[发明专利]一种基于宽度学习的高炉风口回旋区温度软测量建模方法

说明书

一种基于宽度学习的高炉风口回旋区温度软测量建模方法，包括：采集高炉运行时的物理变量数据并进行数据预处理以及数据划分等操作；将处理好的数据使用宽度学习方法进行软测量建模；使用灰狼优化算法对宽度学习中特征层神经元个数、增强层神经元个数以及正则化参数进行优化调节；使用模拟退火算法对宽度学习中神经元之间随机确定的权值以及神经元偏置进行优化固定；使用训练好的软测量模型进行回归预测。本方法采用了当前主流的机器学习相关理论进行软测量建模，科学严谨的数学算法保证了建模方法具有先进性和准确性。实验结果表明，该方法达到了令人满意的效果，解决了高炉风口回旋区温度难以测量和计算不准确的问题，具有推广意义。

技术领域

本发明涉及高炉炼铁技术领域，特别涉及一种基于宽度学习的高炉风口回旋区温度软测量建模方法。

背景技术

在冶炼生产过程中，高炉有着举足轻重的地位。由于铁水的质量的好坏决定着最后成品的优劣，所以获知高炉自身的运行状态就显得至关重要。能够反映高炉运行状态的参数有很多，例如炉顶压力、透气性以及煤气利用率等。但是，高炉风口回旋区温度相比于以上参数更加重要，因为风口回旋区是高炉的关键部分，风口回旋区的温度范围对冶炼过程起到决定性的作用。因此高炉风口回旋区温度作为能够反映高炉运行状态的重要参数，明晰其数值大小对现场工人对高炉运行状态进行分析判断具有重要的意义。

但是，高炉是一个相对封闭的系统，实际冶炼过程不容易直接得到准确的风口回旋区温度数值，目前主要使用两种方法进行测量，一种是通过传统的理论燃烧温度公式进行计算，另一种是工人在高炉的风口小镜前通过肉眼观察来对温度进行大致地判断。以上两种方法在实际中均具有局限性，当通过理论燃烧温度进行计算的时候，由于各个高炉的实际结构以及原料的不同，即使是相同的计算公式，也可能会得到不同的计算结果，当然，如果是通过肉眼观察来判断温度，我们得到的结果误差会更大。

随着近些年软测量技术的迅猛发展，各种预测方法和模型如雨后春笋一般开发出来。工业领域上一些使用传感器难以测量或者难以获得的参数也可以采用软测量技术进行预测计算。因此，使用软测量技术对高炉风口回旋区温度进行预测计算具有实际意义。

发明内容

为了解决背景技术提出的技术问题，本发明提供一种基于宽度学习的高炉风口回旋区温度软测量建模方法，该方法采用了当前主流的机器学习相关理论进行软测量建模，科学严谨的数学算法保证了建模方法具有先进性和准确性。实验结果表明，该方法达到了令人满意的效果，解决了高炉风口回旋区温度难以测量和计算不准确的问题，具有推广意义。

为了达到上述目的，本发明采用以下技术方案实现：

一种基于宽度学习的高炉风口回旋区温度软测量建模方法，包括如下步骤：

步骤1：获取高炉运行当中的物理变量数据，所述的物理变量包括：热风温度、热风压力、冷风流量、炉顶压力、氧量、煤气利用率以及使用红外测温仪器在风口小镜测量的风口回旋区温度数值；

步骤2：对数据进行滤波处理进而消除噪声的影响，之后对采集到的样本点进行数据划分，由于数据划分的方法并没有明确的规定，故本发明按照测试数据集样本个数不超过原始数据集30％的原则将数据划分为训练数据集以及测试数据集，其中，训练数据集更加细致地划分成优化训练集和优化验证集；

步骤3：初始化灰狼优化算法的相关参数，设置狼群个数、迭代次数以及需要优化的参数个数和参数各自对应的寻优范围，其中为了保证模型效果，本发明中设置的狼群个数大于1，迭代次数大于1；

步骤4：将宽度学习的均方根误差作为适应度函数；

步骤5：将优化训练集和优化验证集作为输入数据后对宽度学习模型进行训练，得到对应的适应度函数数值，并使用灰狼优化算法对宽度学习中特征层神经元个数、增强层神经元个数以及正则化参数进行优化调节；