[發明專利]一種高爐鐵水質量在線魯棒軟測量方法

有效

• 申請號: 201710679268.6
• 申請日: 2017-08-10
• 公開（公告）號: CN107526927B
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 周平;李溫鵬;柴天佑
• 申請（專利權）人: 東北大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06N3/08
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 胡曉男

1.一種高爐鐵水質量在線魯棒軟測量方法，其特征在于，包括：

步驟1、在高爐冶煉過程可控變量中選取對高爐鐵水質量參數相關性最高的六個可控變量，作為輸入變量；同時選取輸出變量；基于高爐煉鐵過程的時滯關系，確定隨機權神經網絡模型的階次；該模型以上一時刻的輸入變量、當前時刻的輸入變量、上一時刻的輸出變量為模型輸入數據，以當前時刻的輸出變量為模型輸出數據；

所述輸入變量包括爐腹煤氣量、冷風流量、富氧流量、透氣性、富氧率、理論燃燒溫度，所述輸出變量包括Si含量、P含量、S含量、鐵水溫度；

步驟2、初始化隨機權神經網絡相關參數與變量：遺忘因子、正則化系數、激活函數，隱含層節點數目、魯棒在線序貫學習時采集的數據塊大小、輸出權值的收斂條件、隨機權神經網絡的初始殘差；

步驟3、魯棒初始階段：根據標準化殘差的分布由柯西加權函數計算出初始訓練數據集中每個樣本參與隨機權神經網絡建模的權重大小，并計算出輸出權值，直至輸出權值滿足收斂條件，否則重復操作，繼續迭代；

步驟4、利用隨機權神經網絡模型和獲取的高爐煉鐵過程數據，在線估計當前時刻的鐵水質量參數；

步驟5、魯棒在線序貫學習階段：若獲取的高爐煉鐵過程數據達到設定的數據塊大小，則對隨機權神經網絡進行魯棒在線序貫學習，引入遺忘因子法，自適應更新隨機權神經網絡模型參數，返回步驟4；

所述步驟2，包括：

步驟2.1、確定隨機權神經網絡模型訓練需要的相關參數：

遺忘因子，正則化系數，激活函數，隱含層節點數目L，魯棒在線序貫學習時采集的數據塊大小，輸出權值的收斂條件；

步驟2.2、選取歷史某一時刻至當前時刻之間的時間段內輸入變量和輸出變量作為初始訓練數據集；

步驟2.3、對初始訓練數據集中的數據進行歸一化處理；

步驟2.4、隨機產生輸入層與隱含層之間的輸入權值a_j及閾值b_j,j＝1,…,L，計算初始隱含層輸出矩陣H₀、初始輸出權重，進而求得初始模型輸出變量估計值，計算隨機權神經網絡模型的初始殘差；

所述步驟3中，包括：

步驟3.1、計算標準化殘差向量；將標準化殘差代入到柯西分布加權函數中，得到m維輸入變量數據對應的權值矩陣，進一步求得每個輸出變量對應的權重矩陣；

步驟3.2、在M估計的隨機權神經網絡的優化目標函數基礎上，引入L2范數正則化項，構造成嶺回歸的形式，得到鐵水質量參數的輸出權值迭代公式，防止模型過擬合，同時解決隱含層輸出的多重共線性問題；

鐵水質量參數的輸出權值迭代公式如下：

求第一次迭代得到的輸出權值共迭代計算求出k+1次迭代得到的各個輸出權值為第k次迭代得到的權重矩陣，δ_h,h＝1…m是對應每個輸出變量的正則化系數，y_h為第h個輸出變量，m為輸出變量的維數，H₀初始隱含層輸出矩陣，I為單位矩陣；若某次迭代時都小于指定收斂條件E，則停止迭代，最終輸出權值矩陣權重矩陣為W_h，k+1代表第k+1次迭代；

所述步驟5，包括：

步驟5.1、當有新的數據塊Z_k+1的時候，進行歸一化處理，計算數據塊Z_k+1的隱含層輸出矩陣H_k+1；

步驟5.2、根據魯棒在線序貫學習階段的遞推公式更新輸出權值：

其中，k+1時刻的中間變量為正則化系數，α_h,h＝1…m為遺忘因子法中的遺忘因子，W_h為初始訓練數據集中輸出變量對應的權重矩陣，為數據塊Z_k+1的權重矩陣，為k+1時刻的輸出數據，H₀是初始隱含層輸出矩陣，I為單位矩陣，是k+1時刻的輸出權值。