CN116307149A - 基于注意力LSTM和KbNSGA的高炉性能优化方法 - Google Patents
基于注意力LSTM和KbNSGA的高炉性能优化方法 Download PDFInfo
- Publication number
- CN116307149A CN116307149A CN202310207713.4A CN202310207713A CN116307149A CN 116307149 A CN116307149 A CN 116307149A CN 202310207713 A CN202310207713 A CN 202310207713A CN 116307149 A CN116307149 A CN 116307149A
- Authority
- CN
- China
- Prior art keywords
- optimization
- lstm
- attention
- blast furnace
- knowledge base
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 18
- 239000000571 coke Substances 0.000 claims abstract description 16
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims abstract description 14
- 229910052710 silicon Inorganic materials 0.000 claims abstract description 14
- 239000010703 silicon Substances 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 229910052742 iron Inorganic materials 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims abstract description 7
- 239000000243 solution Substances 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- XWHPIFXRKKHEKR-UHFFFAOYSA-N iron silicon Chemical compound [Si].[Fe] XWHPIFXRKKHEKR-UHFFFAOYSA-N 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000035699 permeability Effects 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 229910000831 Steel Inorganic materials 0.000 description 4
- 239000010959 steel Substances 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010667 large scale reaction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明公开了一种基于注意力LSTM和KbNSGA的高炉性能优化方法。以高炉铁水硅含量和焦比的协同优化为目标，选取过程特征变量，提出注意力长短期记忆网络（Attention‑LSTM）预测硅含量和焦比，并以此作为多目标优化模型的适应度评价函数。建立历史最优操作指标知识库，利用知识库引导NSGA‑II遗传算法初始化种群，形成KbNSGA多目标优化方法。采取TOPSIS评价方法对近似Pareto前沿解集进行筛选，得到符合实际生产要求的优化解。本发明方法与其他遗传优化方法对比表明了此方法性能优良，能够实现高炉炼铁稳定质量和降低能耗的优化需求。
Description
技术领域
本发明属于基于数据的工业过程优化与决策领域，涉及一种改进的注意力LSTM和KbNSGA的优化高炉性能指标的方法。
背景技术
钢铁制造业是国民经济的基础核心产业，高炉炼铁作为钢铁冶炼最为关键的工序，能耗占钢铁生产总能耗的七成左右。中国的高炉炼铁行业尽管产量在世界排名前列，但经济效益和环保效益逊于世界先进水平，这极大制约了钢铁工业的可持续发展，降低了国际市场的竞争力。一些高炉炼铁厂无法做到低能耗、低污染的生产，不仅导致成品缺乏竞争力，而且企业生存也出现了危机。
由于炼铁高炉冶炼时具有高温、高压、连续、密闭的特点，属于大型反应容器，其生产效率除了受到原材料特性的影响，还受反应过程中多种物料间热量、质量、动量传递状态的影响。因此高炉炼铁过程是一种具有强干扰、动态变化、非线性、时滞性的复杂***。为实现高炉炼铁过程绿色化、智能化，使高炉在更加优质的工况下运行，建立高炉质量指标和能耗指标的预测模型，准确预报操作指标对炼铁性能的影响，对于生产具有积极的指导意义。同时还可根据需要对高炉的质量指标和能耗指标进行优化，从而达到高效生产和节能减排的目的，使高炉在平稳区间顺行。
研究设计一种基于数据和知识的高炉操作性能指标优化方法，实现对高炉质量指标(铁水硅含量)和能耗指标(焦比)的协同优化很有必要，在考虑经济利益的同时保证产品质量优良，对实现工业生产过程的智能化和信息化具有重要意义。
传统的机理模型和经验知识模型等，如回归模型、支持向量机、BP神经网络、模拟退火算法等，这些方法虽能实现一定的非线性特征提取和优化，但无法充分利用时序信息和历史知识信息，不能准确预测和优化高炉生产过程中的能耗指标和质量指标，会导致数据的信息损失和实际生产场景难以落地应用的问题。
发明内容：
为了克服现有方法的不足，充分利用时序信息和历史知识信息，在高炉生产工况动态变化的情况下使优化算法高效运行，本发明提供了一种基于注意力LSTM和KbNSGA的高炉性能优化方法。
基于注意力LSTM和KbNSGA的高炉性能优化方法，步骤如下：
步骤(1)通过相关性分析和炼铁机理选取与铁水硅含量和焦比相关的过程特征变量，共16个，用于预测模型输入；
步骤(2)在长短期记忆网络(LSTM)的基础上增加空间特征注意力机制(Attention)，形成Attention-LSTM模型，实现在不同特征维度上的加权处理，自适应关注与预测目标相关性大的特征，预测铁水硅含量和焦比；
步骤(3)建立高炉炼铁历史知识库(Knowledge base)，使用K近邻方法进行工况划分，存储工况特征和历史优化最优解；当新采样数据进入优化周期时，在知识库内进行工况检索和匹配，若知识库中存在此工况则使用历史优化最优解进行NSGA-II遗传算法初始化；若知识库中不存在此工况则随机初始化NSGA-II参数，进行全局最优搜索；整体流程构成KbNSGA方法；
步骤(4)使用TOPSIS评价方法选择KbNSGA求解的Pareto前沿中的最佳方案，使最终优化结果符合生产要求且接近理想全局最优解。
步骤(1)所述的通过相关性分析和炼铁机理选取的16个过程特征变量为富氧率、透气性指数、富氧流量、冷风流量、炉腹煤气量、炉腹煤气指数、鼓风动能、顶压、全压差、热风压力、实际风速、热风温度、炉顶温度、阻力系数、鼓风温度、实际喷煤量。
步骤(2)所述的Attention-LSTM模型计算方法：
在LSTM层前加入Attention机制层，模型在t时刻的输入序列为
其中n为特征变量维度，Xt首先同上一时刻LSTM隐藏层状态ht-1输入到Attention机制层进行特征维度间权重计算，得到权重值经Softmax计算后获得t时刻n维变量权重/>
与原始输入序列Xt加权，获得加权后的输入特征/>
把/>
输入LSTM网络层得到t时刻隐藏层状态ht以及预测值硅含量和焦比。
步骤(3)所述的KbNSGA方法：
在NSGA-II遗传算法优化模型中建立历史数据知识库，首先利用已有历史数据优化案例建立知识库并进行K近邻工况划分，在知识库中存储工况特征和其对应的历史优化最优解。新采集的数据按照距离度量进行相似度计算，当相似度大于阈值δ时使用历史优化最优解进行NSGA-II种群初始化，若相似度小于这一阈值则随机初始化种群。以稳定硅含量和最小化焦比为优化目标，过程特征变量为决策变量，初始化后执行种群选择、交叉和变异操作直至满足算法终止条件，得到优化后的Pareto前沿。
步骤(4)所述的TOPSIS评价方法：
首先把Pareto前沿数据正向归一化，取每个特征维度的最大最小值构成最优方案和最劣方案，通过每个待评判方案与最优最劣方案的距离，得到它们的相似程度，以此作为评价优劣的依据，应用到高炉多目标优化问题上，评价优化方案中每个解的优劣程度，选择优化后近似Pareto前沿中的最佳方案。
本发明的有益结果：
1、设计的基于高炉炼铁工况知识库解决了常规优化方法因为环境干扰和工况动态变化需要不断更新维护的问题，能够同时存储工况和优化结果信息，使优化算法能利用历史信息快速收敛到目标域。
2、基于注意力机制的长短期记忆神经网络，实现在不同特征维度上的加权处理，同时关注时序信息和空间特征信息，预测效果得到提升。
3、使用TOPSIS方法能有效评价优化方案中每个解的优劣程度，选择优化后近似Pareto前沿中的最佳方案。
4、本发明能有效对高炉的质量指标和能耗指标进行优化，从而达到高效生产和节能减排的目的。
附图说明
图1所示为Attention单元结构。
图2所示为Attention-LSTM预测模型整体结构。
图3所示为铁水硅含量不同方法预测结果与实际数据对比。
图4所示为KbNSGA方法流程。
图5所示为铁水硅含量优化结果。
图6所示为焦比优化结果。
具体实施方式
以下结合附图和实施例对本发明作进一步的阐述。
本发明目的在于提供一种基于注意力LSTM和KbNSGA的高炉性能优化方法，可以在高炉炼铁过程中实现根据工艺操作参数预测铁水硅含量和焦比，并进行性能指标的优化，给生产现场操作人员提供可行的优化方案。
本发明主要包含：生产指标预测模型和性能指标优化模型，基于数据和知识设计这两种模型算法，包括基于Attention-LSTM的软测量模型和基于KbNSGA的多目s标优化模型。综合考虑了高炉炼铁机理和历史数据的作用，通过自建历史优化案例知识库，引导遗传算法搜索区域集中在合理范围内，提高了算法的收敛速度和计算效率。引入TOPSIS评价机制实现了最优解的选择，给高炉生产现场提供了符合实际情况的方案。
一、Attention-LSTM软测量模型结构：
LSTM前向计算方法公式表示：
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)#(1)
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)#(2)
ct＝ftct-1+it tanh(Wxcxt+Whcht-1+bc)#(3)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)#(4)
ht＝ottanh(ct)#(5)
LSTM的存储单元中包含三个门单元，分别为遗忘门f、输入门i和输出门o，三个门单元共同影响记忆细胞状态c。式中，σ为激活函数sigmoid；W为变量权重系数，b表示偏置项；tanh为双曲正切函数；ct-1为t-1时刻的记忆细胞状态；ct代表更新后的记忆细胞状态；ht为t时刻LSTM的输出。为了有效分配算力，使预测结果更加准确，在LSTM层的基础上增加注意力机制，即Attention层。
Attention机制的计算公式如下：
其中，
表示t时刻的输入序列；V、W、U、b为模型需要学习的参数；ht-1为上一时刻，即(t-1)时的LSTM单元输出；αki为历史输入隐藏层状态的注意力权重；/>
为t时刻原始输入序列经注意力加权后输出，使用/>
代替Xt输入到LSTM网络中。Attention单元结构如图1所示。
原始数据序列经预处理后输入到Attention-LSTM网络模型中，如图2。在其后加入两层全连接层提高网络性能，最终输出为预测目标，即硅含量和焦比。硅含量预测结果如图3所示。
二、改进的KbNSGA优化方法
本方法的优化目标为最小化焦比yCR，铁水中硅含量yHMSC在期望值
附近稳定。决策变量为选取的操作过程变量，满足约束条件。NSGA-II是解决多目标优化问题的遗传算法，初始种群大小N由设计者确定，每一代迭代开始时父代种群为Pt，计算适应度函数，之后进行选择、交叉和变异操作，得到新生成种群Qt。将原始种群和新生成群体合并到Rt中，对Rt进行非支配分层排序，临界层按照拥挤距离越大越优先的规则选择个体进入下一代，如此迭代直至满足终止条件。
由于高炉炼铁是一个极其复杂的生产场景，环境干扰和工况动态变化的情况时有发生，软测量模型和多目标优化模型都需要不断更新维护。在新的优化周期中需要有效应用历史信息才能使算法高效运行，使用基于知识表达的方法来建立历史数据知识库，并进行工况划分，在知识库中存储工况特征和其对应的历史优化最优解。当新一轮优化周期开始时，利用知识库中存储的工况数据判断当前生产状况与其相似性，在遗传算法初始化时使用历史最优决策变量，使之能快速收敛到目标搜索域。
属性特征值描述方法作为知识表达中的一种主流方法，具有表述关系清晰明了的特点，适用于建立高炉炼铁历史工况知识库。具体而言，首先利用已有数据集优化案例建立知识库并进行工况划分，当第i批采样数据进入优化周期时，在知识库内进行工况检索和匹配，并生成新的案例加入知识库中，第i批案例表达为：
Ei：<Xi；Si>，i＝1，2，...，n#(9)
其中Ei指第i批数据的属性特征总体表达，Xi是第i批数据的特征变量即操作变量，Si为Xi对应工况下的操作变量优化方案。
使用K近邻方法进行工况划分，根据专家经验对高炉数据集进行工况标签标记，新采集的数据依照距离度量进行相似度计算：
其中sim(x，xk)代表新加入数据集X与知识库中案例Xk的相似性，范围在[0，1]之间，越接近1说明相似度越高。d(x，xk)表示X与Xk之间的欧式距离。如果满足条件：
maxsim(x，xk)≥δk＝0，1，2，...，m#(12)
则X与Xk可视为同一工况，其中δ为判断工况相似程度的阈值，一般取[0.5，0.8]，若小于这一阈值则使用随机初始化的遗传算法进行优化，并加入知识库中作为新工况。将利用知识库历史最优解初始化种群的改进遗传算法称为KbNSGA(Knowledge-based Non-dominated Sorting Genetic Algorithm)，算法流程如图4所示。
三、基于TOPSIS的优化结果评价筛选机制
TOPSIS法(Technique for Order Preference by Similarity to IdealSolution)是一种自适应综合评判方法。基本流程是首先把原始数据正向归一化，取每个特征维度的最大最小值构成最优方案和最劣方案，通过每个待评判方案与最优最劣方案的距离，得到它们的相似程度，以此作为评价优劣的依据。TOPSIS方法应用到高炉多目标优化问题上，评价优化方案中每个解的优劣程度，选择优化后近似Pareto前沿中的最佳方案。下面是执行步骤：
按照以上步骤在近似Pareto前沿中选出得分排名优先的解，作为最终优化解可供实际操作。
四、优化结果验证
为了验证KbNSGA方法有效性，对比随机初始化种群和根据历史最优解初始化种群的优化效果评价指标。分别对KbNSGA和常见的几种多目标优化算法，包括NSGA-II，NSGA-III，参考向量引导的多目标进化算法(RVEA)进行实例测试，设置相同的迭代参数。根据分布性指标来评价优化效果，目标空间中近似Pareto前沿个体之间分布越均匀说明算法性能越良好，两个指标为超体积指数(Hypervolume,HV)和Spacing指标。结果如下表所示，对比优化结果，KbNSGA的求解时间和HV都占有优势，说明KbNSGA的收敛速度较快，总体综合性能较好。
| 优化算法 | 求解时间/s | HV(超体积指标) | Spacing(度量距离) |
| NSGA-II | 227.4 | 0.099 | 0.487 |
| NSGA-III | 225.7 | 0.112 | 0.411 |
| RVEA | 234.8 | 0.095 | 0.158 |
| KbNSGA | 218.6 | 0.115 | 0.191 |
如图5、图6，长时间优化运行结果的稳定证明了提出方法的有效性和鲁棒性，实际应用此优化模型后，硅含量变化平均减小3％，焦比平均降低8.4kg/t，同时实现了质量指标和能耗指标的优化，达到了节能减排和高效生产的目的。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于注意力LSTM和KbNSGA的高炉性能优化方法，其特征在于，步骤如下：
步骤(1)通过相关性分析和炼铁机理选取与铁水硅含量和焦比相关的过程特征变量，用于预测模型输入；
步骤(2)在长短期记忆网络(LSTM)的基础上增加空间特征注意力机制(Attention)，形成Attention-LSTM模型，实现在不同特征维度上的加权处理，自适应关注与预测目标相关性大的特征，预测铁水硅含量和焦比；
步骤(3)建立高炉炼铁历史知识库(Knowledge base)，使用K近邻方法进行工况划分，存储工况特征和历史优化最优解；当新采样数据进入优化周期时，在知识库内进行工况检索和匹配，若知识库中存在此工况则使用历史优化最优解进行NSGA-II遗传算法初始化；若知识库中不存在此工况则随机初始化NSGA-II参数，进行全局最优搜索；整体流程构成KbNSGA方法；
步骤(4)使用TOPSIS评价方法选择KbNSGA求解的Pareto前沿中的最佳方案，使最终优化结果符合生产要求且接近理想全局最优解。
2.根据权利要求1所述的方法，其特征在于，步骤(1)所述的通过相关性分析和炼铁机理选取的过程特征变量为富氧率、透气性指数、富氧流量、冷风流量、炉腹煤气量、炉腹煤气指数、鼓风动能、顶压、全压差、热风压力、实际风速、热风温度、炉顶温度、阻力系数、鼓风温度、实际喷煤量。
3.根据权利要求1所述的方法，其特征在于，步骤(2)所述的Attention-LSTM模型计算方法为：
在LSTM层前加入Attention机制层，模型在t时刻的输入序列为
其中n为特征变量维度，Xt首先同上一时刻LSTM隐藏层状态ht-1输入到Attention机制层进行特征维度间权重计算，得到权重值经Softmax计算后获得t时刻n维变量权重/>
与原始输入序列Xt加权，获得加权后的输入特征/>
把/>
输入LSTM网络层得到t时刻隐藏层状态ht以及预测值硅含量和焦比。
4.根据权利要求1所述的方法，其特征在于，步骤(3)所述的KbNSGA方法如下：
在NSGA-II遗传算法优化模型中建立历史数据知识库，首先利用已有历史数据优化案例建立知识库并进行K近邻工况划分，在知识库中存储工况特征和其对应的历史优化最优解；新采集的数据按照距离度量进行相似度计算，当相似度大于阈值δ时使用历史优化最优解进行NSGA-II种群初始化，若相似度小于这一阈值则随机初始化种群；以稳定硅含量和最小化焦比为优化目标，过程特征变量为决策变量，初始化后执行种群选择、交叉和变异操作直至满足算法终止条件，得到优化后的Pareto前沿。
5.根据权利要求1所述的方法，其特征在于，步骤(4)所述的TOPSIS评价方法如下：
首先把Pareto前沿数据正向归一化，取每个特征维度的最大最小值构成最优方案和最劣方案，通过每个待评判方案与最优最劣方案的距离，得到它们的相似程度，以此作为评价优劣的依据，应用到高炉多目标优化问题上，评价优化方案中每个解的优劣程度，选择优化后近似Pareto前沿中的最佳方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207713.4A CN116307149A (zh) | 2023-03-07 | 2023-03-07 | 基于注意力LSTM和KbNSGA的高炉性能优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207713.4A CN116307149A (zh) | 2023-03-07 | 2023-03-07 | 基于注意力LSTM和KbNSGA的高炉性能优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116307149A true CN116307149A (zh) | 2023-06-23 |
Family
ID=86818001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310207713.4A Pending CN116307149A (zh) | 2023-03-07 | 2023-03-07 | 基于注意力LSTM和KbNSGA的高炉性能优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116307149A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116837422A (zh) * | 2023-07-24 | 2023-10-03 | 扬中凯悦铜材有限公司 | 一种高纯无氧铜材的生产工艺及*** |
| CN117313554A (zh) * | 2023-11-28 | 2023-12-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、***、设备及介质 |
-
2023
- 2023-03-07 CN CN202310207713.4A patent/CN116307149A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116837422A (zh) * | 2023-07-24 | 2023-10-03 | 扬中凯悦铜材有限公司 | 一种高纯无氧铜材的生产工艺及*** |
| CN116837422B (zh) * | 2023-07-24 | 2024-01-26 | 扬中凯悦铜材有限公司 | 一种高纯无氧铜材的生产工艺及*** |
| CN117313554A (zh) * | 2023-11-28 | 2023-12-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、***、设备及介质 |
| CN117313554B (zh) * | 2023-11-28 | 2024-03-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、***、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Carbon trading volume and price forecasting in China using multiple machine learning models | |
| CN116307149A (zh) | 基于注意力LSTM和KbNSGA的高炉性能优化方法 | |
| CN109242188B (zh) | 一种钢铁煤气***长期区间预测及其结构学习方法 | |
| CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
| Zhang et al. | Probabilistic accumulation grey forecasting model and its properties | |
| CN114239400A (zh) | 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法 | |
| Wang et al. | Strip hardness prediction in continuous annealing using multiobjective sparse nonlinear ensemble learning with evolutionary feature selection | |
| Xu et al. | Multi-cluster based equilibrium optimizer algorithm with compact approach for power system network | |
| CN110849149A (zh) | 基于能源感知的烧结配料方案级联优化获取方法及装置 | |
| Wang et al. | Multi-objective optimal scheduling of laminar cooling water supply system for hot rolling mills driven by digital twin for energy-saving | |
| CN105426959B (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
| CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
| CN107742000B (zh) | 锅炉燃烧含氧量建模方法 | |
| Zhang et al. | Multiobjective operation optimization of continuous annealing based on data analytics | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
| Bi et al. | Self-adaptive Teaching-learning-based Optimizer with Improved RBF and Sparse Autoencoder for Complex Optimization Problems | |
| CN117477561A (zh) | 居民家用负荷概率预测方法及*** | |
| Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
| CN116702613A (zh) | 三元正极材料产品性能与烧结能耗多目标优化方法及*** | |
| Yan et al. | Multi-objective optimization method of blast furnace operation performance indicators based on data and knowledge | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| CN113900379A (zh) | 一种基于神经网络的预测控制算法 | |
| CN114155097A (zh) | 股票预测与投资组合优化方法、***、计算机及存储介质 | |
| CN113836819A (zh) | 一种基于时序关注的床温预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |