一種高爐煉鐵過程鐵水硅含量動態軟測量系統及方法
【專利摘要】本發明提供一種高爐煉鐵過程鐵水硅含量動態軟測量系統及方法。系統包括：實際數據采集單元、歸一化預處理單元、動態軟測量單元；方法包括：獲取高爐鐵水硅含量動態軟測量所需參數：當前爐次的工況參數、上一爐次的工況參數和上一爐次的鐵水硅含量；對獲取的高爐鐵水硅含量動態軟測量所需參數進行歸一化預處理；采用高爐煉鐵過程鐵水硅含量動態軟測量模型進行鐵水硅含量動態軟測量。本發明與現有的人工測量或化驗鐵水硅含量相比，減少了操作人員的工作量，降低了人工操作引入的測量的不確定性，提高了測量的時效性和準確性，可信度高。本發明方法對高爐冶煉過程的鐵水硅含量預報具有通用性，有助于實現高爐鐵水質量閉環一體化控制與優化運行。
【專利說明】
一種高爐煉鐵過程鐵水硅含量動態軟測量系統及方法
技術領域
[0001] 本發明涉及高爐冶煉自動化控制技術領域，特別涉及一種高爐煉鐵過程鐵水硅含 量動態軟測量系統及方法。
【背景技術】
[0002] 高爐生產是在高溫、高壓、多物理場共存、化學反應與傳遞現象同時發生的密閉條 件下進行的持續動態時變非線性的多變量耦合系統，保持合理的爐溫是維持高爐穩定順 行、高產、優質、低耗的關鍵因素。在冶煉過程中，爐溫控制的好壞直接影響爐況的波動，而 爐況的波動又決定爐溫的控制模式，爐溫"過高"或"過低"都容易誘發爐況異常。實際生產 中，實現自動化水平較高的全流程一體化的閉環控制與操作優化的關鍵技術在于精確合理 的高爐爐溫控制模型和時效的在線檢測。作為最復雜的逆流反應器之一的煉鐵高爐，受當 前現有傳感器測量上的影響，一般通過高爐鐵水硅含量(即化學熱)來間接地反映爐內溫度 的變化和高爐爐缸的熱狀態。高爐鐵水的硅含量成為反映爐內物理化學反應情況、熱狀態 和鐵水質量的重要指標，其變化規律直接反映和決定了高爐是否能夠穩定順行，也是表征 高爐熱狀態及變化的重要標志。為獲取高爐內部熱狀態，進而有效地控制高爐爐況的穩定 順行，建立高爐鐵水硅含量預報模型非常必要。受高爐運行參數嚴重耦合、非線性較強、對 測量設備有較高的要求等一系列原因的影響導致高爐鐵水硅含量的機理模型難以建立。為 此，基于豐富的高爐運行數據，借助于當前的智能建模算法與統計學習理論，建立以數據驅 動的鐵水硅含量軟測量模型應運而生。
[0003] 專利公開號CN104899425A公開了"一種高爐鐵水硅含量的變量選擇預報方法"，以 爐頂壓力、爐頂溫度、料速、爐頂煤氣中的co、co 2和上一爐硅含量作為硅預報的輸入變量， 基于高斯核函數的標準支持向量機(SVR)預報下一次的含娃量。
[0004] 專利公開號CN101211383A公開了"一種高爐鐵水硅含量的特征分析預報方法"，以 高爐鐵水硅含量預報模型的高爐工藝參數為輸入變量，采用動態獨立成分分析方法對輸入 變量進行特征提取，使用最小二乘支持向量機算法建立硅含量預報的動態遞推模型，引入 遺傳算法優化模型參數。
[0005] 專利公開號CN102031319A公開了"一種高爐鐵水含硅量的預報方法"，使用移動平 均法對高爐鐵水中的硅(Si)含量進行預報。該方法采用鐵水含硅量短期、中期、長期的均值 作為預報的模型的基本數據，然后結合神經網絡對模型進行訓練，得到模型中連接權值。 [0006]上述專利的方法以及其相關的文獻大多利用了高爐采集的全部相關變量作為輸 入變量，充分利用豐富數據特征的同時也引入了較多的噪聲和運行耗時大的問題。另外，在 實際生產過程中，受檢測儀表和變送器等裝置的故障以及復雜的電磁干擾的影響，測量數 據存在眾多的未知干擾，其實際的工業背景對算法本身的魯棒性有較高的要求，而上述專 利報道的方法未考慮過魯棒性的問題，針對冶煉工況的變化以及異常的抖動，鐵水硅含量 預測模型的泛化能力會大幅下降。此外，上述方法沒有考慮輸入輸出時序及過程時滯關系， 因而不能很好地捕獲冶煉過程的固有動態特性。綜上所述，建立具有稀疏魯棒性的高爐鐵 水硅含量動態軟測量模型非常必要。
【發明內容】
[0007] 針對現有技術的不足，本發明提供一種高爐煉鐵過程鐵水硅含量動態軟測量系統 及方法。
[0008] 本發明的技術方案如下：
[0009] -種高爐煉鐵過程鐵水硅含量動態軟測量系統，包括：
[0010]實際數據采集單元:獲取高爐鐵水硅含量動態軟測量所需參數，包括：當前爐次的 工況參數、上一爐次的工況參數和上一爐次的鐵水硅含量；
[0011] 歸一化預處理單元:對獲取的高爐鐵水娃含量動態軟測量所需參數進行歸一化預 處理；
[0012] 動態軟測量單元:采用高爐煉鐵過程鐵水硅含量動態軟測量模型進行鐵水硅含量 動態軟測量:高爐煉鐵過程鐵水硅含量動態軟測量模型采用輸出自反饋，以高爐鐵水硅含 量動態軟測量所需參數為輸入，以當前爐次硅含量為輸出值，動態預測鐵水硅含量。
[0013] 所述實際數據采集單元，包括：
[0014] 輔助變量確定模塊:利用主成分分析法對若干爐次的高爐過程工況參數進行相關 性分析，確定對于高爐鐵水硅含量動態軟測量貢獻率最大的工況參數作為輔助變量，具體 包括:爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、噴煤量；
[0015] 輸入變量確定模塊:基于輔助變量、結合不同時刻輸入參數時滯、當前爐次輔助變 量的測量值、上一爐次輔助變量的測量值及上一爐次鐵水硅含量的測量值，確定高爐鐵水 硅含量動態軟測量所需參數即高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量，包 括:當前爐次的工況參數、上一爐次的工況參數和上一爐次的鐵水硅含量;高爐鐵水硅含量 動態軟測量所需的工況參數包括爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、設定 噴煤量；
[0016] 輸入變量采集模塊:采集高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量。 [0017] 所述動態軟測量單元，包括：
[0018] 樣本處理模塊:采集歷史若干爐次的高爐鐵水硅含量動態軟測量所需參數及相應 爐次鐵水硅含量，并進行歸一化預處理后作為訓練數據集；
[0019] ARMA模型構建模塊:將訓練數據集中的當前爐次的工況參數、上一爐次的工況參 數、上一爐次的鐵水硅含量作為輸入，相應當前爐次鐵水硅含量作為輸出，建立具有輸出自 反饋的動態ARMA模型；
[0020] 稀疏化模塊:通過提取訓練數據集的映射集的極大無關組實現訓練數據集的稀疏 化，構造稀疏最小二乘支持向量回歸機模型；
[0021 ]魯棒化模塊:在稀疏最小二乘支持向量回歸機模型中引入IGGIII加權函數，基于 稀疏化的訓練數據集構造具有稀疏魯棒性的最小二乘支持向量機模型，對訓練數據集進行 回歸建模，得到高爐煉鐵過程鐵水硅含量動態軟測量模型；
[0022] 多目標遺傳優化模塊：以評價指標為適應度函數優化高爐煉鐵過程鐵水硅含量動 態軟測量模型；
[0023] 模型預測模塊:利用高爐煉鐵過程鐵水硅含量動態軟測量模型預測當前爐次鐵水 娃含量。
[0024] 利用所述高爐煉鐵過程鐵水硅含量動態軟測量系統進行高爐煉鐵過程鐵水硅含 量動態軟測量的方法，包括：
[0025] 步驟1、獲取高爐鐵水硅含量動態軟測量所需參數，包括:當前爐次的工況參數、上 一爐次的工況參數和上一爐次的鐵水硅含量；
[0026] 步驟2、對獲取的高爐鐵水硅含量動態軟測量所需參數進行歸一化預處理；
[0027] 步驟3、采用高爐煉鐵過程鐵水硅含量動態軟測量模型進行鐵水硅含量動態軟測 量:高爐煉鐵過程鐵水硅含量動態軟測量模型采用輸出自反饋，以高爐鐵水硅含量動態軟 測量所需參數為輸入，以當前爐次硅含量為輸出值，動態預測鐵水硅含量。
[0028]所述工況參數的確定方法如下：
[0029] 利用主成分分析法對若干爐次的高爐過程工況參數進行相關性分析，確定對于高 爐鐵水硅含量動態軟測量貢獻率最大的6個工況參數作為輔助變量，包括:爐腹煤氣量、熱 風溫度、熱風壓力、富氧率、鼓風濕度、噴煤量；
[0030] 基于上述6個輔助變量、結合不同時刻輸入參數時滯、當前爐次輔助變量的測量 值、上一爐次輔助變量的測量值及上一爐次鐵水硅含量的測量值，確定高爐鐵水硅含量動 態軟測量所需參數即高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量，包括：當前爐 次的工況參數、上一爐次的工況參數和上一爐次的鐵水硅含量;高爐鐵水硅含量動態軟測 量所需的工況參數包括爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、設定噴煤量。
[0031] 所述高爐煉鐵過程鐵水硅含量動態軟測量模型的建立方法如下：
[0032] 步驟3-1、采集歷史若干爐次的高爐鐵水硅含量動態軟測量所需參數及相應爐次 鐵水硅含量，并進行歸一化預處理；
[0033]步驟3-2、將歸一化預處理后的高爐鐵水硅含量動態軟測量所需參數作為訓練數 據集；
[0034] 步驟3-3、將訓練數據集中的當前爐次的工況參數、上一爐次的工況參數、上一爐 次的鐵水硅含量作為輸入，相應當前爐次鐵水硅含量作為輸出，建立具有輸出自反饋的動 態ARMA模型：
[0035] 步驟3-4、通過提取訓練數據集的映射集的極大無關組實現訓練數據集的稀疏化， 構造稀疏最小二乘支持向量回歸機模型，作為初始的高爐煉鐵過程鐵水硅含量動態軟測量 模型；
[0036]步驟3-5、在稀疏最小二乘支持向量回歸機模型中引入IGGIII加權函數，基于稀疏 化的訓練數據集構造具有稀疏魯棒性的最小二乘支持向量機模型；
[0037] 步驟3-6、利用具有稀疏魯棒性的最小二乘支持向量機模型對訓練數據集進行回 歸建模，得到高爐煉鐵過程鐵水硅含量動態軟測量模型；
[0038] 步驟3-7、確定高爐煉鐵過程鐵水硅含量動態軟測量模型的多目標評價指標，以評 價指標為適應度函數，優化高爐煉鐵過程鐵水硅含量動態軟測量模型。
[0039] 所述構造稀疏最小二乘支持向量回歸機模型的方法如下：
[0040] 步驟3-4-1、將訓練數據集映射到高維希爾伯特空間，得到相應的訓練數據集即映 射集；
[0041] 步驟3-4-2、求解映射集的極大無關組，得到稀疏化的訓練數據集：
[0042]步驟3-4-3、利用稀疏化的訓練數據集，建立稀疏最小二乘支持向量回歸機模型。 [0043] 有益效果：
[0044] 為了解決以上高爐冶煉過程鐵水硅含量測量魯棒性的不足，本發明利用具有稀疏 魯棒性的最小二乘支持向量回歸機（Sparse and Robust Least Squares Support Vector Regression，S-R-LS_SVR)與多目標遺傳（Multi-Objective Genetic 0ptimization，M0GA) 技術，構造一個具有較強魯棒性和輸出自反饋結構、并考慮不同時刻輸入輸出數據時滯的 鐵水硅含量動態軟測量模型，同時利用現場采集的高爐數據對鐵水硅含量進行動態軟測 量。本發明針對高爐煉鐵過程的關鍵工藝指標一一鐵水硅含量難以直接在線測量且離線檢 驗過程滯后的難題，通過提取動態軟測量模型的輸入樣本數據在其映射集的極大無關組來 實現樣本的稀疏化，并將IGGIII加權函數引入，構造具有稀疏魯棒性的最小二乘支持向量 機模型。與現有的人工測量或化驗鐵水硅含量相比，減少了操作人員的工作量，降低了人工 操作引入的測量的不確定性，提高了測量的時效性和準確性，可信度高。另外，本發明方法 對高爐冶煉過程的鐵水硅含量預報具有普遍的通用性，可獲得較好的預報精度，有助于實 現高爐鐵水質量的閉環一體化控制與優化運行。
【附圖說明】
[0045] 圖1是本發明【具體實施方式】中高爐煉鐵過程的測量儀表配置圖；
[0046] 圖2是本發明【具體實施方式】中高爐煉鐵過程鐵水硅含量動態軟測量系統結構框 圖；
[0047] 圖3是本發明【具體實施方式】中高爐煉鐵過程鐵水硅含量動態軟測量方法流程圖；
[0048] 圖4是本發明【具體實施方式】中高爐煉鐵過程鐵水硅含量動態軟測量模型的建立方 法流程圖；
[0049] 圖5是本發明【具體實施方式】中鐵水硅含量動態軟測量效果圖；
[0050] 圖1中：1-高爐，2-熱風爐，3-流量計，4-溫度計，5壓力計，6-濕度計，7-爐腹煤氣量 測量分析儀，8-富氧率測量分析儀，9-數據采集裝置，10-計算機系統。
【具體實施方式】
[0051] 下面結合附圖對本發明的【具體實施方式】做詳細說明。
[0052] 本實施方式中，實施高爐煉鐵過程鐵水硅含量動態軟測量方法采用測量系統以及 計算機系統10;如圖1所示，所述的測量系統包括：
[0053]三個流量計3,分別用于在線測量高爐1煤粉噴吹系統煤粉噴吹量、富氧流量、冷風 流量；
[0054] -個溫度計4,用于在線測量高爐1熱風爐2的熱風溫度；
[0055] 一個壓力計5,用于在線測量高爐1熱風爐2的熱風壓力；
[0056] -個濕度計6,用于在線測量高爐1熱風爐2的鼓風濕度。
[0057]另外，測量系統還包括如下兩個測量分析儀：
[0058] -個爐腹煤氣量測量分析儀7通過流量計3測量得到的冷風流量、富氧流量以及煤 粉噴吹量，以及濕度計6測量得到的鼓風濕度，分析計算出爐腹煤氣量參數；
[0059] -個富氧率測量分析儀8通過流量計3測量得到的冷風流量、富氧流量，以及濕度 計6測量得到的鼓風濕度，分析計算出富氧率參數。
[0060] 流量計3、壓力計5、溫度計4、濕度計6這些常規測量儀表安裝于高爐冶煉系統的各 個相應位置。數據采集器9的輸入端連接這些常規測量儀表的輸出端，并通過通信總線連接 計算機系統10。
[0061] 計算機系統10中設有高爐煉鐵過程鐵水硅含量動態軟測量系統，如圖2所示，包 括：
[0062] 實際數據采集單元:獲取高爐鐵水硅含量動態軟測量所需參數，包括：當前爐次的 工況參數、上一爐次的工況參數和上一爐次的鐵水硅含量；
[0063] 歸一化預處理單元:對獲取的高爐鐵水娃含量動態軟測量所需參數進行歸一化預 處理；
[0064]動態軟測量單元:采用高爐煉鐵過程鐵水硅含量動態軟測量模型進行鐵水硅含量 動態軟測量:高爐煉鐵過程鐵水硅含量動態軟測量模型采用輸出自反饋，以高爐鐵水硅含 量動態軟測量所需參數為輸入，以當前爐次硅含量為輸出值，動態預測鐵水硅含量。
[0065]實際數據采集單元，包括：
[0066] 輔助變量確定模塊:利用主成分分析法對若干爐次的高爐過程工況參數進行相關 性分析，確定對于高爐鐵水硅含量動態軟測量貢獻率最大的工況參數作為輔助變量，具體 包括:爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、噴煤量；
[0067] 輸入變量確定模塊:基于輔助變量、結合不同時刻輸入參數時滯、當前爐次輔助變 量的測量值、上一爐次輔助變量的測量值及上一爐次鐵水硅含量的測量值，確定高爐鐵水 硅含量動態軟測量所需參數即高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量，包 括:當前爐次的工況參數、上一爐次的工況參數和上一爐次的鐵水硅含量;高爐鐵水硅含量 動態軟測量所需的工況參數包括爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、設定 噴煤量。
[0068] 輸入變量采集模塊:采集高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量。 [0069] 動態軟測量單元，包括：
[0070]樣本處理模塊:采集歷史若干爐次的高爐鐵水硅含量動態軟測量所需參數及相應 爐次鐵水硅含量，并進行歸一化預處理后作為訓練數據集；
[0071 ] ARMA模型構建模塊:將訓練數據集中的當前爐次的工況參數、上一爐次的工況參 數、上一爐次的鐵水硅含量作為輸入，相應當前爐次鐵水硅含量作為輸出，建立具有輸出自 反饋的動態ARMA模型；
[0072]稀疏化模塊:通過提取訓練數據集的映射集的極大無關組實現訓練數據集的稀疏 化，構造稀疏最小二乘支持向量回歸機模型；
[0073]魯棒化模塊:在稀疏最小二乘支持向量回歸機模型中引入IGGIII加權函數，基于 稀疏化的訓練數據集構造具有稀疏魯棒性的最小二乘支持向量機模型，對訓練數據集進行 回歸建模，得到高爐煉鐵過程鐵水硅含量動態軟測量模型；
[0074] 多目標遺傳優化模塊：以評價指標為適應度函數優化高爐煉鐵過程鐵水硅含量動 態軟測量模型；
[0075] 模型預測模塊:利用高爐煉鐵過程鐵水硅含量動態軟測量模型預測當前爐次鐵水 娃含量。
[0076]本實施方式的高爐煉鐵過程鐵水硅含量動態軟測量方法，如圖3所示，包括以下步 驟：
[0077]步驟1、獲取高爐鐵水硅含量動態軟測量所需參數，包括:當前爐次的工況參數、上 一爐次的工況參數和上一爐次的鐵水硅含量；
[0078]所述工況參數的確定方法如下：
[0079] 步驟1-1、利用主成分分析法（Principal Component Analysis，PCA)對若干爐次 的高爐過程工況參數進行相關性分析，確定對于高爐鐵水硅含量動態軟測量貢獻率最大的 6個工況參數作為輔助變量，具體包括：爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕 度、噴煤量；
[0080] 利用主成分分析法對若干爐次的高爐過程工況參數進行相關性分析，具體如下：
[0081] (1)、特征中心化，即對輸入樣本數據XnXm=[Xl，X2, . . .，Xm]每一列的數據都減去該 列的均值，進而得到矩陣六#?。
[0082] (2)、計算AnXm的協方差矩陣BmXm，并計算協方差矩陣B mXm的特征向量和特征值。
[0083] (3)、選取若干大的特征值所對應的特征向量作為新的數據。
[0084]其中爐腹煤氣量m，m3、熱風溫度u2，°C、熱風壓力u3，KPa、富氧率U4，％、鼓風濕度 115，冊、噴煤量116，1113/11的特征值之和占所有特征值的98.723%>98%，因此選擇該6類變量 構成新的樣本集作為鐵水硅含量動態軟測量的輔助變量；
[0085] 步驟1-2、基于上述6個輔助變量、結合不同時刻輸入參數時滯、當前爐次輔助變量 的測量值、上一爐次輔助變量的測量值及上一爐次鐵水硅含量的測量值，確定高爐鐵水硅 含量動態軟測量所需參數即高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量，包括： 當前爐次的工況參數、上一爐次的工況參數和上一爐次的鐵水硅含量;高爐鐵水硅含量動 態軟測量所需的工況參數包括爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、設定噴 煤量。
[0086] 確定如下13個變量為動態軟測量模型的輸入變量：
[0088]步驟2、對獲取的高爐鐵水硅含量動態軟測量所需參數進行歸一化預處理；
[0089]歸一化預處理的具體實現方法為：
[0091]其中Xl為歸一化之前的高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量，< 為歸一化之后的高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量，m為^的均值，〇1為 Xi的標準差。
[0092] 步驟3、采用高爐煉鐵過程鐵水硅含量動態軟測量模型進行鐵水硅含量動態軟測 量:高爐煉鐵過程鐵水硅含量動態軟測量模型采用輸出自反饋，以高爐鐵水硅含量動態軟 測量所需參數為輸入，以當前爐次硅含量為輸出值，動態預測鐵水硅含量。
[0093] 如圖4所示，高爐煉鐵過程鐵水硅含量動態軟測量模型的建立方法如下：
[0094] 步驟3-1、采集歷史若干爐次的高爐鐵水硅含量動態軟測量所需參數及相應爐次 鐵水硅含量，并進行歸一化預處理；
[0095]步驟3-2、將歸一化預處理后的高爐鐵水硅含量動態軟測量所需參數作為訓練數 據集；
[0096] 步驟3-3、將訓練數據集中的當前爐次的工況參數、上一爐次的工況參數、上一爐 次的鐵水硅含量作為輸入，相應當前爐次鐵水硅含量作為輸出，建立具有輸出自反饋的動 態ARMA(Auto Regressive Moving Average，ARMA)模型：
[0097] y(t) = fARMA{ui(t)，U2(t)，U3(t)，U4(t)，U5(t)，U6(t)，
[0098] Ui(t-l)，U2(t-l)，U3(t-l)，U4(t-l)，U5(t-l)，U6(t-l)，y(t_l)}
[0099] 其中y(t)為當前爐次鐵水硅含量的真實值。
[0100] 步驟3-4、通過提取訓練數據集的映射集的極大無關組實現訓練數據集的稀疏化， 構造稀疏最小二乘支持向量回歸機模型，作為初始的高爐煉鐵過程鐵水硅含量動態軟測量 豐旲型；
[0101] 通過提取訓練數據集在其映射集的極大無關組，來實現訓練數據集的稀疏化，降 低高爐煉鐵過程鐵水硅含量動態軟測量模型的復雜度，構造稀疏最小二乘支持向量回歸機 模型（Sparse Least Squares Support Vector Regression，S-LS_SVR)，具體實現方法為：
[0102] 步驟3-4-1、將訓練數據集映射到高維希爾伯特空間，得到相應的訓練數據集即映 射集；
[0103] 訓練數據集{.w,G通過非線性函數映射到高維希爾伯特空間，其映射集為 4 = ，N為樣本數量，X e RNX13為由步驟3-3所確定的高爐煉鐵過程鐵水硅含量動態軟測 量模型的13個輸入變量組成的輸入樣本矩陣，yi為步驟3-3所確定的動態ARMA模型輸出，即
鐵水硅含量，Ph)為非線性函數。雖然不能被確切的表達 m為映射集中線性相關的個數，λι，λ」均為加權系數，取非線性函數4?)為高斯函數K(x，xi)， 定義如下：
[0105] 其中，Xi為第i組輸入樣本，〇為高斯(徑向基)函數的伸縮量。
[0106] 步驟3-4-2、求解映射集Α的極大無關組，得到稀疏化的訓練數據集：
[0107] (a)初始化極大無關組Βμ= Φ，在集合S= (1，2, . . .，N)選取j = l時的輸入樣本放 到Bm中；
[0108] (b)在S中依次選取j = j+Ι，計算
[0110] (c)若目標函數mjn C5(A)<s，ε為設定的閾值，則說明_χ,)可以由冰(Λ；;ψββ Λ/}線性 表示，摒棄第i組輸入樣本;若目標函數n￥n 則說明列4)不可由丨線性 表示，則MX )}線性無關，將第i組輸入樣本放到集合BM中；
[0111] (d)若迭代次數j<N，則轉到(b);否則終止迭代；
[0112] (e)將極大無關組Bm中對應訓練數據集的元素取出組成新訓練數據集 ，凡為新訓練數據集的樣本數量。Ψ5通過高斯函數映射后的集合為 象=加(匕,)丨U，即稀疏化的訓練數據集；
[0113] 因為Ψ5是映射集Α的極大無關組，則權值向量ω eRn可表述為
[0115]步驟3-4-3、利用稀疏化的訓練數據集，建立稀疏最小二乘支持向量回歸機模型 為：
[0117] 其中，C為正則化參數，b為偏置項，吟=?.-鳥_為誤差項，yi，i分別為鐵水娃含量的 實際測量值和動態軟測量的預測值。
[0118] 步驟3-5、在稀疏最小二乘支持向量回歸機模型中引入IGGIII加權函數，基于稀疏 化的訓練數據集構造具有稀疏魯棒性的最小二乘支持向量機模型（Sparse robust Least Squares Support Vector Regression，S-R_LS_SVR);
[0119] 為了改善初始的高爐煉鐵過程鐵水硅含量動態軟測量模型的魯棒性能，即實際情 況與高爐煉鐵過程鐵水硅含量動態軟測量模型有較嚴重的偏離時也能保證估計精度不受 破壞性的影響。因此，對誤差項 ei引入加權因子Vl，從而得到具有稀疏魯棒性的最小二乘支 持向量機模型：
[0121 ]式中：Vi = diag(vi，V2, · · ·，Vr)，vi由IGGIII加權函數決定，即：
[0123] 其中，θ = 1.438median | e-median(e) |為誤差的標準差估計，median( ·)為取中位 數運算，ki，k2為相關系數，根據經驗值kie [1，3]，k2e [3.0,6]，本實施方式選取ki = l .3，k2 =3.2〇
[0124] 步驟3-6、利用具有稀疏魯棒性的最小二乘支持向量機模型對訓練數據集進行回 歸建模，得到高爐煉鐵過程鐵水硅含量動態軟測量模型。
[0125] 優化的高爐煉鐵過程鐵水硅含量動態軟測量模型中引入拉格朗日算子a=(ai， a2，· · ·，ar)得：
[01 Z7]根據極小值的最優條件，即令L(P，b，e，a)對β，b，e，a的偏導數為零，并消去變量e， a得：
[0129] 進而獲得高爐煉鐵過程鐵水硅含量動態軟測量模型：
[0130] f(xi) = ΦΓ(χ?) ω+b
[0131 ]步驟3-7、確定高爐煉鐵過程鐵水硅含量動態軟測量模型的多目標評價指標，以評 價指標為適應度函數，優化高爐煉鐵過程鐵水硅含量動態軟測量模型；
[0132]傳統的建模性能指標大多采用均方根誤差(Root Mean Square Error，RMSE)，然 而這只能表明建模誤差盡可能小，對模型預測曲線與真實曲線的接近程度并未考慮。在實 際應用中，準確的變化趨勢對動態過程的建模至關重要。為此，提出綜合考慮RMSE和估計曲 線與實際曲線相關性的模型精度多目標評價指標。
[0133]由數理統計理論可知，兩個數據矢量X和Y分別表示高爐煉鐵過程鐵水硅含量實際 值和軟測量值，E[(X-E(X))(Y-E(Y))]稱之為X與Y的協方差或者相關矩，記作C0V(X，Y)，E (X)，E(Y)分別是X和Y的期望，而該兩個數據矢量的相關系數為
[0135]
是X和Y的方差。相關系數Ρχγ是衡量數據矢量X與Y關系程度的 量：| Ρχγ卜1表不X與Y之間的線性關系密切;而| Ρχγ | -0表不X與Y的相關性很差;若| Ρχγ | = 1 表示X與Υ依概率1存在著線性關系，而I ρχγ I -0表示X與Υ不相關。
[0136] 綜上，高爐煉鐵過程鐵水硅含量動態軟測量模型的多目標評價指標如下：
[0138] Fcei2= 1~Ρχγ
[0139] 其中，只分別為鐵水硅含量的預測值與實際值。上述兩個評價指標既 可以保證建模過程的平穩性和限制輸出曲線的橫向偏移量，又可以保證建模過程的準確性 和限制輸出曲線的縱向偏移量。
[0140]以上述多目標評價指標為適應度函數，利用多目標遺傳算法對高爐煉鐵過程鐵水 硅含量動態軟測量模型S-R-LS-SVR進行優化:利用NSGA-II對正則化參數C和高斯核函數的 伸縮量σ進行優化。以模型的多目標評價指標為適應度函數，采用實數編碼，通過基于進行 非支配快速排序和擁擠距離計算的種群進行二進制錦標賽選擇，利用模擬二進制交叉和多 項式變異的遺傳因子增強種群多樣性，具體如下所示：
[0141] (a)初始化。設置當前代num=l，最大迭代次數為maxnum，種群大小為Q，變異率為 0.1，交叉率為0.9。
[0142] (b)實數編碼。對正則化參數C和高斯核函數的伸縮量〇的解空間進行浮點數編碼， 每條染色體對應一組(：和〇，編碼形式為染色體R=[0，C]，該條染色體的基因數量為S = 2,含 有Q條隨機生成的染色體的初始種群為P=[Ri，R2, . . .，Rq]t。將優化的參數C和σ作為基因放 在染色體中。
[0143] (c)計算多目標評價指標。根據種群Ρ中的參數(：和〇計算Q個個體的多目標評價指 標。
[0144] (d)判斷是否滿足終止條件。如果num>最大迭代次數maxnum，則優化結束；否則， 進入步驟(e)。
[0145] (e)計算擁擠距離并進行非支配排序。
[0146] (f)錦標賽選擇算子。根據非支配排序的結果，選擇支配層較低的染色體，若同一 支配層的染色體有多個，選擇擁擠距離較大的染色體以獲得種群的多樣性。
[0147] (g)模擬二進制交叉。由于采用實數編碼，則交叉后代是父代的線性組合：
[0149] 式中：u為產生于(0，1)均勻分布的隨機數。當u>0.5時
；當11 ^0.5
，n。為交叉分布指數，i = 1，2為優化目標函數的個數。
[0150] (h)多項式變異。變異后的染色體為，其中B'B1分別為優 化變量的上界與下界，為變異的參數。當rk> 0.5時，
；當^<0.5，
:，rk為來自（0，1)均勻分布的隨機數，為變異分布指數。
[0151] (i)重組和優選。將經上述模擬二進制交叉和多項式變異產生的新染色體與原種 群中的染色體進行混合重組，并選擇非支配排序前N個染色體組成新的種群。num = num+l， 返回步驟(c)。
[0152] 為驗證本發明的有效性，以煉鐵廠容積為2600m3的煉鐵高爐為實施對象。該高爐 對象安裝了如下的測量系統，包括：
[0153] 橫河DPharp EJA系列壓力變送器用于測量高爐熱風系統的熱風壓力；
[0154] HH-WLB差壓流量計用于測量冷風流量；
[0155] A+K平衡流量計用于測量富氧流量；
[0156] JWSK-6CWDA空氣濕度傳感器用于測量鼓風濕度；
[0157] YHIT紅外測溫儀用于測量熱風溫度；
[0158] HDLWG-06煤粉流量計用于測量煤粉噴吹量.
[0159] 另外，測量系統還包括如下兩個測量分析儀：
[0160] -個測量分析儀通過流量計測量得到的冷風流量、富氧流量以及煤粉噴吹量，以 及濕度計測量得到的鼓風濕度，分析計算出爐腹煤氣量參數；
[0161]爐腹煤氣量測量分析儀設置如下：
[0163]富氧率測量分析儀設置如下：
[0165] 實驗中共采集了270爐次的樣本數據，其中前200爐次生產數據作為建模時的訓練 樣本，后70爐次的數據作為測試樣本。在模型訓練和模型預測過程中使用的所有變量的采 樣數據，均采用以鐵水出爐爐次為單位的測量平均值作為采樣和預報周期。經PCA進行相關 性分析，確定爐腹煤氣量m、熱風溫度11 2、熱風壓力U3、富氧率U4、鼓風濕度U5、噴煤量U6六個 輔助變量;采用輸出自反饋的動態ARMA模型，確定13個輸入變量分別為:本爐次爐腹煤氣量 111(〇、本爐次熱風溫度112(〇、本爐次水熱風壓力11 3(〇、本爐次富氧率114(〖）、本爐次鼓風濕 度1!5(〇、本爐次設定噴煤量U6(t)、上爐次爐腹煤氣量m(t-l)、上爐次熱風溫度1! 2(卜1)、上 爐次水熱風壓力U3(t-1)、上爐次富氧率U4(t-1)、上爐次鼓風濕度115(〖-1)、上爐次設定噴煤 量 U6(t-1)、上爐次Si含量估計值Κ?-ι);對上述數據進行一致的平滑處理和歸一化處理。然 后通過輸入樣本數據在其映射集的極大無關組實現輸入數據集的稀疏化，降低軟測量模型 的復雜度，并將IGGIII加權函數引入建模過程構造具有稀疏魯棒的軟測量模型，最終利用 對訓練樣本進行回歸建模。同時在使用帶有精英策略的多目標遺傳算法優化正則項參數C 和徑向基核函數的伸縮量σ時，采用的種群大小為30,最大進化代數為50,交叉率為0.9,變 異率為〇 . 1，初始化范圍分別為λ e (〇 . 1，20 )，σ e (〇 . 1，1 〇 )。優化結果為：λ = 9.8，σ = 0.8631〇
[0166] 圖5為鐵水硅含量預報值跟蹤真實檢驗值的效果，可以看出鐵水硅含量動態軟測 量預測值與實際值基本一致，誤差較小，且變化趨勢基本一致。此外，本方法有較強的魯棒 性和泛化能力，相比其他方法有較高的優越性與先進性。因此是一種具有較高實用價值的、 低成本的、可連續測量的高爐鐵水硅含量動態軟測量方法。
[0167] 可以理解的是，以上關于本發明的具體描述，僅用于說明本發明而并非受限于本 發明實施例所描述的技術方案，本領域的普通技術人員應當理解，仍然可以對本發明進行 修改或等同替換，以達到相同的技術效果；只要滿足使用需要，都在本發明的保護范圍之 內。
【主權項】
1. 一種高爐煉鐵過程鐵水硅含量動態軟測量系統，其特征在于，包括： 實際數據采集單元:獲取高爐鐵水硅含量動態軟測量所需參數，包括：當前爐次的工況 參數、上一爐次的工況參數和上一爐次的鐵水硅含量； 歸一化預處理單元：對獲取的高爐鐵水娃含量動態軟測量所需參數進行歸一化預處 理； 動態軟測量單元:采用高爐煉鐵過程鐵水硅含量動態軟測量模型進行鐵水硅含量動態 軟測量:高爐煉鐵過程鐵水硅含量動態軟測量模型采用輸出自反饋，以高爐鐵水硅含量動 態軟測量所需參數為輸入，以當前爐次硅含量為輸出值，動態預測鐵水硅含量。2. 根據權利要求1所述的高爐煉鐵過程鐵水硅含量動態軟測量系統，其特征在于，所述 實際數據采集單元，包括： 輔助變量確定模塊:利用主成分分析法對若干爐次的高爐過程工況參數進行相關性分 析，確定對于高爐鐵水硅含量動態軟測量貢獻率最大的工況參數作為輔助變量，具體包括： 爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、噴煤量； 輸入變量確定模塊:基于輔助變量、結合不同時刻輸入參數時滯、當前爐次輔助變量的 測量值、上一爐次輔助變量的測量值及上一爐次鐵水硅含量的測量值，確定高爐鐵水硅含 量動態軟測量所需參數即高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量，包括：當 前爐次的工況參數、上一爐次的工況參數和上一爐次的鐵水硅含量;高爐鐵水硅含量動態 軟測量所需的工況參數包括爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、設定噴煤 量； 輸入變量采集模塊:采集高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量。3. 根據權利要求1所述的高爐煉鐵過程鐵水硅含量動態軟測量系統，其特征在于，所述 動態軟測量單元，包括： 樣本處理模塊:采集歷史若干爐次的高爐鐵水硅含量動態軟測量所需參數及相應爐次 鐵水硅含量，并進行歸一化預處理后作為訓練數據集； ARMA模型構建模塊:將訓練數據集中的當前爐次的工況參數、上一爐次的工況參數、上 一爐次的鐵水硅含量作為輸入，相應當前爐次鐵水硅含量作為輸出，建立具有輸出自反饋 的動態ARM模型； 稀疏化模塊:通過提取訓練數據集的映射集的極大無關組實現訓練數據集的稀疏化， 構造稀疏最小二乘支持向量回歸機模型； 魯棒化模塊:在稀疏最小二乘支持向量回歸機模型中引入IGGIII加權函數，基于稀疏 化的訓練數據集構造具有稀疏魯棒性的最小二乘支持向量機模型，對訓練數據集進行回歸 建模，得到高爐煉鐵過程鐵水硅含量動態軟測量模型； 多目標遺傳優化模塊：以評價指標為適應度函數優化高爐煉鐵過程鐵水硅含量動態軟 測量模型； 模型預測模塊:利用高爐煉鐵過程鐵水硅含量動態軟測量模型預測當前爐次鐵水硅含 量。4. 利用權利要求1所述高爐煉鐵過程鐵水硅含量動態軟測量系統進行高爐煉鐵過程鐵 水硅含量動態軟測量的方法，其特征在于，包括： 步驟1、獲取高爐鐵水硅含量動態軟測量所需參數，包括：當前爐次的工況參數、上一爐 次的工況參數和上一爐次的鐵水硅含量； 步驟2、對獲取的高爐鐵水硅含量動態軟測量所需參數進行歸一化預處理； 步驟3、采用高爐煉鐵過程鐵水硅含量動態軟測量模型進行鐵水硅含量動態軟測量:高 爐煉鐵過程鐵水硅含量動態軟測量模型采用輸出自反饋，以高爐鐵水硅含量動態軟測量所 需參數為輸入，以當前爐次硅含量為輸出值，動態預測鐵水硅含量。5. 根據權利要求4所述的高爐煉鐵過程鐵水硅含量動態軟測量的方法，其特征在于，所 述工況參數的確定方法如下： 利用主成分分析法對若干爐次的高爐過程工況參數進行相關性分析，確定對于高爐鐵 水娃含量動態軟測量貢獻率最大的6個工況參數作為輔助變量，包括:爐腹煤氣量、熱風溫 度、熱風壓力、富氧率、鼓風濕度、噴煤量； 基于上述6個輔助變量、結合不同時刻輸入參數時滯、當前爐次輔助變量的測量值、上 一爐次輔助變量的測量值及上一爐次鐵水硅含量的測量值，確定高爐鐵水硅含量動態軟測 量所需參數即高爐煉鐵過程鐵水硅含量動態軟測量模型的輸入變量，包括：當前爐次的工 況參數、上一爐次的工況參數和上一爐次的鐵水硅含量;高爐鐵水硅含量動態軟測量所需 的工況參數包括爐腹煤氣量、熱風溫度、熱風壓力、富氧率、鼓風濕度、設定噴煤量。6. 根據權利要求4所述的高爐煉鐵過程鐵水硅含量動態軟測量的方法，其特征在于，所 述高爐煉鐵過程鐵水硅含量動態軟測量模型的建立方法如下： 步驟3-1、采集歷史若干爐次的高爐鐵水硅含量動態軟測量所需參數及相應爐次鐵水 娃含量，并進行歸一化預處理； 步驟3-2、將歸一化預處理后的高爐鐵水硅含量動態軟測量所需參數作為訓練數據集； 步驟3-3、將訓練數據集中的當前爐次的工況參數、上一爐次的工況參數、上一爐次的 鐵水硅含量作為輸入，相應當前爐次鐵水硅含量作為輸出，建立具有輸出自反饋的動態 ARMA模型： 步驟3-4、通過提取訓練數據集的映射集的極大無關組實現訓練數據集的稀疏化，構造 稀疏最小二乘支持向量回歸機模型，作為初始的高爐煉鐵過程鐵水硅含量動態軟測量模 型； 步驟3-5、在稀疏最小二乘支持向量回歸機模型中引入IGGIII加權函數，基于稀疏化的 訓練數據集構造具有稀疏魯棒性的最小二乘支持向量機模型； 步驟3-6、利用具有稀疏魯棒性的最小二乘支持向量機模型對訓練數據集進行回歸建 模，得到高爐煉鐵過程鐵水硅含量動態軟測量模型； 步驟3-7、確定高爐煉鐵過程鐵水硅含量動態軟測量模型的多目標評價指標，以評價指 標為適應度函數，優化高爐煉鐵過程鐵水硅含量動態軟測量模型。7. 根據權利要求6所述的高爐煉鐵過程鐵水硅含量動態軟測量的方法，其特征在于，所 述構造稀疏最小二乘支持向量回歸機模型的方法如下： 步驟3-4-1、將訓練數據集映射到高維希爾伯特空間，得到相應的訓練數據集即映射 集； 步驟3-4-2、求解映射集的極大無關組，得到稀疏化的訓練數據集： 步驟3-4-3、利用稀疏化的訓練數據集，建立稀疏最小二乘支持向量回歸機模型。
【文檔編號】C21B7/24GK105886680SQ201610308346
【公開日】2016年8月24日
【申請日】2016年5月11日
【發明人】周平, 郭東偉, 宋賀達, 王宏
【申請人】東北大學