一种基于鲁棒随机权神经网络的多元铁水质量软测量方法

摘要

一种基于鲁棒随机权神经网络的多元铁水质量软测量方法属于高炉冶炼自动化控制领域，特别涉及一种基于Cauchy分布加权M估计随机权神经网络(M-RVFLNs)的高炉炼铁过程多元铁水质量参数动态软测量方法。本发明运用主成分分析(PCA)方法筛选出影响高炉铁水质量的最主要参数作为模型输入变量，构造出一个具有输出自反馈结构且考虑不同时刻输入输出数据的铁水质量多元动态预测模型，可同时对表征高炉铁水质量的主要参数Si含量、P含量、S含量和铁水温度进行多元动态软测量。本发明包括以下步骤：(1)辅助变量选择与模型输入变量确定；(2)M-RVFLNs软测量模型的训练和使用。

主权项

一种基于鲁棒随机权神经网络的多元铁水质量软测量方法，其特征在于包括以下步骤：(1)辅助变量选择与模型输入变量确定选择软测量的辅助变量包括：炉腹煤气量u₁(m³)、热风温度u₂(℃)、热风压力u₃(KPa)、富氧率u₄、鼓风湿度u₅(RH)、喷煤量u₆(m³/h)；确定如下16个变量为软测量模型的输入变量：当前时刻炉腹煤气量u₁(t)(m³)；当前时刻热风温度u₂(t)(℃)；当前时刻热风压力u₃(t)(KPa)；当前时刻富氧率u₄(t)；当前时刻鼓风湿度u₅(t)(RH)；当前时刻设定喷煤量u₆(t)(m³/h).上一时刻炉腹煤气量u₁(t‑1)(m³)；上一时刻热风温度u₂(t‑1)(℃)；上一时刻热风压力u₃(t‑1)(KPa)；上_一时刻富氧率u₄(t‑1)；上一时刻鼓风湿度u₅(t‑1)(RH)；上一时刻设定喷煤量u₆(t‑1)(m³/h)；上一时刻Si含量估计值上一时刻P含量估计值上一时刻S含量估计值上一时刻铁水温度估计值(2)M‑RVFLNs软测量模型的训练和使用(A)开始：所有变量初始化；(B)若选择为M‑RVFLNs模型训练，转至(C)读取需要进行模型训练的数据集；若选择为铁水质量参数软测量，转至(I)调取已经训练完的高炉铁水质量参数M‑RVFLNs预报模型；(C)读取模型训练所需数据集：从数据库中读取或输入模型训练学习所需数据集Z＝{(x_i,t_i)|x_i∈Rⁿ,t_i＝R^m,i＝1,…N},N≥L进行模型学习初始化，N是样本数目，L是隐含层节点的数目，x_i为输入数据集，t_i为输出数据集；n为输入数据集维度，m为输出数据集维度；(D)数据预处理：对数据进行缺失值填充，之后进行归一化处理后，作为最终预测模型的训练数据；(E)模型相关待定参数确定：M‑RVFLNs模型需要预先设定的待定参数包括：激活函数类型g，隐含层节点数目L，收敛条件E；(F)M‑RVFLNs模型初始化训练及模型参数确定：基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练；模型的训练和学习包括两个阶段，初始化阶段(initialization phase)和鲁棒学习阶段(robust learning phase)；模型初始化阶段的具体步骤如下：步骤(a)：从给定的数据集O＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…}中选取训练数据集Z＝{(x_i,t_i)|x_i∈Rⁿ,t_i＝R^m,i＝1,…N},N≥L，包括输入数据和目标数据Y＝{y_j(t)|j＝1,2,…,m}，初始化隐层节点为L，设置鲁棒训练收敛条件E；步骤(b)：随机选取输入权值向量a_i和隐层单元偏差b_i，i＝1,…,L；步骤(c)：计算隐含层输出矩阵H$H={\left[\begin{array}{ccc}G(a_1,b_1,x_1)& \mathrm{...}& G(a_L,b_L,x_1)\\ .& & .\\ .& \mathrm{...}& .\\ .& & .\\ G(a_1,b_1,x_N)& \mathrm{...}& G(a_L,b_L,x_N)\end{array}\right]}_{N\times L}$步骤(d)：按下述公式计算输出权重β：步骤(e)：计算隐含层节点数为L时的模型输出：$\tilde{Y}=H·\beta$步骤(f)：计算建模残差r：$r=T-\tilde{Y}$模型鲁棒学习阶段的具体步骤如下：步骤(g)：计算标准化残差向量其中median()为中值计算公式；步骤(h)：将标准化残差代入到Cauchy加权函数中得到m维数据对应的权值矩阵进一步求得权函数方阵W⁽⁰⁾，其中μ＝median(r_i)，$a=1/\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{(r_i-\overline{r_i})}^2}$步骤(i)：根据引入M估计后输出权重的迭代公式其中k＝1,2,…为迭代次数，迭代计算求取若每个参数估计值都小于指定收敛条件E，则迭代计算终止，得最终输出权重(G)建模效果评估：引入均方根误差RMSE：$RMSE=\sqrt{\frac{1}{N}\left(H\right(a_i,b_i,x_i){\beta }^{*}-Y){\left(H\right(a_i,b_i,x_i){\beta }^{*}-Y)}^T}$对建模误差进行综合评价，如果建模误差符合实际工况标准，则结束本次M‑RVFLNs模型训练学习过程，转(H)；若误差不符合预定标准，重新训练，转(E)；(H)保存M‑RVFLNs模型：模型训练学习结束，以得到的M‑RVFLNs模型作为高炉铁水质量参数预报模型；(I)读取M‑RVFLNs模型：调出之前初始训练好的高炉铁水质量参数M‑RVFLNs软测量模型${\tilde{Y}}_i=H(a_i,b_i,x_i){\beta }^{*};$(J)读取模型预报的过程数据；(K)判断数据是否异常或者缺失；判断模型16个输入数据是否有数据缺失情况；若有则转(L)进行数据处理，否则转(M)进行铁水质量参数预报；(L)数据处理：若有数据缺失情况，则用前一时刻相应变量数据进行替换；(M)铁水质量参数预报：将输入变量数据归一化处理后，调用之前训练好的M‑RVFLNs模型进行铁水质量参数预报；(N)铁水质量参数预报结果显示：在预报系统人机界面上显示本次铁水质量参数预报的结果；(O)数据保存：将本次软测量的相关输入输出数据保存到相应的历史数据库，供后续系统评估、修正以及查询所用。