基于动态慢特征回归的烧结终点软测量方法技术

本发明专利技术公开了一种基于动态慢特征回归的烧结终点软测量方法，属于工业过程软测量建模领域。首先，从数据库中读取烧结系统产生的相关参数，并根据通过二次曲线拟合的方法得到烧结终点数据；然后，采用动态慢特征分析从烧结数据中提取出多个慢特征，并对提取出的慢特征进行评估量化以筛选用于建立软测量模型的慢特征；最后，采用偏最小二乘法建立慢特征与烧结终点之间的软测量模型。本发明专利技术不仅挖掘了烧结过程数据的动态性，提高了烧结终点软测量的精度，同时预测结果具有一定的光滑性，符合化工过程中产品质量变化缓慢的特性，排除了过程数据中噪声的干扰，为铁前工艺的数字化提供了技术支撑。技术支撑。技术支撑。

【技术实现步骤摘要】
基于动态慢特征回归的烧结终点软测量方法


[0001]本专利技术属于烧结过程烧结终点软测量方法，具体涉及一种基于动态慢特征回归的烧结终点软测量方法。

技术介绍

[0002]随着钢铁行业的快速发展，我国富铁矿资源日益贫乏，烧结矿成为高炉炼铁生产流程的主要原料，其质量与产量直接影响到高炉炼铁的质量与产量，因此烧结过程是炼铁流程的重要环节之一。
[0003]烧结终点(Burning Through Point,BTP)是反映烧结矿质量的一个关键的过程参数，烧结终点指的是烧结料烧透点的位置，一般通过烧结机下风箱废气温度来表征，当废气温度达到最高点时所在风箱位置即为烧结终点。通过烧结终点的位置的波动即可判断烧结过程的稳定程度，以及烧结料是否反应充分。但在实际操作中，烧结终点是无法通过传感器直接测量的，烧结终点只能通过其他过程参数及原料参数进行软测量；同时，由于烧结过程的动态性、不确定性和强耦合性，导致烧结终点的软测量称为极具挑战性的课题。
[0004]现有的烧结终点软测量方法，主要有基于机理的方法和基于数据驱动的方法，其中基于数据驱动的方法又分为传统机器学习方法与深度学习方法两大类。基于机理的方法通过状态参数直接预测烧结终点，但这种方法往往十分复杂、耗时且不具备普适性，缺乏推广使用的能力。基于深度学习的方法大多采用神经网络构建烧结终点的软测量模型，但这种方法不具有可解释性，且需要大量的训练数据及较长的训练时间，在工程上较少采用这种方法。基于传统的机器学习方法如PCR，SVR等方法可以通过较少的数据进行软测量，但这些方法面对烧结过程的不确定性和强耦合性不能展现较高的软测量精度，同时大多数传统机器学习方法没有考虑样本前后时刻的相关性，不能反映实际的工业过程。因此，现有的烧结终点软测量模型不具有实际应用意义，需要探索新的方法。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术的目的在于提供一种基于动态慢特征回归的烧结终点软测量方法。该方法首先从数据库中读取烧结系统产生的相关参数，并根据通过二次曲线拟合的方法得到烧结终点数据；然后，采用动态慢特征分析从烧结数据中提取出多个慢特征，并对提取出的慢特征进行评估量化以筛选用于建立软测量模型的慢特征；最后，采用偏最小二乘法建立慢特征与烧结终点之间的软测量模型。本专利技术方法，不仅挖掘了烧结过程数据的动态性，提高了烧结终点软测量的精度，同时预测结果具有一定的光滑性，符合化工过程中产品质量变化缓慢的特性，排除了过程数据中噪声的干扰，为铁前工艺的数字化提供了技术支撑。
[0006]一种基于动态慢特征回归的烧结终点软测量方法，步骤如下：
[0007]步骤一：确定烧结生产过程中的过程变量，从数据库中读取相应数据，利用多项式拟合法求出每个时刻对应的烧结温度上升点及烧结终点位置数据，对数据进行预处理。
[0008]步骤二：对数据进行重构，增加d维时滞数据，对重构后的样本进行动态慢特征分析。
[0009]步骤三：针对提取出的慢特征建立一阶自回归模型，获得慢特征的慢度，并根据设置的阈值对慢特征进行筛选。
[0010]步骤四：利用偏最小二乘算法建立慢特征与烧结终点之间的软测量模型，进行烧结终点的软测量。
[0011]步骤一中所选取的烧结过程变量包括：台车速度、料层厚度、点火温度、大烟道负压、主排风量、返矿配比、燃料配比、生石灰配比、混匀矿配比和轻烧矿配比，以上变量可以从数据库中直接读取；除此以外还需要获取烧结温度上升点位置x
brp
，可以通过对风箱的废气温度进行三次拟合，得到如下关系：
[0012]i为风箱的编号
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]当废气温度T
brp
为250℃时对应的位置即为废气温度上升点x
brp
。将以上过程变量作为输入参数x(t)＝{x1(t),x2(t),
…
,x
11
(t)}，剔除传感器异常及停产停工数据，对输入参数进行归一化和中值滤波；
[0014]步骤一中所需要的烧结终点位置数据x
brp
可以通过从数据库中读取最后三个风箱废气温度并进行二次拟合，得到如下关系：
[0015]j为最后三个风箱的编号
ꢀꢀꢀꢀꢀꢀ
(2)
[0016]二次曲线的极值点即为烧结终点的位置x
btp
，即：
[0017][0018]步骤二中通过增加d维时滞数据对数据进行重构，设样本个数为n，将原有的m维输入变量转变为m
*
(d+1)维：
[0019]X(t)＝{x(t),x(t
‑
1),
…
,x(t
‑
d)}∈R
(n
‑
d)*m(d+1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0020]对矩阵X(t)进行特征值分解：
[0021]XX
T
＝UΩU
T
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0022]则白化矩阵为：
[0023]Q＝Ω
‑
1/2
U
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0024]白化数据为：
[0025]Z(t)＝XQ
T
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026]计算矩阵
[0027][0028]对矩阵进行特征值分解ZZ
T
＝PΛP
T
，则特征向量为W＝Q
T
P，所求慢特征为：
[0029]S(t)＝Z(t)P＝X(t)W∈R
(n
‑
d)*m(d+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)。
[0030]步骤三中对提取出的每一维慢特征进行一维自回归分析：
[0031]s
i
(t+1)＝λ
i
s
i
(t)+e i∈1,2,
…
,m*(d+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0032]所得到的自回归系数λ
i
即为慢特征的缓慢程度评估指标，将慢度小于设置的阈值的慢特征剔除，得到偏最小二乘算法的输入矩阵M(t)。
[0033]步骤四中利用偏最小二乘算法建立烧结过程慢特征矩阵M(t)与输出向量烧结终
点Y(t)之间的软测量模型：
[0034][0035]其中，E和F为残差矩阵和向量，U，C，R为各投影向量。U与C维度的选取可通过k折交叉验证实现。
[0036]本专利技术的有益效果：
[0037]本专利技术将动态慢特征分析法与偏最小二乘法结合，既利用了动态慢特征分析算法的特征提取特性，提取了烧结数据中的缓变特性和动力学，又与偏最小二乘法结合，提高了烧结终点软测量的精度，同时软测量结果具有平滑特性，与烧结过程原料变化缓慢的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态慢特征回归的烧结终点软测量方法，其特征在于，步骤如下：步骤一：确定烧结生产过程中的过程变量，从数据库中读取相应数据，利用多项式拟合法求出每个时刻对应的烧结温度上升点及烧结终点位置数据，对数据进行预处理；步骤二：对数据进行重构，增加d维时滞数据，对重构后的样本进行动态慢特征分析；步骤三：针对提取出的慢特征建立一阶自回归模型，获得慢特征的慢度，并根据设置的阈值对慢特征进行筛选；步骤四：利用偏最小二乘算法建立慢特征与烧结终点之间的软测量模型，进行烧结终点的软测量。2.根据权利要求1所述的基于动态慢特征回归的烧结终点软测量方法，其特征在于，步骤一中所选取的烧结过程变量包括：台车速度、料层厚度、点火温度、大烟道负压、主排风量、返矿配比、燃料配比、生石灰配比、混匀矿配比和轻烧矿配比，以上变量从数据库中直接读取；除此以外还需要获取烧结温度上升点位置x
brp
，通过对多个风箱的废气温度进行三次拟合，得到如下关系：i为风箱的编号
ꢀꢀꢀꢀ
(1)当废气温度T
brp
为250℃时对应的位置即为废气温度上升点x
brp
；将以上过程变量作为输入参数x(t)＝{x1(t),x2(t),
…
,x
11
(t)}，剔除传感器异常及停产停工数据，对输入参数进行归一化和中值滤波。3.根据权利要求1所述的基于动态慢特征回归的烧结终点软测量方法，其特征在于，步骤一中所需要的烧结终点位置数据x
brp
通过从数据库中读取最后三个风箱废气温度并进行二次拟合，得到如下关系：j为最后三个风箱的编号
ꢀꢀꢀ
(2)二次曲线的极值点即为烧结终点的位置x
btp
，即：4.根据权利要求1所述的基于动态慢特征回归的烧结终点软测量方法，其特征在于，步骤二中通过增加d维时滞数据对数据进行重构，设样本个数为n，将原有的m维输入变量转变为m
*

【专利技术属性】
技术研发人员：杨春节，曲鑫鹏，
申请(专利权)人：浙江大学，
类型：发明
国别省市：