[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

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，包括：采集高爐運行時的物理變量數據并進行數據預處理以及數據劃分等操作；將處理好的數據使用寬度學習方法進行軟測量建模；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；使用模擬退火算法對寬度學習中神經元之間隨機確定的權值以及神經元偏置進行優化固定；使用訓練好的軟測量模型進行回歸預測。本方法采用了當前主流的機器學習相關理論進行軟測量建模，科學嚴謹的數學算法保證了建模方法具有先進性和準確性。實驗結果表明，該方法達到了令人滿意的效果，解決了高爐風口回旋區溫度難以測量和計算不準確的問題，具有推廣意義。

技術領域

本發明涉及高爐煉鐵技術領域，特別涉及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。

背景技術

在冶煉生產過程中，高爐有著舉足輕重的地位。由于鐵水的質量的好壞決定著最后成品的優劣，所以獲知高爐自身的運行狀態就顯得至關重要。能夠反映高爐運行狀態的參數有很多，例如爐頂壓力、透氣性以及煤氣利用率等。但是，高爐風口回旋區溫度相比于以上參數更加重要，因為風口回旋區是高爐的關鍵部分，風口回旋區的溫度范圍對冶煉過程起到決定性的作用。因此高爐風口回旋區溫度作為能夠反映高爐運行狀態的重要參數，明晰其數值大小對現場工人對高爐運行狀態進行分析判斷具有重要的意義。

但是，高爐是一個相對封閉的系統，實際冶煉過程不容易直接得到準確的風口回旋區溫度數值，目前主要使用兩種方法進行測量，一種是通過傳統的理論燃燒溫度公式進行計算，另一種是工人在高爐的風口小鏡前通過肉眼觀察來對溫度進行大致地判斷。以上兩種方法在實際中均具有局限性，當通過理論燃燒溫度進行計算的時候，由于各個高爐的實際結構以及原料的不同，即使是相同的計算公式，也可能會得到不同的計算結果，當然，如果是通過肉眼觀察來判斷溫度，我們得到的結果誤差會更大。

隨著近些年軟測量技術的迅猛發展，各種預測方法和模型如雨后春筍一般開發出來。工業領域上一些使用傳感器難以測量或者難以獲得的參數也可以采用軟測量技術進行預測計算。因此，使用軟測量技術對高爐風口回旋區溫度進行預測計算具有實際意義。

發明內容

為了解決背景技術提出的技術問題，本發明提供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，該方法采用了當前主流的機器學習相關理論進行軟測量建模，科學嚴謹的數學算法保證了建模方法具有先進性和準確性。實驗結果表明，該方法達到了令人滿意的效果，解決了高爐風口回旋區溫度難以測量和計算不準確的問題，具有推廣意義。

為了達到上述目的，本發明采用以下技術方案實現：

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，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、煤氣利用率以及使用紅外測溫儀器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，由于數據劃分的方法并沒有明確的規定，故本發明按照測試數據集樣本個數不超過原始數據集30％的原則將數據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，其中為了保證模型效果，本發明中設置的狼群個數大于1，迭代次數大于1；

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數據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；