[发明专利]基于改进正则化极限学习机的转炉终点锰含量预测方法

摘要

本发明公开了一种基于改进正则化极限学习机的转炉终点锰含量预测方法，首先，采集转炉炼钢实际生产所涉及的数据，找到影响转炉炼钢终点锰含量的影响因素，确定模型的输入变量，建立了基于正则化极限学习机(RELM)的转炉炼钢终点锰含量预测模型，在终点锰含量的预测过程中，采用改进粒子群优化算法(IPSO)对RELM模型的输入层权值和隐含层偏差进行优化，建立了基于改进粒子群算法优化正则化极限学习机(IPSO‑RELM)的转炉炼钢终点锰含量预测模型。采用转炉现场实际冶炼数据对该锰含量预测方法进行检验，结果表明本方法的预测精度和运算速度都有了明显的提升，进而可对转炉炼钢终点锰含量进行及时准确的预测。

主权项

1.一种基于改进正则化极限学习机的转炉终点锰含量预测方法，其特征是，它包括如下步骤：步骤1，正则化极限学习机的输入变量的选取，根据转炉炼钢终点锰含量的影响因素和终点锰含量，结合冶金基本原理和运用皮尔逊(Pearson)相关系数进行相关性分析，找到影响转炉炼钢终点锰含量的影响因素；步骤2，对转炉炼钢终点锰含量的影响因素数据进行采集，并对这些数据进行预处理，确保数据的真实有效性，最终确定本方法使用的样本数据；步骤3，对正则化极限学习机输入数据进行归一化处理，选择数据归一化的范围为[‑1，1]；步骤4，初始化种群，初始的粒子群由RELM随机产生的输入层权值矩阵和隐含层偏差矩阵组成，种群规模P设为n，设隐含层节点数为h，输入层神经元数为m，粒子维度L＝h(m+1)，选取学习因子c1和c1，将位置和速度限制在[‑1，1]内；步骤5，计算每个粒子的适应度，采用RELM算法对初始化种群中的粒子进行训练，计算出每个粒子的训练集均方误差(MSE)，将其作为粒子群优化算法的适应度值，其中适应度公式：式中，fi为转炉冶炼终点Mn含量实测值，yi为转炉冶炼终点Mn含量预测值；步骤6，寻找个体极值和群体极值，每次迭代后，将计算出的适应度值MSE和粒子的个体极值、群体极值进行比较，如果该适应度值更小，则将其作为个体极值和群体极值，重复上述过程到迭代结束，获得一组较优的输入层权值矩阵和隐含层偏差矩阵；步骤7，模型训练与测试，将通过上述寻优过程得到输入层权值矩阵和隐含层偏差矩阵带入到RELM模型中，对所采集的历史数据，选取其中的五分之四数据来训练正则化极限学习机，选取剩余的五分之一数据来验证本方法的准确性，通过综合考虑正则化极限学习机的训练拟合度和锰含量的预测精度来设置合理的隐含层节点个数和隐含层激活函数和正则化系数，以保证网络结构的最优化；步骤8，转炉吹炼开始后，数据库系统实时采集并记录该炉次信息，将得到的数据进行归一化处理，数据处理范围为[‑1，1]，工业控制计算机根据过程数据库系统提供的这些数据，输入到建立好的基于极限学习机的转炉炼钢终点锰含量预测模型，对现场吹炼的炉次进行锰含量的预测。