[發明專利]基于懶惰學習的高爐鐵水質量自適應魯棒預測控制方法

有效

• 申請號: 201810971718.3
• 申請日: 2018-08-24
• 公開（公告）號: CN109001979B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 周平;易誠明;姜樂
• 申請（專利權）人: 東北大學
• 主分類號: G05B13/04
• 分類號: G05B13/04;G05B13/02
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

1.一種基于懶惰學習的高爐鐵水質量自適應魯棒預測控制方法，其特征在于：該方法包括以下步驟：

步驟1、選取鐵水Si含量和鐵水溫度作為被控量，選取高爐本體參數中與被控量相關性最強且可操作的變量作為控制量，控制量包括冷風流量、熱風溫度、富氧流量、噴煤量，根據選擇的控制量和被控量采集高爐生產歷史輸入輸出數據，對數據進行預處理，并構造初始數據庫，初始化相關參數；數據預處理包括濾波處理和歸一化處理；濾波處理，采用噪聲尖峰濾波算法剔除高爐生產過程中的噪聲尖峰跳變數據；歸一化處理，對濾波后的高爐生產歷史數據，包括控制量和被控量，進行歸一化處理；

所述構造初始數據庫，初始化相關參數包括：確定局部預測模型結構為y(t)＝f(x(t))，f(·)為非線性映射，將上一時刻控制向量、當前時刻控制向量、上一時刻被控向量作為局部預測模型輸入，即x(t)＝[y^T(t-1),u^T(t),u^T(t-1)]^T為局部預測模型輸入，當前時刻被控向量y(t)作為局部預測模型輸出；根據映射對{x(t),y(t)}的形式，利用歷史輸入輸出數據構造初始數據庫N₂為數據庫容量，并初始化相關參數，包括相似度比重因子、近鄰數范圍、核半徑、懲罰系數、預測步長、控制步長、加權系數；

步驟2、構造當前工作時刻的查詢回歸向量，通過懶惰學習方法從數據庫中查詢相似數據樣本組成學習子集，采用留一法交叉驗證選出最優相似學習子集，根據最優相似學習子集中的數據樣本信息處理異常數據，并采用多輸出最小二乘支持向量回歸建模方法建立局部預測模型；具體方法包括：

步驟2.1、根據當前工作時刻t，采集上一時刻的控制向量u(t-1)、上一時刻的被控向量y(t-1)，構造查詢回歸向量x_t＝[y^T(t-1),u^T(t),u^T(t-1)]^T；由于u(t)是需要求解的當前時刻控制向量，所以在計算x_t與數據庫中x_i間的相似度時不考慮該項，同時也不考慮x_t中的異常數據項，將高于歷史采集數據中最大值的2倍以上或者出現數據缺失的新采集數據視為異常數據；

步驟2.2、為了計算查詢回歸向量x_t與數據庫中數據向量x_i的相似度大小，綜合考慮x_t與x_i間的角度和距離，定義相似度如下：

s(x_i,x_t)＝σ·exp(-d_ti)+(1-σ)·cos(α_ti)，cos(α_ti)≥0

其中，s(x_i,x_t)∈[01]，若s(x_i,x_t)越接近1表示x_i與x_t越相似，0≤σ≤1是權重參數，用于調節距離相似性d_ti和角度相似性cos(α_ti)所占比重的大?。?/p>

根據上述定義的相似度，查詢數據庫中與x_t最相似的k個x_i，并組成相似學習子集{x_i,y_i}，i＝1,2,…,k，由于k∈[k_min k_max]，所以有(k_max-k_min+1)個相似學習子集；

步驟2.3、為了選出最優相似學習子集，采用留一法交叉驗證方法，分別計算(k_max-k_min+1)個相似學習子集對應的留一法交叉驗證均方誤差，選擇對應均方誤差最小的相似學習子集，作為最優相似學習子集；

m輸入n輸出最小二乘支持向量回歸預測模型如下：

其中，為模型預測輸出，x為模型輸入，w₀是公有特征向量，V是私有特征矩陣，為高維映射，L為訓練樣本數量，1_1×n＝[1,1,…,1]∈R^1×n，λ∈R₊為懲罰因子，α_i,j和b為模型參數；K(x,x_i)為RBF核函數；

如下計算每個學習子集對應的留一法交叉驗證均方誤差：

其中，MSE_loo(k)為對應近鄰數為k的留一法交叉驗證均方誤差；是去除學習子集{x_i,y_i}，i＝1,2,…,k中第j個映射對{x_j,y_j}，將剩余映射對作為模型訓練樣本，x_j作為模型輸入得到的y_j的估計值；從(k_max-k_min+1)個相似學習子集中，選取對應均方誤差最小的相似學習子集作為最優相似學習子集{x_i,y_i}，i＝1,2,…,k_best；

步驟2.4、魯棒機制：為保證控制系統穩定工作，需要及時處理x_t中的異常數據，根據最優相似學習子集中的數據向量x_i,i＝1,2,…,k_best，如下計算平均數據向量

將x_t的異常數據項用的對應項代替；

步驟2.5、將最優相似學習子集作為訓練集，采用多輸出最小二乘支持向量回歸建模方法建立局部預測模型；

步驟3、計算多步輸出預測值進行并對預測值進行在線校正，根據未來輸出期望值與校正后預測值構造控制性能指標，利用序貫二次規劃算法計算得到最優控制向量，即當前時刻的最優輸入——冷風流量、熱風溫度、富氧流量、噴煤量；具體方法包括：

步驟3.1、根據局部預測模型計算提前多步的預測輸出；

局部預測模型的N_p步預測輸出分別為：

其中，為t+1時刻的預測輸出，x_t為t時刻的模型輸入；

步驟3.2、根據被控向量設定期望值建立參考軌跡方程，使鐵水質量指標能夠平滑過渡到設定期望值；

步驟3.3、為了防止模型失配或環境干擾對控制器的影響，反饋校正采用對未來的誤差做出預測并加以補償；

步驟3.4、預測控制性能指標為高爐鐵水質量指標參考軌跡和高爐鐵水質量指標預測值的誤差平方和并對其進行加權，同時在指標中加入對控制向量增量的懲罰項；采用序貫二次規劃算法對高爐鐵水質量指標預測控制中的優化問題進行優化求解，得到使性能指標函數值最小的控制向量增量，進而得到最優控制向量；

步驟4、將最優控制向量即最優的冷風流量、熱風溫度、富氧流量和噴煤量發給底層PLC系統并調節執行機構，采集新一組高爐測量數據，數據預處理并更新數據庫。