[發明專利]一種基于寬度學習的高爐風口回旋區溫度軟測量建模方法

在審

• 申請號: 202110786475.8
• 申請日: 2021-07-12
• 公開（公告）號: CN113569467A
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 劉炳南;武明翰;朱建偉;李仲;張穎偉
• 申請（專利權）人: 鞍鋼股份有限公司;東北大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/08
• 代理公司: 鞍山嘉訊科技專利事務所(普通合伙) 21224
• 代理人: 張群

1.一種基于寬度學習的高爐風口回旋區溫度軟測量建模方法，其特征在于，包括如下步驟：

步驟1：獲取高爐運行當中的物理變量數據，所述的物理變量包括：熱風溫度、熱風壓力、冷風流量、爐頂壓力、氧量、煤氣利用率以及在風口小鏡測量的風口回旋區溫度數值；

步驟2：對數據進行濾波處理進而消除噪聲的影響，之后對采集到的樣本點進行數據劃分，數據被劃分為訓練數據集以及測試數據集，其中，訓練數據集更加細致地劃分成優化訓練集和優化驗證集；

步驟3：初始化灰狼優化算法的相關參數，設置狼群個數、迭代次數以及需要優化的參數個數和參數各自對應的尋優范圍；

步驟4：將寬度學習的均方根誤差作為適應度函數；

步驟5：將優化訓練集和優化驗證集作為輸入后對寬度學習模型進行訓練，得到對應的適應度函數數值，并使用灰狼優化算法對寬度學習中特征層神經元個數、增強層神經元個數以及正則化參數進行優化調節；

步驟6：使用優化更新之后的參數繼續對寬度學習模型進行訓練，直到滿足迭代要求之后將最終的特征層神經元個數、增強層神經元個數以及正則化參數輸出，在這一階段優化的過程中，為了保證算法具有良好的學習性能和泛化性能，各神經元之間的權值以及各神經元偏置均是隨機產生的；

步驟7：將最終的特征層神經元個數、增強層神經元個數以及正則化參數作為第二階段優化的寬度學習模型的初始參數；

步驟8：在確定特征層神經元個數、增強層神經元個數以及正則化參數之后，接下來是使用模擬退火算法進行神經元之間的權值和神經元偏置的固定；設置的參數有模擬退火算法的初始溫度、終止溫度、溫度變化系數以及同一溫度下的迭代次數；

步驟9：將經過模擬退火算法固定好的神經元之間的權值和神經元偏置參數賦值給寬度學習模型；

步驟10：在所有參數均優化確定之后，將上述步驟2中的訓練數據集以及測試數據集作為輸入，使用優化之后的寬度學習模型進行溫度預測計算。

2.根據權利要求1所述的一種基于寬度學習的高爐風口回旋區溫度軟測量建模方法，其特征在于，所述步驟5中，為了避免最后的參數尋優到邊界的情況出現，在迭代過程中，當發現參數取到邊界值周圍的時候，算法自動將參數重置為參數區間的中間值并保證為整數。

3.根據權利要求1所述的一種基于寬度學習的高爐風口回旋區溫度軟測量建模方法，其特征在于，所述的步驟5中，使用的寬度學習方法，具體如下：

Z_i＝φ(XW_ei+β_ei),i＝1,...,n

其中Z_i是第i組特征節點數值，X是輸入數據，W_ei是輸入層神經元與特征層神經元之間的隨機權值，β_ei是特征層神經元的隨機偏置，φ為激活函數；

將各組特征矩陣連接起來，可表示為：

Z＝[Z₁,...,Z_n]

基于以上特征節點可以繼續計算增強節點的數值：

H_j＝ζ(ZW_hj+β_hj),j＝1,...,m

其中H_j是第j組增強節點數值，W_hj是特征層神經元與增強層神經元之間的隨機權值，β_hj是增強層神經元的隨機偏置，ζ為激活函數；

將各組增強矩陣連接起來，可表示為：

H＝[H₁,...,H_m]

寬度學習最終的輸出是：

Y＝[Z,H]W＝AW

其中W可由以下公式求解：

W＝(λI+A^TA)^-1A^TY

其中，W是寬度學習模型的權值參數，λ是正則化參數，I是單位矩陣，A是特征節點數據和增強節點數據的組合矩陣，Y是樣本輸出。