[发明专利]一种基于多目标集成学习的高炉铁水硅含量预测方法

说明书

本发明涉及钢铁企业自动化检测技术领域，提供一种基于多目标集成学习的高炉铁水硅含量预测方法。首先采集高炉检测参数和硅含量数据，构建初始样本集；然后对初始样本集进行数据预处理；接着，选取训练集、验证集，设置多目标离散差分进化算法各参数，初始化种群，将特征选择方案作为种群中的个体，构建并训练每个个体对应的高炉铁水硅含量预测的极限学习机模型，以最大化种群中个体的预测精度和个体相互之间的差异性为目标，基于多目标离散差分进化算法对种群进行更新，生成子学习机；最后，计算各子学习机的权重，利用权重对子学习机进行集成，得到集成学习机。本发明能够充分利用检测数据，提高高炉铁水硅含量预测的精度和鲁棒性。

技术领域

本发明涉及钢铁企业自动化检测技术领域，特别是涉及一种基于多目标集成学习的高炉铁水硅含量预测方法。

背景技术

高炉炼铁是钢铁生产过程的第一道工序，其作用是将铁矿石等含铁原料中的铁氧化物还原为铁元素，得到生铁；而生铁是绝大多数钢铁产品进行生产加工的原料，其质量的好坏对于后续加工有着关键的影响。为了保证炼铁过程平稳进行、减少能源消耗、提高生铁质量，操作人员需要对炉况进行及时调节，使高炉温度维持在一定的范围内，避免出现“过热”或“过冷”现象。但是高炉内部温度高、环境恶劣，目前仍然缺乏对炉温进行直接测量的手段，所以实际生产当中一般通过与炉温具有正相关性的铁水硅含量来间接表征炉温。由此可见，实现铁水硅含量的准确预报对于高炉炼铁具有重要的意义。

由于高炉炼铁过程十分复杂，铁水硅含量会受到许多因素的影响。现有的高炉铁水硅含量预测方法在进行建模时，通常选择与硅含量相关性较强的若干个变量作为输入特征。例如，专利“一种高炉铁水硅含量的变量选择预报方法”(马淑艳，杨春节，宋菁华，申请公布号：CN 104899425 A)中使用多变量相关性分析方法和斯皮尔曼等级相关性分析方法进行样本数据的变量选择，确定了模型的输入变量为炉顶压力、炉顶温度、料速、炉顶煤气中的CO、CO₂和上一炉的硅含量。然而，现有高炉铁水硅含量预测方法通过特征选择方法只选择出一部分特征变量，在不同炉况环境下可能获得完全不同的特征选择方案，难以满足不同炉况下的特征动态选择需要，并且丢弃未选中的特征变量造成了检测数据的浪费，降低了高炉铁水硅含量预测的精度和鲁棒性。

发明内容

针对现有技术存在的问题，本发明提供一种基于多目标集成学习的高炉铁水硅含量预测方法，能够充分利用检测数据，提高高炉铁水硅含量预测的精度和鲁棒性。

本发明的技术方案为：

一种基于多目标集成学习的高炉铁水硅含量预测方法，其特征在于，包括下述步骤：

步骤1：构建初始样本集：以采样频率f₁对高炉检测参数{x₁,x₂,...,x_i,...,x_m}进行采样，以采样频率f₂对高炉出铁后的生铁进行采样并化验生铁中的硅含量，用本次生铁采样与上次生铁采样之间高炉检测参数x_i的平均值作为本次生铁采样时高炉检测参数x_i的值，选取采样时间内一段时间的硅含量数据及该硅含量数据对应的高炉检测参数数据构成初始样本集其中，x_i为第i个高炉检测参数，i∈{1,2,...,m}，m为高炉检测参数的总数，y_j为第j个初始样本中的硅含量，为第j个初始样本中的参数向量，y_i-1为第j个初始样本的上次生铁采样时的硅含量，为第j个初始样本中的硅含量对应的高炉检测参数x_i的值，n为初始样本总数；