地反映炉内温度的变化和高炉炉缸的热状态。高炉铁水的硅含量成为反映炉内物理化学反应情况、热状态和铁水质量的重要指标，其变化规律直接反映和决定了高炉是否能够稳定顺行，也是表征高炉热状态及变化的重要标志。为获取高炉内部热状态，进而有效地控制高炉炉况的稳定顺行，建立高炉铁水硅含量预报模型非常必要。受高炉运行参数严重耦合、非线性较强、对测量设备有较高的要求等一系列原因的影响导致高炉铁水硅含量的机理模型难以建立。为此，基于丰富的高炉运行数据，借助于当前的智能建模算法与统计学习理论，建立以数据驱动的铁水硅含量软测量模型应运而生。
专利公开号CN104899425A公开了“一种高炉铁水硅含量的变量选择预报方法”，以炉顶压力、炉顶温度、料速、炉顶煤气中的CO、CO2和上一炉硅含量作为硅预报的输入变量，基于高斯核函数的标准支持向量机(SVR)预报下一次的含硅量。
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”，以高炉铁水硅含量预报模型的高炉工艺参数为输入变量，采用动态独立成分分析方法对输入变量进行特征提取，使用最小二乘支持向量机算法建立硅含量预报的动态递推模型，引入遗传算法优化模型参数。
专利公开号CN102031319A公开了“一种高炉铁水含硅量的预报方法”，使用移动平均法对高炉铁水中的硅(Si)含量进行预报。该方法采用铁水含硅量短期、中期、长期的均值作为预报的模型的基本数据，然后结合神经网络对模型进行训练，得到模型中连接权值。
上述专利的方法以及其相关的文献大多利用了高炉采集的全部相关变量作为输入变量，充分利用丰富数据特征的同时也引入了较多的噪声和运行耗时大的问题。另外，在实际生产过程中，受检测仪表和变送器等装置的故障以及复杂的电磁干扰的影响，测量数据存在众多的未知干扰，其实际的工业背景对算法本身的鲁棒性有较高的要求，而上述专利报道的方法未考虑过鲁棒性的问题，针对冶炼工况的变化以及异常的抖动，铁水硅含量预测模型的泛化能力会大幅下降。此外，上述方法没有考虑输入输出时序及过程时滞关系，因而不能很好地捕获冶炼过程的固有动态特性。综上所述，建立具有稀疏鲁棒性的高炉铁水硅含量动态软测量模型非常必要。
发明内容
针对现有技术的不足，本发明提供一种高炉炼铁过程铁水硅含量动态软测量系统及方法。
本发明的技术方案如下：
一种高炉炼铁过程铁水硅含量动态软测量系统，包括：
实际数据采集单元：获取高炉铁水硅含量动态软测量所需参数，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；
归一化预处理单元：对获取的高炉铁水硅含量动态软测量所需参数进行归一化预处理；
动态软测量单元：采用高炉炼铁过程铁水硅含量动态软测量模型进行铁水硅含量动态软测量：高炉炼铁过程铁水硅含量动态软测量模型采用输出自反馈，以高炉铁水硅含量动态软测量所需参数为输入，以当前炉次硅含量为输出值，动态预测铁水硅含量。
所述实际数据采集单元，包括：
辅助变量确定模块：利用主成分分析法对若干炉次的高炉过程工况参数进行相关性分析，确定对于高炉铁水硅含量动态软测量贡献率最大的工况参数作为辅助变量，具体包括：炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、喷煤量；
输入变量确定模块：基于辅助变量、结合不同时刻输入参数时滞、当前炉次辅助变量的测量值、上一炉次辅助变量的测量值及上一炉次铁水硅含量的测量值，确定高炉铁水硅含量动态软测量所需参数即高炉炼铁过程铁水硅含量动态软测量模型的输入变量，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；高炉铁水硅含量动态软测量所需的工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量；
输入变量采集模块：采集高炉炼铁过程铁水硅含量动态软测量模型的输入变量。
所述动态软测量单元，包括：
样本处理模块：采集历史若干炉次的高炉铁水硅含量动态软测量所需参数及相应炉次铁水硅含量，并进行归一化预处理后作为训练数据集；
ARMA模型构建模块：将训练数据集中的当前炉次的工况参数、上一炉次的工况参数、上一炉次的铁水硅含量作为输入，相应当前炉次铁水硅含量作为输出，建立具有输出自反馈的动态ARMA模型；
稀疏化模块：通过提取训练数据集的映射集的极大无关组实现训练数据集的稀疏化，构造稀疏最小二乘支持向量回归机模型；
鲁棒化模块：在稀疏最小二乘支持向量回归机模型中引入IGGIII加权函数，基于稀疏化的训练数据集构造具有稀疏鲁棒性的最小二乘支持向量机模型，对训练数据集进行回归建模，得到高炉炼铁过程铁水硅含量动态软测量模型；
多目标遗传优化模块：以评价指标为适应度函数优化高炉炼铁过程铁水硅含量动态软测量模型；
模型预测模块：利用高炉炼铁过程铁水硅含量动态软测量模型预测当前炉次铁水硅含量。
利用所述高炉炼铁过程铁水硅含量动态软测量系统进行高炉炼铁过程铁水硅含量动态软测量的方法，包括：
步骤1、获取高炉铁水硅含量动态软测量所需参数，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；
步骤2、对获取的高炉铁水硅含量动态软测量所需参数进行归一化预处理；
步骤3、采用高炉炼铁过程铁水硅含量动态软测量模型进行铁水硅含量动态软测量：高炉炼铁过程铁水硅含量动态软测量模型采用输出自反馈，以高炉铁水硅含量动态软测量所需参数为输入，以当前炉次硅含量为输出值，动态预测铁水硅含量。
所述工况参数的确定方法如下：
利用主成分分析法对若干炉次的高炉过程工况参数进行相关性分析，确定对于高炉铁水硅含量动态软测量贡献率最大的6个工况参数作为辅助变量，包括：炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、喷煤量；
基于上述6个辅助变量、结合不同时刻输入参数时滞、当前炉次辅助变量的测量值、上一炉次辅助变量的测量值及上一炉次铁水硅含量的测量值，确定高炉铁水硅含量动态软测量所需参数即高炉炼铁过程铁水硅含量动态软测量模型的输入变量，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；高炉铁水硅含量动态软测量所需的工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量。
所述高炉炼铁过程铁水硅含量动态软测量模型的建立方法如下：
步骤3-1、采集历史若干炉次的高炉铁水硅含量动态软测量所需参数及相应炉次铁水硅含量，并进行归一化预处理；
步骤3-2、将归一化预处理后的高炉铁水硅含量动态软测量所需参数作为训练数据集；
步骤3-3、将训练数据集中的当前炉次的工况参数、上一炉次的工况参数、上一炉次的铁水硅含量作为输入，相应当前炉次铁水硅含量作为输出，建立具有输出自反馈的动态ARMA模型：
步骤3-4、通过提取训练数据集的映射集的极大无关组实现训练数据集的稀疏化，构造稀疏最小二乘支持向量回归机模型，作为初始的高炉炼铁过程铁水硅含量动态软测量模型；
步骤3-5、在稀疏最小二乘支持向量回归机模型中引入IGGIII加权函数，基于稀疏化的训练数据集构造具有稀疏鲁棒性的最小二乘支持向量机模型；
步骤3-6、利用具有稀疏鲁棒性的最小二乘支持向量机模型对训练数据集进行回归建模，得到高炉炼铁过程铁水硅含量动态软测量模型；
步骤3-7、确定高炉炼铁过程铁水硅含量动态软测量模型的多目标评价指标，以评价指标为适应度函数，优化高炉炼铁过程铁水硅含量动态软测量模型。
所述构造稀疏最小二乘支持向量回归机模型的方法如下：
步骤3-4-1、将训练数据集映射到高维希尔伯特空间，得到相应的训练数据集即映射集；
步骤3-4-2、求解映射集的极大无关组，得到稀疏化的训练数据集：
步骤3-4-3、利用稀疏化的训练数据集，建立稀疏最小二乘支持向量回归机模型。
有益效果：
为了解决以上高炉冶炼过程铁水硅含量测量鲁棒性的不足，本发明利用具有稀疏鲁棒性的最小二乘支持向量回归机(Sparse and Robust Least Squares Support VectorRegression，S-R-LS-SVR)与多目标遗传(Multi-Objective Genetic Optimization，MOGA)技术，构造一个具有较强鲁棒性和输出自反馈结构、并考虑不同时刻输入输出数据时滞的铁水硅含量动态软测量模型，同时利用现场采集的高炉数据对铁水硅含量进行动态软测量。本发明针对高炉炼铁过程的关键工艺指标——铁水硅含量难以直接在线测量且离线检验过程滞后的难题，通过提取动态软测量模型的输入样本数据在其映射集的极大无关组来实现样本的稀疏化，并将IGGIII加权函数引入，构造具有稀疏鲁棒性的最小二乘支持向量机模型。与现有的人工测量或化验铁水硅含量相比，减少了操作人员的工作量，降低了人工操作引入的测量的不确定性，提高了测量的时效性和准确性，可信度高。另外，本发明方法对高炉冶炼过程的铁水硅含量预报具有普遍的通用性，可获得较好的预报精度，有助于实现高炉铁水质量的闭环一体化控制与优化运行。
附图说明
图1是本发明具体实施方式中高炉炼铁过程的测量仪表配置图；
图2是本发明具体实施方式中高炉炼铁过程铁水硅含量动态软测量系统结构框图；
图3是本发明具体实施方式中高炉炼铁过程铁水硅含量动态软测量方法流程图；
图4是本发明具体实施方式中高炉炼铁过程铁水硅含量动态软测量模型的建立方法流程图；
图5是本发明具体实施方式中铁水硅含量动态软测量效果图；
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-计算机系统。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
本实施方式中，实施高炉炼铁过程铁水硅含量动态软测量方法采用测量系统以及计算机系统10；如图1所示，所述的测量系统包括：
三个流量计3，分别用于在线测量高炉1煤粉喷吹系统煤粉喷吹量、富氧流量、冷风流量；
一个温度计4，用于在线测量高炉1热风炉2的热风温度；
一个压力计5，用于在线测量高炉1热风炉2的热风压力；
一个湿度计6，用于在线测量高炉1热风炉2的鼓风湿度。
另外，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7通过流量计3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6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8通过流量计3测量得到的冷风流量、富氧流量，以及湿度计6测量得到的鼓风湿度，分析计算出富氧率参数。
流量计3、压力计5、温度计4、湿度计6这些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9的输入端连接这些常规测量仪表的输出端，并通过通信总线连接计算机系统10。
计算机系统10中设有高炉炼铁过程铁水硅含量动态软测量系统，如图2所示，包括：
实际数据采集单元：获取高炉铁水硅含量动态软测量所需参数，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；
归一化预处理单元：对获取的高炉铁水硅含量动态软测量所需参数进行归一化预处理；
动态软测量单元：采用高炉炼铁过程铁水硅含量动态软测量模型进行铁水硅含量动态软测量：高炉炼铁过程铁水硅含量动态软测量模型采用输出自反馈，以高炉铁水硅含量动态软测量所需参数为输入，以当前炉次硅含量为输出值，动态预测铁水硅含量。
实际数据采集单元，包括：
辅助变量确定模块：利用主成分分析法对若干炉次的高炉过程工况参数进行相关性分析，确定对于高炉铁水硅含量动态软测量贡献率最大的工况参数作为辅助变量，具体包括：炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、喷煤量；
输入变量确定模块：基于辅助变量、结合不同时刻输入参数时滞、当前炉次辅助变量的测量值、上一炉次辅助变量的测量值及上一炉次铁水硅含量的测量值，确定高炉铁水硅含量动态软测量所需参数即高炉炼铁过程铁水硅含量动态软测量模型的输入变量，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；高炉铁水硅含量动态软测量所需的工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量。
输入变量采集模块：采集高炉炼铁过程铁水硅含量动态软测量模型的输入变量。
动态软测量单元，包括：
样本处理模块：采集历史若干炉次的高炉铁水硅含量动态软测量所需参数及相应炉次铁水硅含量，并进行归一化预处理后作为训练数据集；
ARMA模型构建模块：将训练数据集中的当前炉次的工况参数、上一炉次的工况参数、上一炉次的铁水硅含量作为输入，相应当前炉次铁水硅含量作为输出，建立具有输出自反馈的动态ARMA模型；
稀疏化模块：通过提取训练数据集的映射集的极大无关组实现训练数据集的稀疏化，构造稀疏最小二乘支持向量回归机模型；
鲁棒化模块：在稀疏最小二乘支持向量回归机模型中引入IGGIII加权函数，基于稀疏化的训练数据集构造具有稀疏鲁棒性的最小二乘支持向量机模型，对训练数据集进行回归建模，得到高炉炼铁过程铁水硅含量动态软测量模型；
多目标遗传优化模块：以评价指标为适应度函数优化高炉炼铁过程铁水硅含量动态软测量模型；
模型预测模块：利用高炉炼铁过程铁水硅含量动态软测量模型预测当前炉次铁水硅含量。
本实施方式的高炉炼铁过程铁水硅含量动态软测量方法，如图3所示，包括以下步骤：
步骤1、获取高炉铁水硅含量动态软测量所需参数，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；
所述工况参数的确定方法如下：
步骤1-1、利用主成分分析法(Principal Component Analysis，PCA)对若干炉次的高炉过程工况参数进行相关性分析，确定对于高炉铁水硅含量动态软测量贡献率最大的6个工况参数作为辅助变量，具体包括：炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、喷煤量；
利用主成分分析法对若干炉次的高炉过程工况参数进行相关性分析，具体如下：
(1)、特征中心化，即对输入样本数据Xn×m＝[x1，x2，...，xm]每一列的数据都减去该列的均值，进而得到矩阵An×m。
(2)、计算An×m的协方差矩阵Bm×m，并计算协方差矩阵Bm×m的特征向量和特征值。
(3)、选取若干大的特征值所对应的特征向量作为新的数据。
其中炉腹煤气量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的特征值之和占所有特征值的98.723％＞98％，因此选择该6类变量构成新的样本集作为铁水硅含量动态软测量的辅助变量；
步骤1-2、基于上述6个辅助变量、结合不同时刻输入参数时滞、当前炉次辅助变量的测量值、上一炉次辅助变量的测量值及上一炉次铁水硅含量的测量值，确定高炉铁水硅含量动态软测量所需参数即高炉炼铁过程铁水硅含量动态软测量模型的输入变量，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；高炉铁水硅含量动态软测量所需的工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量。
确定如下13个变量为动态软测量模型的输入变量：
| 当前炉次炉腹煤气量u1(t)，m3 | 上一炉次炉腹煤气量u1(t-1)，m3 |
| 当前炉次热风温度u2(t)，℃ | 上一炉次热风温度u2(t-1)，℃ |
| 当前炉次水热风压力u3(t)，KPa | 上一炉次水热风压力u3(t-1)，KPa |
| 当前炉次富氧率u4(t)，％ | 上一炉次富氧率u4(t-1)，％ |
| 当前炉次鼓风湿度u5(t)，RH | 上一炉次鼓风湿度u5(t-1)，RH |
| 当前炉次设定喷煤量u6(t)，m3/h | 上一炉次设定喷煤量u6(t-1)，m3/h |
| 上一炉次硅含量y(t-1)，％ |
步骤2、对获取的高炉铁水硅含量动态软测量所需参数进行归一化预处理；
归一化预处理的具体实现方法为：
其中xi为归一化之前的高炉炼铁过程铁水硅含量动态软测量模型的输入变量，为归一化之后的高炉炼铁过程铁水硅含量动态软测量模型的输入变量，ui为xi的均值，σi为xi的标准差。
步骤3、采用高炉炼铁过程铁水硅含量动态软测量模型进行铁水硅含量动态软测量：高炉炼铁过程铁水硅含量动态软测量模型采用输出自反馈，以高炉铁水硅含量动态软测量所需参数为输入，以当前炉次硅含量为输出值，动态预测铁水硅含量。
如图4所示，高炉炼铁过程铁水硅含量动态软测量模型的建立方法如下：
步骤3-1、采集历史若干炉次的高炉铁水硅含量动态软测量所需参数及相应炉次铁水硅含量，并进行归一化预处理；
步骤3-2、将归一化预处理后的高炉铁水硅含量动态软测量所需参数作为训练数据集；
步骤3-3、将训练数据集中的当前炉次的工况参数、上一炉次的工况参数、上一炉次的铁水硅含量作为输入，相应当前炉次铁水硅含量作为输出，建立具有输出自反馈的动态ARMA(Auto Regressive Moving Average，ARMA)模型：
y(t)＝fARMA{u1(t)，u2(t)，u3(t)，u4(t)，u5(t)，u6(t)，
u1(t-1)，u2(t-1)，u3(t-1)，u4(t-1)，u5(t-1)，u6(t-1)，y(t-1)}
其中y(t)为当前炉次铁水硅含量的真实值。
步骤3-4、通过提取训练数据集的映射集的极大无关组实现训练数据集的稀疏化，构造稀疏最小二乘支持向量回归机模型，作为初始的高炉炼铁过程铁水硅含量动态软测量模型；
通过提取训练数据集在其映射集的极大无关组，来实现训练数据集的稀疏化，降低高炉炼铁过程铁水硅含量动态软测量模型的复杂度，构造稀疏最小二乘支持向量回归机模型(Sparse Least Squares Support Vector Regression，S-LS-SVR)，具体实现方法为：
步骤3-4-1、将训练数据集映射到高维希尔伯特空间，得到相应的训练数据集即映射集；
训练数据集通过非线性函数映射到高维希尔伯特空间，其映射集为N为样本数量，x∈RN×13为由步骤3-3所确定的高炉炼铁过程铁水硅含量动态软测量模型的13个输入变量组成的输入样本矩阵，yi为步骤3-3所确定的动态ARMA模型输出，即铁水硅含量，为非线性函数。虽然不能被确切的表达，但m为映射集中线性相关的个数，λi，λj均为加权系数，取非线性函数为高斯函数K(x，xi)，定义如下：
其中，xi为第i组输入样本，σ为高斯(径向基)函数的伸缩量。
步骤3-4-2、求解映射集A的极大无关组，得到稀疏化的训练数据集：
(a)初始化极大无关组BM＝φ，在集合S＝(1，2，...，N)选取j＝1时的输入样本放到BM中；
(b)在S中依次选取j＝j+1，计算
(c)若目标函数ε为设定的阈值，则说明可以由线性表示，摒弃第i组输入样本；若目标函数则说明不可由线性表示，则线性无关，将第i组输入样本放到集合BM中；
(d)若迭代次数j≤N，则转到(b)；否则终止迭代；
(e)将极大无关组BM中对应训练数据集的元素取出组成新训练数据集r为新训练数据集的样本数量。ΨS通过高斯函数映射后的集合为即稀疏化的训练数据集；
因为ΨS是映射集A的极大无关组，则权值向量ω∈Rn可表述为
步骤3-4-3、利用稀疏化的训练数据集，建立稀疏最小二乘支持向量回归机模型为：
其中，C为正则化参数，b为偏置项，为误差项，yi，分别为铁水硅含量的实际测量值和动态软测量的预测值。
步骤3-5、在稀疏最小二乘支持向量回归机模型中引入IGGIII加权函数，基于稀疏化的训练数据集构造具有稀疏鲁棒性的最小二乘支持向量机模型(Sparse robust LeastSquares Support Vector Regression，S-R-LS-SVR)；
为了改善初始的高炉炼铁过程铁水硅含量动态软测量模型的鲁棒性能，即实际情况与高炉炼铁过程铁水硅含量动态软测量模型有较严重的偏离时也能保证估计精度不受破坏性的影响。因此，对误差项ei引入加权因子vi，从而得到具有稀疏鲁棒性的最小二乘支持向量机模型：
式中：vi＝diag(v1，v2，...，vr)，vi由IGGIII加权函数决定，即：
其中，θ＝1.438median|e-median(e)|为误差的标准差估计，median(·)为取中位数运算，k1，k2为相关系数，根据经验值k1∈[1，3]，k2∈[3.0，6]，本实施方式选取k1＝1.3，k2＝3.2。
步骤3-6、利用具有稀疏鲁棒性的最小二乘支持向量机模型对训练数据集进行回归建模，得到高炉炼铁过程铁水硅含量动态软测量模型。
优化的高炉炼铁过程铁水硅含量动态软测量模型中引入拉格朗日算子a＝(a1，a2，...，ar)得：
根据极小值的最优条件，即令L(β，b，e，a)对β，b，e，a的偏导数为零，并消去变量e，a得：
进而获得高炉炼铁过程铁水硅含量动态软测量模型：
f(xi)＝Φr(xi)ω+b
步骤3-7、确定高炉炼铁过程铁水硅含量动态软测量模型的多目标评价指标，以评价指标为适应度函数，优化高炉炼铁过程铁水硅含量动态软测量模型；
传统的建模性能指标大多采用均方根误差(Root Mean Square Error，RMSE)，然而这只能表明建模误差尽可能小，对模型预测曲线与真实曲线的接近程度并未考虑。在实际应用中，准确的变化趋势对动态过程的建模至关重要。为此，提出综合考虑RMSE和估计曲线与实际曲线相关性的模型精度多目标评价指标。
由数理统计理论可知，两个数据矢量X和Y分别表示高炉炼铁过程铁水硅含量实际值和软测量值，E[(X-E(X))(Y-E(Y))]称之为X与Y的协方差或者相关矩，记作Cov(X,Y)，E(X)，E(Y)分别是X和Y的期望，而该两个数据矢量的相关系数为
式中：是X和Y的方差。相关系数ρXY是衡量数据矢量X与Y关系程度的量：|ρXY|→1表示X与Y之间的线性关系密切；而|ρXY|→0表示X与Y的相关性很差；若|ρXY|＝1表示X与Y依概率1存在着线性关系，而|ρXY|→0表示X与Y不相关。
综上，高炉炼铁过程铁水硅含量动态软测量模型的多目标评价指标如下：
FCEI2＝1-ρXY
其中，yi，分别为铁水硅含量的预测值与实际值。上述两个评价指标既可以保证建模过程的平稳性和限制输出曲线的横向偏移量，又可以保证建模过程的准确性和限制输出曲线的纵向偏移量。
以上述多目标评价指标为适应度函数，利用多目标遗传算法对高炉炼铁过程铁水硅含量动态软测量模型S-R-LS-SVR进行优化：利用NSGA-II对正则化参数C和高斯核函数的伸缩量σ进行优化。以模型的多目标评价指标为适应度函数，采用实数编码，通过基于进行非支配快速排序和拥挤距离计算的种群进行二进制锦标赛选择，利用模拟二进制交叉和多项式变异的遗传因子增强种群多样性，具体如下所示：
(a)初始化。设置当前代num＝1，最大迭代次数为maxnum，种群大小为Q，变异率为0.1，交叉率为0.9。
(b)实数编码。对正则化参数C和高斯核函数的伸缩量σ的解空间进行浮点数编码，每条染色体对应一组C和σ，编码形式为染色体R＝[σ，C]，该条染色体的基因数量为S＝2，含有Q条随机生成的染色体的初始种群为P＝[R1,R2，...，RQ]T。将优化的参数C和σ作为基因放在染色体中。
(c)计算多目标评价指标。根据种群P中的参数C和σ计算Q个个体的多目标评价指标。
(d)判断是否满足终止条件。如果num＞最大迭代次数maxnum，则优化结束；否则，进入步骤(e)。
(e)计算拥挤距离并进行非支配排序。
(f)锦标赛选择算子。根据非支配排序的结果，选择支配层较低的染色体，若同一支配层的染色体有多个，选择拥挤距离较大的染色体以获得种群的多样性。
(g)模拟二进制交叉。由于采用实数编码，则交叉后代是父代的线性组合：
式中：u为产生于(0，1)均匀分布的随机数。当u＞0.5时，当u≤0.5，ηc为交叉分布指数，i＝1，2为优化目标函数的个数。
(h)多项式变异。变异后的染色体为其中Bu，Bl分别为优化变量的上界与下界，δk为变异的参数。当rk＞0.5时，当rk≤0.5，rk为来自(0，1)均匀分布的随机数，ηm为变异分布指数。
(i)重组和优选。将经上述模拟二进制交叉和多项式变异产生的新染色体与原种群中的染色体进行混合重组，并选择非支配排序前N个染色体组成新的种群。num＝num+1，返回步骤(c)。
为验证本发明的有效性，以炼铁厂容积为2600m3的炼铁高炉为实施对象。该高炉对象安装了如下的测量系统，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，测量系统还包括如下两个测量分析仪：
一个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；
炉腹煤气量测量分析仪设置如下：
Ah为煤粉含氢量
富氧率测量分析仪设置如下：
实验中共采集了270炉次的样本数据，其中前200炉次生产数据作为建模时的训练样本，后70炉次的数据作为测试样本。在模型训练和模型预测过程中使用的所有变量的采样数据，均采用以铁水出炉炉次为单位的测量平均值作为采样和预报周期。经PCA进行相关性分析，确定炉腹煤气量u1、热风温度u2、热风压力u3、富氧率u4、鼓风湿度u5、喷煤量u6六个辅助变量；采用输出自反馈的动态ARMA模型，确定13个输入变量分别为：本炉次炉腹煤气量u1(t)、本炉次热风温度u2(t)、本炉次水热风压力u3(t)、本炉次富氧率u4(t)、本炉次鼓风湿度u5(t)、本炉次设定喷煤量u6(t)、上炉次炉腹煤气量u1(t-1)、上炉次热风温度u2(t-1)、上炉次水热风压力u3(t-1)、上炉次富氧率u4(t-1)、上炉次鼓风湿度u5(t-1)、上炉次设定喷煤量u6(t-1)、上炉次Si含量估计值对上述数据进行一致的平滑处理和归一化处理。然后通过输入样本数据在其映射集的极大无关组实现输入数据集的稀疏化，降低软测量模型的复杂度，并将IGGIII加权函数引入建模过程构造具有稀疏鲁棒的软测量模型，最终利用对训练样本进行回归建模。同时在使用带有精英策略的多目标遗传算法优化正则项参数C和径向基核函数的伸缩量σ时，采用的种群大小为30，最大进化代数为50，交叉率为0.9，变异率为0.1，初始化范围分别为λ∈(0.1，20)，σ∈(0.1，10)。优化结果为：λ＝9.8，σ＝0.8631。
图5为铁水硅含量预报值跟踪真实检验值的效果，可以看出铁水硅含量动态软测量预测值与实际值基本一致，误差较小，且变化趋势基本一致。此外，本方法有较强的鲁棒性和泛化能力，相比其他方法有较高的优越性与先进性。因此是一种具有较高实用价值的、低成本的、可连续测量的高炉铁水硅含量动态软测量方法。
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 (5)
1.一种高炉炼铁过程铁水硅含量动态软测量系统，包括：
实际数据采集单元：获取高炉铁水硅含量动态软测量所需参数，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；
归一化预处理单元：对获取的高炉铁水硅含量动态软测量所需参数进行归一化预处理；
动态软测量单元：采用高炉炼铁过程铁水硅含量动态软测量模型进行铁水硅含量动态软测量：高炉炼铁过程铁水硅含量动态软测量模型采用输出自反馈，以高炉铁水硅含量动态软测量所需参数为输入，以当前炉次硅含量为输出值，动态预测铁水硅含量；
其特征在于，所述动态软测量单元，包括：
样本处理模块：采集历史若干炉次的高炉铁水硅含量动态软测量所需参数及相应炉次铁水硅含量，并进行归一化预处理后作为训练数据集；
ARMA模型构建模块：将训练数据集中的当前炉次的工况参数、上一炉次的工况参数、上一炉次的铁水硅含量作为输入，相应当前炉次铁水硅含量作为输出，建立具有输出自反馈的动态ARMA模型；
稀疏化模块：通过提取训练数据集的映射集的极大无关组实现训练数据集的稀疏化，构造稀疏最小二乘支持向量回归机模型；
鲁棒化模块：在稀疏最小二乘支持向量回归机模型中引入IGGIII加权函数，基于稀疏化的训练数据集构造具有稀疏鲁棒性的最小二乘支持向量机模型，对训练数据集进行回归建模，得到高炉炼铁过程铁水硅含量动态软测量模型；
多目标遗传优化模块：以评价指标为适应度函数优化高炉炼铁过程铁水硅含量动态软测量模型；
模型预测模块：利用高炉炼铁过程铁水硅含量动态软测量模型预测当前炉次铁水硅含量。
2.根据权利要求1所述的高炉炼铁过程铁水硅含量动态软测量系统，其特征在于，所述实际数据采集单元，包括：
辅助变量确定模块：利用主成分分析法对若干炉次的高炉过程工况参数进行相关性分析，确定对于高炉铁水硅含量动态软测量贡献率最大的工况参数作为辅助变量，具体包括：炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、喷煤量；
输入变量确定模块：基于辅助变量、结合不同时刻输入参数时滞、当前炉次辅助变量的测量值、上一炉次辅助变量的测量值及上一炉次铁水硅含量的测量值，确定高炉铁水硅含量动态软测量所需参数即高炉炼铁过程铁水硅含量动态软测量模型的输入变量，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；高炉铁水硅含量动态软测量所需的工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量；输入变量采集模块：采集高炉炼铁过程铁水硅含量动态软测量模型的输入变量。
3.利用权利要求1所述高炉炼铁过程铁水硅含量动态软测量系统进行高炉炼铁过程铁水硅含量动态软测量的方法，包括：
步骤1、获取高炉铁水硅含量动态软测量所需参数，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；
步骤2、对获取的高炉铁水硅含量动态软测量所需参数进行归一化预处理；
步骤3、采用高炉炼铁过程铁水硅含量动态软测量模型进行铁水硅含量动态软测量：高炉炼铁过程铁水硅含量动态软测量模型采用输出自反馈，以高炉铁水硅含量动态软测量所需参数为输入，以当前炉次硅含量为输出值，动态预测铁水硅含量；
其特征在于，所述高炉炼铁过程铁水硅含量动态软测量模型的建立方法如下：
步骤3-1、采集历史若干炉次的高炉铁水硅含量动态软测量所需参数及相应炉次铁水硅含量，并进行归一化预处理；
步骤3-2、将归一化预处理后的高炉铁水硅含量动态软测量所需参数作为训练数据集；
步骤3-3、将训练数据集中的当前炉次的工况参数、上一炉次的工况参数、上一炉次的铁水硅含量作为输入，相应当前炉次铁水硅含量作为输出，建立具有输出自反馈的动态ARMA模型：
步骤3-4、通过提取训练数据集的映射集的极大无关组实现训练数据集的稀疏化，构造稀疏最小二乘支持向量回归机模型，作为初始的高炉炼铁过程铁水硅含量动态软测量模型；
步骤3-5、在稀疏最小二乘支持向量回归机模型中引入IGGIII加权函数，基于稀疏化的训练数据集构造具有稀疏鲁棒性的最小二乘支持向量机模型；
步骤3-6、利用具有稀疏鲁棒性的最小二乘支持向量机模型对训练数据集进行回归建模，得到高炉炼铁过程铁水硅含量动态软测量模型；
步骤3-7、确定高炉炼铁过程铁水硅含量动态软测量模型的多目标评价指标，以评价指标为适应度函数，优化高炉炼铁过程铁水硅含量动态软测量模型。
4.根据权利要求3所述的高炉炼铁过程铁水硅含量动态软测量的方法，其特征在于，所述工况参数的确定方法如下：
利用主成分分析法对若干炉次的高炉过程工况参数进行相关性分析，确定对于高炉铁水硅含量动态软测量贡献率最大的6个工况参数作为辅助变量，包括：炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、喷煤量；
基于上述6个辅助变量、结合不同时刻输入参数时滞、当前炉次辅助变量的测量值、上一炉次辅助变量的测量值及上一炉次铁水硅含量的测量值，确定高炉铁水硅含量动态软测量所需参数即高炉炼铁过程铁水硅含量动态软测量模型的输入变量，包括：当前炉次的工况参数、上一炉次的工况参数和上一炉次的铁水硅含量；高炉铁水硅含量动态软测量所需的工况参数包括炉腹煤气量、热风温度、热风压力、富氧率、鼓风湿度、设定喷煤量。
5.根据权利要求3所述的高炉炼铁过程铁水硅含量动态软测量的方法，其特征在于，所述构造稀疏最小二乘支持向量回归机模型的方法如下：
步骤3-4-1、将训练数据集映射到高维希尔伯特空间，得到相应的训练数据集即映射集；
步骤3-4-2、求解映射集的极大无关组，得到稀疏化的训练数据集：
步骤3-4-3、利用稀疏化的训练数据集，建立稀疏最小二乘支持向量回归机模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610308346.7A CN105886680B (zh) | 2016-05-11 | 2016-05-11 | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610308346.7A CN105886680B (zh) | 2016-05-11 | 2016-05-11 | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105886680A CN105886680A (zh) | 2016-08-24 |
| CN105886680B true CN105886680B (zh) | 2017-12-29 |
Family
ID=56703079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610308346.7A Active CN105886680B (zh) | 2016-05-11 | 2016-05-11 | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105886680B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106249724B (zh) * | 2016-09-14 | 2019-03-01 | 东北大学 | 一种高炉多元铁水质量预测控制方法及系统 |
| CN106909705B (zh) * | 2016-12-22 | 2021-03-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
| CN107526927B (zh) * | 2017-08-10 | 2020-09-01 | 东北大学 | 一种高炉铁水质量在线鲁棒软测量方法 |
| CN108060281B (zh) * | 2017-12-04 | 2019-08-23 | 山西太钢不锈钢股份有限公司 | 一种高炉降炉温的方法 |
| KR102075210B1 (ko) * | 2017-12-19 | 2020-02-07 | 주식회사 포스코 | 노황 관리 장치 및 방법 |
| CN108875118B (zh) * | 2018-04-12 | 2021-06-25 | 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 |
| CN108763550B (zh) * | 2018-06-01 | 2022-02-22 | 东北大学 | 高炉大数据应用系统 |
| CN109359320B (zh) * | 2018-08-20 | 2022-07-05 | 浙江大学 | 基于多采样率自回归分布滞后模型的高炉指标预测方法 |
| CN110378064A (zh) * | 2019-07-29 | 2019-10-25 | 安徽工业大学 | 一种预测炼铁高炉炉芯死料柱温度的方法 |
| CN111046612B (zh) * | 2019-11-15 | 2023-08-29 | 东北大学 | 一种基于多目标集成学习的高炉铁水硅含量预测方法 |
| CN111383723B (zh) * | 2020-04-16 | 2023-06-27 | 山东钢铁股份有限公司 | 一种高炉炼铁成分预控方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104651559A (zh) * | 2015-01-30 | 2015-05-27 | 东北大学 | 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 |
| CN104750902A (zh) * | 2014-11-07 | 2015-07-01 | 东北大学 | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 |
| CN104899425A (zh) * | 2015-05-07 | 2015-09-09 | 浙江大学 | 一种高炉铁水硅含量的变量选择预报方法 |
| CN104899463A (zh) * | 2015-06-18 | 2015-09-09 | 中南大学 | 高炉铁水硅含量四分类趋势预报模型的建立方法及应用 |
-
2016
- 2016-05-11 CN CN201610308346.7A patent/CN105886680B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104750902A (zh) * | 2014-11-07 | 2015-07-01 | 东北大学 | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 |
| CN104651559A (zh) * | 2015-01-30 | 2015-05-27 | 东北大学 | 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 |
| CN104899425A (zh) * | 2015-05-07 | 2015-09-09 | 浙江大学 | 一种高炉铁水硅含量的变量选择预报方法 |
| CN104899463A (zh) * | 2015-06-18 | 2015-09-09 | 中南大学 | 高炉铁水硅含量四分类趋势预报模型的建立方法及应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105886680A (zh) | 2016-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105886680B (zh) | 一种高炉炼铁过程铁水硅含量动态软测量系统及方法 | |
| CN105608492B (zh) | 一种基于鲁棒随机权神经网络的多元铁水质量软测量方法 | |
| CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
| CN107299170B (zh) | 一种高炉铁水质量鲁棒软测量方法 | |
| CN110066895B (zh) | 一种基于Stacking的高炉铁水质量区间预测方法 | |
| CN104651559B (zh) | 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 | |
| Liu et al. | Attention mechanism-aided data-and knowledge-driven soft sensors for predicting blast furnace gas generation | |
| CN106249724B (zh) | 一种高炉多元铁水质量预测控制方法及系统 | |
| CN101813932B (zh) | 湿法冶金萃取过程组分含量预测与优化操作方法 | |
| CN102880905B (zh) | 一种常顶油干点在线软测量方法 | |
| CN104750902B (zh) | 基于多输出支持向量回归机的铁水质量动态软测量方法 | |
| CN102693451A (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
| CN104915518A (zh) | 一种高炉铁水硅含量二维预报模型的构建方法及应用 | |
| CN108388762A (zh) | 基于深度置信网络的烧结矿化学成分预测方法 | |
| CN105821170A (zh) | 一种高炉多元铁水质量指标软测量系统及方法 | |
| CN104899425A (zh) | 一种高炉铁水硅含量的变量选择预报方法 | |
| CN105574297B (zh) | 自适应高炉铁水硅含量趋势预报方法 | |
| Wu et al. | Integrated soft sensing of coke-oven temperature | |
| CN105974896A (zh) | 一种基于信息物理融合的转炉炼钢优化控制系统及方法 | |
| Li et al. | Dual ensemble online modeling for dynamic estimation of hot metal silicon content in blast furnace system | |
| Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
| 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 | |
| CN114036827B (zh) | 基于分解的高炉炼铁多目标碳减排方法 | |
| Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |