[發明專利]基于規則輔助的高爐冶煉過程數據驅動建模方法

有效

• 申請號: 201710246244.1
• 申請日: 2017-04-15
• 公開（公告）號: CN107092743B
• 公開（公告）日: 2020-03-06
• 發明（設計）人: 漸令;宋曉欣;高富豪;宋允全;梁錫軍
• 申請（專利權）人: 中國石油大學(華東)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F111/10
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 張媛媛

本發明涉及一種基于規則輔助的高爐冶煉過程數據驅動建模方法，通過收集、整理專家知識得到IF…THEN…規則，根據IF…THEN…規則將采集的原始數據轉化為規則數據，利用多核學習算法整合多個專家知識得到基于規則的規則預測模型，并建立數據驅動預測模型，通過Sigmoid函數將規則預測模型和數據驅動預測模型的輸出決策值轉換為后驗概率，并對數據驅動預測模型和規則預測模型進行集成，獲得規則輔助的數據驅動模型。由于將專家知識、模糊規則等異質信息與數據驅動模型進行集成，與現有技術相比，本發明建模方法可以顯著提高數據驅動模型的預測精度和可解釋性，從而提高高爐冶煉過程采集數據的利用率。

技術領域

本發明屬于數據挖掘與機器學習技術領域，涉及數據挖掘與數據處理方法，具體地說，涉及一種基于規則輔助的高爐冶煉過程數據驅動建模方法。

背景技術

數據驅動建模方法是當前的一個研究熱點，學者們提出了大量數據驅動模型。數據驅動模型的應用范圍非常廣泛，涉及回歸分析、聚類分析、分類問題、密度估計等諸多領域。其中，非線性模型憑借其強大的非線性逼近能力通常表現出較高的預測精度。然而，當前的非線性數據驅動模型仍存在以下兩個亟待解決的主要問題：(1)無法有效整合專家知識、模糊規則等異質信息，導致無法進一步提升模型的精度；(2)缺乏可解釋性，導致非線性數據驅動模型在許多對模型透明度較高的應用領域內使用受限。

近年來學者們針對非線性數據驅動模型存在的上述問題，開展了一系列試探性研究并取得初步研究成果。Jan與Jacek提出了一種從神經網絡中提取規則的方法，該方法抽取的規則通過模擬網絡背后的邏輯關系改進神經網絡模型的推廣能力。將先驗知識融入非線性數據驅動模型則是另外一條有效途徑。Maclin等人通過向SVMs優化問題加入不等式約束的方式合并先驗知識到SVMs模型。更進一步，為了將非線性知識融入到非線性數據驅動模型中，Mangasarian等人借助理論分析將非線性先驗知識轉化為線性不等式約束。然而，上述方法都是針對具體算法設計的，無法實現規則知識與一般數據驅動模型的融合，導致這些數據驅動模型的精度低，可解釋性差。

發明內容

本發明的目的在于針對LS-SVMs等現有數據驅動模型無法有效整合專家知識、模糊規則等多源異質數據導致精度無法進一步提高、數據驅動模型可解釋性差等上述不足，提供了一種基于規則輔助的高爐冶煉過程數據驅動建模方法，該方法通過實現專家知識、模糊規則等信息與數據驅動模型的高效集成，進而提高數據驅動模型的精度和可解釋性。

根據本發明一實施例，提供了一種基于規則輔助的高爐冶煉過程數據驅動建模方法，含有以下步驟：

(一)采集2000m³高爐冶煉過程實際數據，高爐實際采集數據具有時序特征，故在數據處理過程中保持數據先后順序不變；采用如下數據處理方法對采樣數據進行預處理，其中表示原始采集數據，表示第j個特征的平均值，表示第j個采集變量的標準差，將采集數據轉換為無量綱數據，消除數據的數量級差異，將上述預處理后的數據轉換為規則數據，其具體步驟為：

(1)收集并整理專家知識，利用決策樹算法生成IF...THEN...規則：

；

(2)定義第k個樣本點x_k的第ip個特征關于基本規則區間的隸屬度為：

其中，

(3)定義合取算子∧及析取算子V計算and-型規則及or-型規則對樣本點x_k的規則支持度為：

；

(4)利用規則支持度產生規則數據，規則數據表示為：