基于正则化极限学习机的转炉炼钢终点锰含量预测方法技术

本发明专利技术提出基于正则化极限学习机的转炉炼钢终点锰含量预测方法，包括以下步骤：正则化极限学习机的输入变量的选取、样本数据的预处理、归一化处理、构建正则化极限学习机和通过正则化极限学习机进行转炉炼钢终点锰含量预测；本发明专利技术通过正则化极限学习机对转炉炼钢终点锰含量进行预测，在训练过程中不需要调整网络的输入权值以及隐藏层的偏置，只需设置网络的隐藏层节点个数、正则化系数和激活函数就能产生唯一的最优解，且该模型训练速度快、预测精度高、适应性较好，同时该方法测量适应性好、训练时间短、不易陷入局部最优值，可以明显提高转炉炼钢终点锰含量的预测精度和运算速率。

Prediction Method of Manganese Content at End of Converter Steelmaking Based on Regularized Limit Learning Machine

The method for predicting the manganese content at the end point of converter steelmaking based on the regularized limit learning machine is proposed, which includes the following steps: selection of input variables of the regularized limit learning machine, preprocessing of sample data, normalization processing, construction of the regularized limit learning machine and prediction of the manganese content at the end point of converter steelmaking by the regularized limit learning machine. The machine can predict the manganese content at the end point of converter steelmaking without adjusting the input weights of the network and the bias of the hidden layer. The only optimal solution can be obtained by setting the number of hidden layer nodes, regularization coefficient and activation function of the network. The model has fast training speed, high prediction accuracy and good adaptability. At the same time, the method has good measurement adaptability and training time. Short interval and not easy to fall into local optimum value can obviously improve the prediction accuracy and operation speed of end-point manganese content in converter steelmaking.

【技术实现步骤摘要】
基于正则化极限学习机的转炉炼钢终点锰含量预测方法
本专利技术涉及钢铁冶金领域，尤其涉及基于正则化极限学习机的转炉炼钢终点锰含量预测方法。
技术介绍
转炉炼钢作为钢铁生产流程中十分重要的环节，是目前世界上最主要的炼钢方法。在转炉冶炼过程中，若能实现对终点钢水锰含量的精准且快速的预测，则可以提高操作人员对出钢判断的准确性，以及出钢合金化操作的效率，从而降低生产成本，提高钢水质量。正则化是指在线性代数理论中，不适定问题通常是由一组线性代数方程定义的，而且这组方程组通常来源于有着很大的条件数的不适定反问题。极限学习机是一类基于前馈神经网络的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。目前，转炉炼钢终点锰含量的预测方法主要包括统计学方法和和非统计学方法，统计学方法包括：线性回归、非线性回归等，非统计学方法包括：专家系统、BP神经网络等。基于统计学方法建立的转炉炼钢终点锰含量预测模型的适应性和泛化能力较弱，而且某些统计方法是在基于副枪取样分析钢水锰含量的基础上，利用热力学和物质平衡建立了从副枪取样到吹炼终点的锰含量预测模型，成本较高，且只适用于装备有副枪的转炉；而基于非统计学方法的转炉炼钢终点锰含量预测模型具有较强的适应性和泛化能力，由于影响炼钢终点锰含量的因素众多，且各影响因素和终点锰含量之间具有较强的非线性关系，人工神经网络较强的非线性逼近能力可以很好的解决这一问题，BP神经网络是目前应用较为广泛的神经网络之一，但是基于该方法建立的模型在训练过程需要消耗大量的时间、易陷入局部最优值以及训练过程需要设置大量的网络训练参数，且预测精度低，难以迅速、及时地对转炉炼钢终点锰含量进行准确的预测，不利于钢铁企业高品质钢的高效化生产。因此，本专利技术提出基于正则化极限学习机的转炉炼钢终点锰含量预测方法，以解决现有技术中的不足之处。
技术实现思路
针对上述问题，本专利技术通过正则化极限学习机对转炉炼钢终点锰含量进行预测，在训练过程中不需要调整网络的输入权值以及隐藏层的偏置，只需设置网络的隐藏层节点个数、正则化系数和激活函数就能产生唯一的最优解，且该模型训练速度快、预测精度高、适应性较好，同时该方法测量适应性好、训练时间短、不易陷入局部最优值，可以明显提高了转炉炼钢终点锰含量的预测精度和运算速率。本专利技术提出基于正则化极限学习机的转炉炼钢终点锰含量预测方法，包括以下步骤：步骤一：正则化极限学习机的输入变量的选取对转炉冶炼的中高碳钢历史数据进行采集，并确定影响转炉炼钢终点锰含量影响因素集；步骤二：样本数据的预处理对转炉炼钢终点锰含量的影响因素数据进行采集，然后对采集的样本数据进行预处理，确定最终的样本数据集合；步骤三：归一化处理将步骤二中得到的数据样本集合进行归一化处理，消除不同的数据量纲；步骤四：构建正则化极限学习机将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集，选取剩余的五分之一数据样作为测试数据集，再设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机；步骤五：通过正则化极限学习机进行转炉炼钢终点锰含量预测转炉吹炼开始后，通过正则化极限学习机对转炉炼钢终点锰含量进行预测，得到转炉炼钢终点锰含量数据。进一步改进在于：所述步骤一中具体过程为：首先对转炉冶炼的中高碳钢历史数据进行采集，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Pearson(皮尔逊)相关系数进行相关性分析，确定模型的输入变量个数，找到影响转炉炼钢终点锰含量的影响因素。进一步改进在于：所述输入变量包括转炉中的铁水装入量、废钢装入量、铁水温度、铁水磷含量、铁水锰含量、铁水硫含量、氧耗量、石灰加入量、轻烧白云石加入量以及化渣剂加入量。进一步改进在于：所述步骤二中先对转炉炼钢终点锰含量的影响因素数据进行采集，并对影响转炉炼钢终点锰含量的因素进行样本数据的预处理，对异常数据进行剔除，确定最终的样本数据集合。进一步改进在于：所述数据的预处理采用的方法为通过剔除和数据平滑技术对异常数据进行预处理。进一步改进在于：所述步骤三中归一化处理数据选择的范围为[-1，1]。进一步改进在于：所述步骤四中先将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集来训练正则化极限学习机，选取剩余的五分之一数据样本作为测试数据集来验证本方法的准确性，再通过综合考虑极限学习机预测的均方误差和预测精度来设置合理的正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机。进一步改进在于：所述步骤五具体过程为：利用过程数据库系统实时采集并记录转炉的炉次信息，将得到的数据样本进行归一化处理，归一化处理数据选择范围为[-1，1]，然后利用工业控制计算机将过程数据库系统提供的归一化处理后的样本数据输入到建立好的基于正则化极限学习机的转炉炼钢终点锰含量预测模型内，对现场转炉吹炼的炉次进行锰含量的预测。进一步改进在于：所述步骤五中工业控制计算机用于实时预测转炉炼钢终点锰含量。进一步改进在于：所述步骤五中过程数据库与工业控制计算机相连接，所述过程数据库用于实时采集、记录转炉炼钢过程数据，然后为工业控制计算机的运行提供数据支撑。本专利技术的有益效果为：通过正则化极限学习机对转炉炼钢终点锰含量进行预测，在训练过程中不需要调整网络的输入权值以及隐藏层的偏置，只需设置网络的隐藏层节点个数、正则化系数和激活函数就能产生唯一的最优解，且该模型训练速度快、预测精度高、适应性较好，较基于统计学方法、专家系统、BP神经网络等转炉炼钢终点锰含量预测模型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，同时该基于则化极限学习机的转炉炼钢终点锰含量预测方法测量适应性好、训练时间短、不易陷入局部最优值，且该方法无需在训练过程中大量设置神经网络的参数和最优网络结构参数的寻找，明显提高了转炉炼钢终点锰含量的预测精度和运算速率。附图说明图1为本专利技术方法模型构建和计算流程示意图。图2为本专利技术方法结构流程示意图。具体实施方式为了使专利技术实现的技术手段、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。根据图1、2所示，本实施例提出基于正则化极限学习机的转炉炼钢终点锰含量预测方法，包括以下步骤：步骤一：正则化极限学习机的输入变量的选取首先对转炉冶炼的中高碳钢历史数据进行采集，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Pearson(皮尔逊)相关系数进行相关性分析，确定模型的输入变量个数，找到影响转炉炼钢终点锰含量的影响因素，输入变量包括转炉中的铁水装入量、废钢装入量、铁水温度、铁水磷含量、铁水锰含量、铁水硫含量、氧耗量、石灰加入量、轻烧白云石加入量以及化渣剂加入量；步骤二：样本数据的预处理先对转炉炼钢终点锰含量的影响因素数据进行采集，并对影响转炉炼钢终点锰含量的因素进行样本数据的预处理，通过剔除和数据平滑技术对异常数据进行预处理，确定最终的样本数据集合。步骤三：归一化处理将步骤二中得到的数据样本集合进行归一化处理，归一化处理数据选择的范围为[-1，1]，消除不同的数据量纲；步骤四：构建正则化极限学习机本文档来自技高网...

【技术保护点】
1.基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：包括以下步骤：步骤一：正则化极限学习机的输入变量的选取对转炉冶炼的中高碳钢历史数据进行采集，并确定影响转炉炼钢终点锰含量影响因素集；步骤二：样本数据的预处理对转炉炼钢终点锰含量的影响因素数据进行采集，然后对采集的样本数据进行预处理，确定最终的样本数据集合；步骤三：归一化处理将步骤二中得到的数据样本集合进行归一化处理，消除不同的数据量纲；步骤四：构建正则化极限学习机将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集，选取剩余的五分之一数据样作为测试数据集，再设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机；步骤五：通过正则化极限学习机进行转炉炼钢终点锰含量预测转炉吹炼开始后，通过正则化极限学习机对转炉炼钢终点锰含量进行预测，得到转炉炼钢终点锰含量数据。

【技术特征摘要】
1.基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：包括以下步骤：步骤一：正则化极限学习机的输入变量的选取对转炉冶炼的中高碳钢历史数据进行采集，并确定影响转炉炼钢终点锰含量影响因素集；步骤二：样本数据的预处理对转炉炼钢终点锰含量的影响因素数据进行采集，然后对采集的样本数据进行预处理，确定最终的样本数据集合；步骤三：归一化处理将步骤二中得到的数据样本集合进行归一化处理，消除不同的数据量纲；步骤四：构建正则化极限学习机将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集，选取剩余的五分之一数据样作为测试数据集，再设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机；步骤五：通过正则化极限学习机进行转炉炼钢终点锰含量预测转炉吹炼开始后，通过正则化极限学习机对转炉炼钢终点锰含量进行预测，得到转炉炼钢终点锰含量数据。2.根据权利要求1所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤一中具体过程为：首先对转炉冶炼的中高碳钢历史数据进行采集，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Pearson(皮尔逊)相关系数进行相关性分析，确定模型的输入变量个数，找到影响转炉炼钢终点锰含量的影响因素。3.根据权利要求2所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述输入变量包括转炉中的铁水装入量、废钢装入量、铁水温度、铁水磷含量、铁水锰含量、铁水硫含量、氧耗量、石灰加入量、轻烧白云石加入量以及化渣剂加入量。4.根据权利要求1所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤二中先对转炉炼钢终点锰含量的影响因素数据进行采集，并对影响转炉炼钢终点锰含量的因素进...

【专利技术属性】
技术研发人员：刘青，张壮，林文辉，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京,11