CN113569467A - 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 - Google Patents

Abstract

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。

Description

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

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***，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；

步骤6：使用优化更新之后的参数继续对宽度学习模型进行训练，直到满足迭代要求之后将最终的特征层神经元个数、增强层神经元个数以及正则化参数输出，在这一阶段优化的过程中，为了保证算法具有良好的学习性能和泛化性能，各神经元之间的权值以及各神经元偏置均是随机产生的；

步骤7：将最终的特征层神经元个数、增强层神经元个数以及正则化参数作为第二阶段优化的宽度学习模型的初始参数；

步骤8：在确定特征层神经元个数、增强层神经元个数以及正则化参数之后，接下来是使用模拟退火算法进行神经元之间的权值和神经元偏置的固定；设置的参数有模拟退火算法的初始温度、终止温度、温度变化系数以及同一温度下的迭代次数，其中为了保证实验效果，本发明中设置的同一温度下的迭代次数大于1；

步骤9：将经过模拟退火算法固定好的神经元之间的权值和神经元偏置参数赋值给宽度学习模型；

步骤10：在所有参数均优化确定之后，将上述步骤2中的训练数据集以及测试数据集作为输入，使用优化之后的宽度学习模型进行温度预测计算。

进一步地，所述步骤5中，为了避免最后的参数寻优到边界的情况出现，在迭代过程中，当发现参数取到边界值周围的时候，算法自动将参数重置为参数区间的中间值并保证为整数。

进一步地，所述的步骤5中，使用的宽度学习方法，具体如下：

Z_i＝φ(XW_ei+β_ei),i＝1,...,n

其中_Zi是第i组特征节点数值，X是输入数据，W_ei是输入层神经元与特征层神经元之间的随机权值，β_ei是特征层神经元的随机偏置，φ为激活函数；

将各组特征矩阵连接起来，可表示为：

Z＝[Z₁,...,Z_n]

基于以上特征节点可以继续计算增强节点的数值：

H_j＝ζ(ZW_hj+β_hj),j＝1,...,m

其中H_j是第j组增强节点数值，W_hj是特征层神经元与增强层神经元之间的随机权值，β_hj是增强层神经元的随机偏置，ζ为激活函数；

将各组增强矩阵连接起来，可表示为：

H＝[H₁,...,H_m]

宽度学习最终的输出是：

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是宽度学习模型的权值参数，λ是正则化参数，I是单位矩阵，A是特征节点数据和增强节点数据的组合矩阵，Y是样本输出。

进一步地，所述的步骤5中，使用的灰狼优化算法，具体如下：

灰狼在搜索猎物位置的过程中，用数学化公式将其写为：

其中t代表算法寻优的当前迭代次数，

和

是系数向量，

表示猎物的位置，

代表着灰狼的位置；系数向量计算方式如下：

和

是从0到1的随机向量，

在迭代过程中线性地从2减少到0；

基于以上公式进行种群位置的更新迭代，更新公式为：

其中，α、β、δ角标分别代表三种狼群。

进一步地，所述步骤8中，所述模拟退火算法为：

步骤801：首先给定一组初始参数并计算初始目标函数f(x)；

步骤802：随机产生新的参数并计算新的目标函数f(x_new)；

步骤803：计算两者之间的差值Δf＝f(x_new)-f(x)，如果差值小于0，则保留新解，反之按照一定概率接受新解；

步骤804：判断是否达到迭代次数，如是，进行下一阶段操作，反之，返回步骤802进行计算；

步骤805：判断是否达到终止条件，如是，进行下一阶段操作，反之，重置判断条件并返回步骤802进行计算；

步骤806：运算结束返回最优参数。

与现有技术相比，本发明的有益效果是：

1、本发明提供的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可以较为准确地计算出高炉风口回旋区的温度数值；

2、本发明不需要使用测温仪器对温度进行直接测量，通过相关的物理变量就可以实现对温度数值进行预测计算的操作；

3、针对方法中宽度学习神经元个数以及正则化参数不易确定的问题，引入灰狼优化算法进行优化确定，降低了调节参数的难度；

4、针对方法中宽度学习在学习精度未达标时采用原始的增量学习策略进行模型结构更新导致的更新规则复杂的问题，引入灰狼优化算法替换原始的增量学习策略进行模型结构优化，从而降低了模型结构更新的复杂程度；

5、针对方法中宽度学习神经元之间权值以及神经元偏置随机确定导致模型稳定性不高的问题，引入模拟退火算法进行参数固定，在一定程度上提升了模型的稳定性。

附图说明

图1为本发明提供的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整体的流程框图。

图2为本发明提供的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中算法的流程示意图。

图3为本发明提供的具体实施方案中的灰狼优化算法迭代曲线图。

图4为本发明提供的具体实施方案中的模拟退火算法训练过程迭代曲线图。

图5为本发明提供的具体实施方案中的模拟退火算法测试过程迭代曲线图。

图6为本发明提供的具体实施方案中的模型在训练数据前50样本点上的跟随效果图。

图7为本发明提供的具体实施方案中的模型在测试数据前50样本点上的跟随效果图。

具体实施方式

以下结合附图对本发明提供的具体实施方式进行详细说明。

如图1所示，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：

一、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。

二、将处理好的数据使用宽度学习方法进行软测量建模。

三、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。

四、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。

五、使用训练好的软测量模型进行回归预测。

具体包括如下步骤：

步骤1：获取高炉运行当中的物理变量数据，本实例中包括的物理变量有：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，之后对本实例中采集到的1200个样本点进行数据划分，按照之前描述的划分原则，数据被划分为由1000个样本点构成的训练数据集以及由200个样本点构成的测试数据集，其中，训练数据集可以更加细致地划分成900个样本组成的优化训练集和100样本点组成的优化验证集，最后对数据进行标准化进而消除量纲对数据的影响。

步骤3：初始化灰狼优化算法的相关参数，本实例中，按照之前描述的设定原则，狼群个数设置为20，迭代次数设置为30，优化的参数分别是宽度学习特征层神经元个数、增强层神经元个数以及正则化参数，对应的参数寻优范围分别是2000到3000、100到200、1到10。由于算法本身要求，参数均选取整数进行计算。

步骤4：将宽度学习的均方根误差作为适应度函数，均方根误差公式表示为：

其中y_i和

分别代表实际值与预测值。

步骤5：将900个样本组成的优化训练集和100样本点组成的优化验证集作为输入，对宽度学习模型进行训练，得到对应的适应度函数数值，然后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。

其中，所述宽度学习方法为：

Z_i＝φ(XW_ei+β_ei),i＝1,...,n

其中Z_i是第i组特征节点数值，这里为了方便计算，特征结点的组数选择为1，X是输入数据，W_ei是输入层神经元与特征层神经元之间的随机权值，β_ei是特征层神经元的随机偏置，φ选择为tribas函数。

则特征矩阵可表示为：

Z＝[Z₁]

基于以上特征节点可以继续计算增强节点的数值：

H_j＝ζ(ZW_hj+β_hj),j＝1,...,m

其中H_j是第j组增强节点数值，这里为了方便计算，增强结点的组数选择为1，W_hj是特征层神经元与增强层神经元之间的随机权值，β_hj是增强层神经元的随机偏置，ζ选择为tribas函数。

则增强矩阵可表示为：

H＝[H₁]

宽度学习最终的输出是：

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是宽度学习模型的权值参数，λ是正则化参数，I是单位矩阵，A是特征节点数据和增强节点数据的组合矩阵，Y是样本输出。

其中，使用的灰狼优化算法，具体如下：

灰狼在搜索猎物位置的过程中，用数学化公式将其写为：

其中t代表算法寻优的当前迭代次数，

和

是系数向量，

表示猎物的位置，

代表着灰狼的位置；系数向量计算方式如下：

和

是从0到1的随机向量，

在迭代过程中线性地从2减少到0；

基于以上公式进行种群位置的更新迭代，更新公式为：

其中，α、β、δ角标分别代表三种狼群；

优选地，上述步骤5中，为了避免最后的参数寻优到边界的情况出现，在迭代过程中，当发现参数取到边界值周围的时候，算法自动将参数重置为参数区间的中间值并保证为整数。

步骤6：使用优化更新之后的参数继续对宽度学习模型进行训练，直到满足迭代要求之后将最终的特征层神经元个数、增强层神经元个数以及正则化参数输出。需要注意的是，在这一阶段优化的过程中，为了保证算法具有良好的学习性能和泛化性能，各神经元之间的权值以及各神经元偏置均是随机产生的。

步骤7：将最终的特征层神经元个数、增强层神经元个数以及正则化参数作为第二阶段优化的宽度学习模型的初始参数。本实例中，特征层神经元个数确定为2626、增强层神经元个数确定为186、正则化参数确定为5。

步骤8：在确定特征层神经元个数、增强层神经元个数以及正则化参数之后，接下来是使用模拟退火算法进行神经元之间的权值和神经元偏置的固定。本实例中，按照之前描述的设定原则，模拟退火算法的初始温度设置为10、终止温度设置为0.1、温度变化系数设置为0.5、同一温度下迭代次数设置为10。

步骤9：同样将上述步骤5和步骤6的900个样本组成的优化训练集和100样本点组成的优化验证集作为本次寻优部分的数据集。随机初始化输入层神经元和特征层神经元之间的权值、特征层神经元和增强层神经元之间的权值、特征层神经元偏置以及增强层神经元偏置，之后计算宽度学习模型的训练均方根误差以及测试均方根误差，均方根误差计算方法和宽度学习模型均和上述步骤4、步骤5中阐述的一致，故此处不再赘述。

步骤10：再随机产生新的输入层神经元和特征层神经元之间的权值、特征层神经元和增强层神经元之间的权值、特征层神经元偏置以及增强层神经元偏置，并计算新的宽度学习模型的训练均方根误差以及测试均方根误差。

步骤11：分别计算相邻两次训练过程均方根误差之间的差值以及测试过程均方根误差之间的差值。

步骤12：当相邻两次训练过程均方根误差之间的差值以及测试过程均方根误差之间的差值均小于0的时候，直接接受新的模型参数；反之，按照一定概率接受模型参数。

所述步骤12中，

定义训练部分对应的概率为：

定义测试部分对应的概率为：

其中ΔT_train为相邻两次训练过程均方根误差之间的差值，ΔT_test为相邻两次测试过程均方根误差之间的差值，T为当前迭代过程中的模拟温度参数。

不仅如此，我们规定当训练部分对应的概率P₀以及测试部分对应的概率P₁均大于一个常数P时，我们接受新的模型参数，本实例中，P设置为0.995。

步骤13：判断是否达到当前模拟温度下的最大迭代次数，如是，进行下一步计算；如不是，返回步骤10继续进行计算。

步骤14：当达到当前模拟温度下的最大迭代次数之后判断是否满足终止条件，如是，输出模型参数；如不是，则重置迭代条件，返回步骤10继续进行计算。本实例中，下一次迭代的温度数值是当前温度数值二分之一。

步骤15：将固定好的输入层神经元和特征层神经元之间的权值、特征层神经元和增强层神经元之间的权值、特征层神经元偏置以及增强层神经元偏置等参数赋值给宽度学习模型。

步骤16：在所有参数均优化确定之后，将上述步骤2中的由1000个样本点构成的训练数据集以及由200个样本点构成的测试数据集作为输入，使用优化之后的宽度学习模型进行温度预测计算。

利用Matlab进行仿真实验，其中第一部分采用灰狼优化算法针对特征层神经元个数、增强层神经元个数以及正则化参数进行优化的迭代曲线如图3所示，从迭代曲线可以看出，曲线是收敛的，说明算法已经在30次迭代中寻找到了最优参数。使用模拟退火算法针对输入层神经元和特征层神经元之间的权值、特征层神经元和增强层神经元之间的权值、特征层神经元偏置以及增强层神经元偏置等参数进行优化固定的训练过程迭代曲线和测试过程迭代曲线如图4和5所示，从迭代曲线可以看出，两条曲线均是收敛的，说明算法已经寻找到了最优参数。确定参数之后，使用宽度学习方法进行建模，为了便于观察，我们绘制训练数据前50样本点上的跟随效果图以及测试数据前50样本点上的跟随效果图，需要进行说明的是，训练过程和测试过程的均方根误差是分别在1000个样本点组成的训练数据集和200个样本点组成的测试数据集上进行计算的。从跟随曲线上来看，无论是训练过程还是测试过程，预测值都能较好地跟随真实值，能够达到令人满意的效果，训练过程和测试过程的均方根误差具体数值如表1所示。

表1实验过程评价指标

以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。

Claims (5)

1.一种基于宽度学习的高炉风口回旋区温度软测量建模方法，其特征在于，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，数据被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；

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；

步骤6：使用优化更新之后的参数继续对宽度学习模型进行训练，直到满足迭代要求之后将最终的特征层神经元个数、增强层神经元个数以及正则化参数输出，在这一阶段优化的过程中，为了保证算法具有良好的学习性能和泛化性能，各神经元之间的权值以及各神经元偏置均是随机产生的；

步骤7：将最终的特征层神经元个数、增强层神经元个数以及正则化参数作为第二阶段优化的宽度学习模型的初始参数；

步骤8：在确定特征层神经元个数、增强层神经元个数以及正则化参数之后，接下来是使用模拟退火算法进行神经元之间的权值和神经元偏置的固定；设置的参数有模拟退火算法的初始温度、终止温度、温度变化系数以及同一温度下的迭代次数；

步骤9：将经过模拟退火算法固定好的神经元之间的权值和神经元偏置参数赋值给宽度学习模型；

步骤10：在所有参数均优化确定之后，将上述步骤2中的训练数据集以及测试数据集作为输入，使用优化之后的宽度学习模型进行温度预测计算。

2.根据权利要求1所述的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，其特征在于，所述步骤5中，为了避免最后的参数寻优到边界的情况出现，在迭代过程中，当发现参数取到边界值周围的时候，算法自动将参数重置为参数区间的中间值并保证为整数。

3.根据权利要求1所述的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，其特征在于，所述的步骤5中，使用的宽度学习方法，具体如下：

Z_i＝φ(XW_ei+β_ei),i＝1,...,n

其中Z_i是第i组特征节点数值，X是输入数据，W_ei是输入层神经元与特征层神经元之间的随机权值，β_ei是特征层神经元的随机偏置，φ为激活函数；

将各组特征矩阵连接起来，可表示为：

Z＝[Z₁,...,Z_n]

基于以上特征节点可以继续计算增强节点的数值：

H_j＝ζ(ZW_hj+β_hj),j＝1,...,m

其中H_j是第j组增强节点数值，W_hj是特征层神经元与增强层神经元之间的随机权值，β_hj是增强层神经元的随机偏置，ζ为激活函数；

将各组增强矩阵连接起来，可表示为：

H＝[H₁,...,H_m]

宽度学习最终的输出是：

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是宽度学习模型的权值参数，λ是正则化参数，I是单位矩阵，A是特征节点数据和增强节点数据的组合矩阵，Y是样本输出。

4.根据权利要求1所述的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，其特征在于，所述的步骤5中，使用的灰狼优化算法，具体如下：

灰狼在搜索猎物位置的过程中，用数学化公式将其写为：

其中t代表算法寻优的当前迭代次数，

和

是系数向量，

表示猎物的位置，

代表着灰狼的位置；系数向量计算方式如下：

和

是从0到1的随机向量，

在迭代过程中线性地从2减少到0；

基于以上公式进行种群位置的更新迭代，更新公式为：

其中，α、β、δ角标分别代表三种狼群。

5.根据权利要求1所述的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，其特征在于，所述步骤8中，所述模拟退火算法为：

步骤801：首先给定一组初始参数并计算初始目标函数f(x)；

步骤802：随机产生新的参数并计算新的目标函数f(x_new)；

步骤803：计算两者之间的差值Δf＝f(x_new)-f(x)，如果差值小于0，则保留新解，反之按照一定概率接受新解；

步骤804：判断是否达到迭代次数，如是，进行下一阶段操作，反之，返回步骤802进行计算；

步骤805：判断是否达到终止条件，如是，进行下一阶段操作，反之，重置判断条件并返回步骤802进行计算；

步骤806：运算结束返回最优参数。

Images