【技术实现步骤摘要】
一种基于多目标集成学习的高炉铁水硅含量预测方法
本专利技术涉及钢铁企业自动化检测
，特别是涉及一种基于多目标集成学习的高炉铁水硅含量预测方法。
技术介绍
高炉炼铁是钢铁生产过程的第一道工序，其作用是将铁矿石等含铁原料中的铁氧化物还原为铁元素，得到生铁；而生铁是绝大多数钢铁产品进行生产加工的原料，其质量的好坏对于后续加工有着关键的影响。为了保证炼铁过程平稳进行、减少能源消耗、提高生铁质量，操作人员需要对炉况进行及时调节，使高炉温度维持在一定的范围内，避免出现“过热”或“过冷”现象。但是高炉内部温度高、环境恶劣，目前仍然缺乏对炉温进行直接测量的手段，所以实际生产当中一般通过与炉温具有正相关性的铁水硅含量来间接表征炉温。由此可见，实现铁水硅含量的准确预报对于高炉炼铁具有重要的意义。由于高炉炼铁过程十分复杂，铁水硅含量会受到许多因素的影响。现有的高炉铁水硅含量预测方法在进行建模时，通常选择与硅含量相关性较强的若干个变量作为输入特征。例如，专利“一种高炉铁水硅含量的变量选择预报方法”(马淑艳，杨春节，宋菁华，申请公布号：...
【技术保护点】
1.一种基于多目标集成学习的高炉铁水硅含量预测方法，其特征在于，包括下述步骤：/n步骤1：构建初始样本集：以采样频率f
【技术特征摘要】
1.一种基于多目标集成学习的高炉铁水硅含量预测方法，其特征在于，包括下述步骤：
步骤1：构建初始样本集：以采样频率f1对高炉检测参数{x1,x2,...,xi,...,xm}进行采样，以采样频率f2对高炉出铁后的生铁进行采样并化验生铁中的硅含量，用本次生铁采样与上次生铁采样之间高炉检测参数xi的平均值作为本次生铁采样时高炉检测参数xi的值，选取采样时间内一段时间的硅含量数据及该硅含量数据对应的高炉检测参数数据构成初始样本集其中，xi为第i个高炉检测参数，i∈{1,2,...,m}，m为高炉检测参数的总数，yj为第j个初始样本中的硅含量，为第j个初始样本中的参数向量，yi-1为第j个初始样本的上次生铁采样时的硅含量，为第j个初始样本中的硅含量对应的高炉检测参数xi的值，n为初始样本总数；
步骤2：对初始样本集进行数据预处理，得到预处理后的样本集为A＝{(xj,yj)|j∈{1,2,...,n}}；其中，xj＝(x1j,x2j,…,xij,…,xmj,yj-1)，xij为的预处理后的值；
步骤3：基于极限学习机和多目标离散差分进化算法，将特征选择方案作为种群中的个体，通过种群更新生成子学习机：
步骤3.1：从预处理后的样本集A中选取样本构成训练集、验证集；
步骤3.2：设置多目标离散差分进化算法中的最大迭代次数L、种群规模N、变量个数M＝m、差分权重的均值F、交叉参数的均值Cr，并初始化迭代次数l＝1；
步骤3.3：初始化种群：随机生成N个长度为M的二进制向量，将每个二进制向量作为一个个体，形成第l代种群；其中，每个二进制向量代表一种特征选择方案，二进制向量中每一位的取值为0或1，1代表选择该位对应的特征，0代表不选择该位对应的特征，二进制向量中的M位对应的特征分别为高炉检测参数x1、x2、...,xi、...、xm；
步骤3.4：以最大化种群中个体的预测精度和个体相互之间的差异性为目标对种群进行更新：
步骤3.4.1：对第l代种群中的每个个体执行变异、交叉操作，获得N个新个体，将N个新个体与第l代种群中的个体放入一个集合中，形成规模为2N的联合种群；
步骤3.4.2：以联合种群中第k∈{1,2,...,2N}个个体对应的特征选择方案所选择的特征及上次生铁采样时的硅含量为输入、本次生铁采样时的硅含量为输出，构建高炉铁水硅含量预测的第k个极限学习机模型，并使用训练集对每个极限学习机模型进行训练；计算训练后的第k个极限学习机模型...
【专利技术属性】
技术研发人员：王显鹏，胡腾辉，唐立新，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。