[發明專利]一種基于Adaboost-PLS-ELM的LF爐終點溫度預報方法

在審

• 申請號: 201410292952.5
• 申請日: 2014-06-26
• 公開（公告）號: CN104050380A
• 公開（公告）日: 2014-09-17
• 發明（設計）人: 肖冬;張賢哲;高旭陽
• 申請（專利權）人: 東北大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種LF爐終點溫度預報算法，實時性好，可靠性和精度高。?

背景技術

LF爐即為鋼包精煉爐,是鋼鐵生產中主要的爐外精煉設備.?LF爐擁有如下特點：設備結構簡單，具備多種有效的爐外精煉手段，還可以提高鋼液的純度并滿足連鑄對鋼液成分及溫度的要求，協調煉鋼與連鑄的節奏.?現在LF爐生產過程已全面實現自動化，鋼水的加熱設定由計算機根據不同的鋼種和生產要求自動確定，數字化的電極控制盤可監視重要參數，實現復雜的算法，控制精度大大提高，提高了熱效率，降低了能耗.?LF終點溫度精確控制對于鋼的質量和連鑄操作的順行十分重要.?然而，LF操作過程影響終點溫度的因素比較復雜，許多影響因素無法準確測量，加之，各爐鋼水進站時的鋼水重量不同、鋼包冷熱狀態不同等均會對鋼水終點溫度的準確預報造成一定影響，所以，很難用準確的數學方程進行描述.?本發明提出一種基于Adaboost-PLS-ELM的LF爐終點溫度預報方法。?

發明內容

本發明的目的，是提供一種基于Adaboost-PLS-ELM的LF爐終點溫度預報方法，該方法模型維護費用低，實時性好，精度高.?

在求取LF爐的溫度時，將圖1中所包含的元素作為模型里面的輸入與輸出，使用Adaboost-PLS-ELM算法來學習它們之間的映射關系，求取權值，從而最終得到LF爐終點溫度預報模型.

(1)?PLS算法

PLS方法主要對自變量和因變量采用成分提取，利用提取的成分建立回歸模型，這樣既充分的體現了自變量與因變量之間的關系，又降低了建模的復雜性。假定有P個自變量和Q個因變量，N個樣本點，這樣構成的自變量數據矩陣為X={X₁,,,X_P}和因變量數據矩陣為Y={Y₁,,,Y_q}。利用偏最小二乘算法分別從X和Y提取主成分t₁、u₁，其中t₁是X₁?,,,X_P的線性組合，u₁是Y₁,,,Y_q的線性組合。此外在提取主成分的時要滿足兩點要求：主成分的代表性，即?t₁和u₁應最大可能的攜帶各自變量系統中的變異信息；主成分的相關性，即t₁和u₁的相關程度達到最大，也就是t₁對因變量系統有很強的解釋能力。該要求表明，自變量成分t₁和因變量成分u₁應最大可能地代表相應的數據矩陣，同時t₁又要盡可能好的解釋u₁。分別實施自變量X、Y因變量對提取的成分t₁、u₁的回歸分析建立回歸方程，并計算X、Y提取成分后的殘差矩陣X₁、Y₁。以此類推，通過判斷是否達到預設精度，對殘差矩陣進行成分提取，直到滿足預設精度為止。假設最后對X提取了m個成分t_1……t_m，通過實施y_k(k=1,,,q)對t_1,,,?t_m的偏最小二乘回歸分析，將因變量Y={Y₁,,,Y_q)表達成關于自變量X={?X₁,,,?X_P}的回歸方程。這樣就完成了偏最小二乘回歸建模.

(2)?ELM算法

傳統的前饋神經網絡(譬如BP網絡)在訓練中采用梯度學習算法，網絡中的參數需要迭代更新，不僅訓練時間長，而且容易導致局部極小和過度訓練等問題，另外其多隱層的結構也導致了樣本訓練速度慢，訓練誤差大.針對上述問題，黃某等人提出了一種單隱層前饋神經網絡的新算法---ELM.

任意選取N個樣本(X₁?,Y₁)∈(Rⁿ×R^m),這里x_i∈R^m為輸入，y_i∈R^m為目標輸出。如果一個有L個隱含層節點的SLFN能以0誤差來逼近這個N樣本，則存在，有β_i，?a_i，?b_i.?????j=1…N