[發明專利]一種基于多目標集成學習的高爐鐵水硅含量預測方法

有效

• 申請號: 201911118811.0
• 申請日: 2019-11-15
• 公開（公告）號: CN111046612B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 王顯鵬;胡騰輝;唐立新
• 申請（專利權）人: 東北大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/20;G06N3/126
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

1.一種基于多目標集成學習的高爐鐵水硅含量預測方法，其特征在于，包括下述步驟：

步驟1：構建初始樣本集：以采樣頻率f₁對高爐檢測參數{x₁,x₂,...,x_i,...,x_m}進行采樣，以采樣頻率f₂對高爐出鐵后的生鐵進行采樣并化驗生鐵中的硅含量，用本次生鐵采樣與上次生鐵采樣之間高爐檢測參數x_i的平均值作為本次生鐵采樣時高爐檢測參數x_i的值，選取采樣時間內一段時間的硅含量數據及該硅含量數據對應的高爐檢測參數數據構成初始樣本集其中，x_i為第i個高爐檢測參數，i∈{1,2,...,m}，m為高爐檢測參數的總數，y_j為第j個初始樣本中的硅含量，為第j個初始樣本中的參數向量，y_i-1為第j個初始樣本的上次生鐵采樣時的硅含量，為第j個初始樣本中的硅含量對應的高爐檢測參數x_i的值，n為初始樣本總數；

步驟2：對初始樣本集進行數據預處理，得到預處理后的樣本集為A＝{(x_j,y_j)|j∈{1,2,...,n}}；其中，x_j＝(x_1j,x_2j,…,x_ij,…,x_mj,y_j-1)，x_ij為的預處理后的值；

步驟3：基于極限學習機和多目標離散差分進化算法，將特征選擇方案作為種群中的個體，通過種群更新生成子學習機：

步驟3.1：從預處理后的樣本集A中選取樣本構成訓練集、驗證集；

步驟3.2：設置多目標離散差分進化算法中的最大迭代次數L、種群規模N、變量個數M＝m、差分權重的均值F、交叉參數的均值C_r，并初始化迭代次數l＝1；

步驟3.3：初始化種群：隨機生成N個長度為M的二進制向量，將每個二進制向量作為一個個體，形成第l代種群；其中，每個二進制向量代表一種特征選擇方案，二進制向量中每一位的取值為0或1，1代表選擇該位對應的特征，0代表不選擇該位對應的特征，二進制向量中的M位對應的特征分別為高爐檢測參數x₁、x₂、...,x_i、...、x_m；

步驟3.4：以最大化種群中個體的預測精度和個體相互之間的差異性為目標對種群進行更新：

步驟3.4.1：對第l代種群中的每個個體執行變異、交叉操作，獲得N個新個體，將N個新個體與第l代種群中的個體放入一個集合中，形成規模為2N的聯合種群；

步驟3.4.2：以聯合種群中第k∈{1,2,...,2N}個個體對應的特征選擇方案所選擇的特征及上次生鐵采樣時的硅含量為輸入、本次生鐵采樣時的硅含量為輸出，構建高爐鐵水硅含量預測的第k個極限學習機模型，并使用訓練集對每個極限學習機模型進行訓練；計算訓練后的第k個極限學習機模型在驗證集上的預測精度將預測精度HR_k作為第k個個體的第一維目標函數值，并保存第k個極限學習機模型在驗證集中第r個樣本處的Heaviside函數值H_kr；其中，N^*為驗證集中的樣本總數，為第k個極限學習機模型在驗證集中第r個樣本處對硅含量的預測值，y_r為驗證集中第r個樣本中硅含量的真實值；

步驟3.4.3：對聯合種群中每兩個個體對應的極限學習機模型在驗證集中每一個樣本處的Heaviside函數值進行比較，計算每個個體的PFC指標，作為個體的第二維目標函數值；

步驟3.4.4：根據個體的第一維目標函數值和第二維目標函數值，基于NSGA-II算法中的快速非支配排序算法對聯合種群進行排序，得到N個Pareto最優解作為第l+1代種群；

步驟3.4.5：若l≥L，則將第l+1代種群中每個個體對應的極限學習機模型作為一個子學習機，進入步驟4；若l＜L，則令l＝l+1，返回步驟3.4.1；

步驟4：確定各子學習機的權重：根據第s∈{1,2,...,N}個子學習機在驗證集上的預測精度HR_s，計算第s個子學習機的權重為

步驟5：利用各子學習機的權重對N個子學習機進行集成，得到集成學習機；所述集成學習機的輸出為其中，為第s個子學習機的輸出；

步驟6：實時采集高爐檢測參數，將實時采集的高爐檢測參數和上次生鐵采樣時的硅含量輸入集成學習機中，通過集成學習機輸出實時的高爐鐵水硅含量預測值。