一种基于案例推理的钢水温度预测方法技术

本发明专利技术公开了一种基于案例推理的钢水温度预测方法，包括：步骤一，建立存储有钢水温度的影响因素的值和钢水温度的案例库；步骤二，定义当前问题和问题解；步骤三，根据关键的状态向量对案例库中的案例集进行类选；步骤四，根据所有状态向量的离散值对类选后的案例集进行粗选；步骤五，根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选；步骤六，择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的问题解。本发明专利技术是基于多步检索策略案例推理方法，克服了传统神经网络方法训练时间长和不适合在线应用等缺点，由于采用了带权值的灰色关联度方法，在一定程度上解决了生产数据不完整或存在干扰的问题。

【技术实现步骤摘要】

本专利技术属于炼钢
，涉及。
技术介绍
随着炼钢厂生产精细化程度的提高，对钢水温度控制要求越来越高，及时准确地获取各个工序钢水温度的要求更加迫切。传统的热电偶测量方法的缺点是劳动强度大、测量的准确性和稳定性不高、无法进行连续测量，且数据反馈滞后，不能适应紧凑高效的现代化生产。由于不能及时准确地获取钢水温度，导致很多企业较大幅度地提高转炉出钢温度， 浪费了大量能源。由于炼钢厂各个工序之间存在着复杂的物理化学反应和传递现象，很难使用机理或数学模型加以描述。Jose Manuel等使用人工神经网络(Artificial Neural Network, ANN)作为分类器，并设计模糊推理函数预测电炉出钢温度；毛志忠等结合传统机理模型和智能方法，并采用改进AdaBoost RT集成BP网络作为智能模型部分校正机理模型中难以准确获得的参数，再使用机理模型预测LF炉终点钢水温度；田慧欣等提出一种基于 Bagging或ELM的多模型预报方法，实现对LF炉出钢钢水的温度预测，该方法是一种混合方法，在提高智能方法预报精度的同时使得机理模型与智能模型的优势得以互补；韩颖采用最小二乘支持向量机方法对电炉出钢钢水温度进行预测，通过对模型参数进行优选，使所建模型具备了良好的拟合和预测能力；王安娜等应用BP神经网络预测LF炉出钢钢水温度，取得了较好效果；陶子玉等对BP神经网络进行了附加动量项和自适应修改学习率两个方面的修改，成功将其应用于LF炉钢水终点温度预报；李亮等应用BP神经网络对VD终点钢水温度进行预报；杨为民、谢书明和常立忠等应用神经网络预测转炉终点，包括终点温度和终点碳含量。以上大多数方法都是采用一般人工神经网络作为钢水温度的预测方法，而一般人工神经网络存在学习时间长、泛化能力弱等问题。应用基于案例推理技术预测钢水温度是一种新的尝试。当前，已有少数学者应用基于案例推理技术进行预测，例如，湛腾西等应用基于案例推理技术预测电厂烟气中的含氧量，王晓等应用基于案例推理技术预测非常规突发事件资源需求，孙铁强应用基于案例推理技术对热风炉送风温度进行预测，均取得了较好的效果。但是，已有基于案例推理技术应用于预测存在着不足案例检索方法上使用最近相邻策略或归纳推理策略，在案例信息不完整的情况下通常得不到准确的结果；当案例库较大时，检索时间较长。
技术实现思路
本专利技术所要解决的技术问题是提供，该方法具有更高的准确率。为解决上述技术问题，本专利技术采用如下技术方案。，包括以下步骤步骤一，建立存储有钢水温度的影响因素的值和钢水温度的案例库；步骤二，定义当前问题和问题解；所述当前问题是一条钢水温度的影响因素取值的记录，所述问题解是当前问题的预测温度；步骤三，根据关键的状态向量对案例库中的案例集进行类选；所述状态向量为取值形式为离散值的影响因素；步骤四，根据所有状态向量的离散值对类选后的案例集进行粗选；步骤五，根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选；步骤六，择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的问题解。作为本专利技术的一种优选方案，所述钢水温度的影响因素包括出钢时间、包龄、出钢前温度、钢水净重量、运输时间、加高碳锰铁重量、加硅铁重量、加铝块重量、加铝镁钙铁重量、加铝质复合脱氧剂重量、加增碳剂重量、加中碳锰铁重量。作为本专利技术的另一种优选方案，所述灰度相似度是采用基于灰色关联度的方法计算案例的相似度，具体计算过程为设当前问题为Stl，已有案例集为{S」i = l...m}，m是已有案例的数目，则Stl和已有案例集中各个案例Si在η维空间上的灰色相似度为权利要求1.，其特征在于，包括以下步骤步骤一，建立存储有钢水温度的影响因素的值和钢水温度的案例库；步骤二，定义当前问题和问题解；所述当前问题是一条钢水温度的影响因素取值的记录，所述问题解是当前问题的预测温度；步骤三，根据关键的状态向量对案例库中的案例集进行类选；所述状态向量为取值形式为离散值的影响因素；步骤四，根据所有状态向量的离散值对类选后的案例集进行粗选；步骤五，根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选；步骤六，择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的问题解。2.根据权利要求1所述的基于案例推理的钢水温度预测方法，其特征在于所述钢水温度的影响因素包括出钢时间、包龄、出钢前温度、钢水净重量、运输时间、加高碳锰铁重量、加硅铁重量、加铝块重量、加铝镁钙铁重量、加铝质复合脱氧剂重量、加增碳剂重量、加中碳锰铁重量。3.根据权利要求1所述的基于案例推理的钢水温度预测方法，其特征在于，所述灰度相似度是采用基于灰色关联度的方法计算案例的相似度，具体计算过程为设当前问题为Stl，已有案例集为{Si|i = l...m}，m是已有案例的数目，则％和已有案例集中各个案例Si在η维空间上的灰色相似度为GsiM (夕0， )=I η=，ι+、 。2_，柳V k=\其中，Gd(s0(k)，Si (k)) = 1/GS(s0(k)，Si (k))_1为S0和Si在特征向量的第k个属性上的灰色距离；Gs O。⑷，S1 ⑷)= /I^0 ⑷-S1 ⑷I + max(k) - S1 ⑷|)]，Gs(S(l(k)，Si(k))为％和&在特征向量的第k个属性上的关联系数，ζ e 为分辨系数，wk为特征向量的第k个属性的权值。4.根据权利要求1所述的基于案例推理的钢水温度预测方法，其特征在于所述择优是综合考虑大于预设相似度阈值的案例集合，预测钢水温度的计算公式如下T=E (Gi^Ti)/ Σ Gi5Gi ^ G0其中，是预设相似度阈值，Gi是当前问题与候选案例的灰度相似度，Ti是候选案例的实际温度。全文摘要本专利技术公开了，包括步骤一，建立存储有钢水温度的影响因素的值和钢水温度的案例库；步骤二，定义当前问题和问题解；步骤三，根据关键的状态向量对案例库中的案例集进行类选；步骤四，根据所有状态向量的离散值对类选后的案例集进行粗选；步骤五，根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选；步骤六，择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的问题解。本专利技术是基于多步检索策略案例推理方法，克服了传统神经网络方法训练时间长和不适合在线应用等缺点，由于采用了带权值的灰色关联度方法，在一定程度上解决了生产数据不完整或存在干扰的问题。文档编号G06F19/00GK102163261SQ20111008845公开日2011年8月24日 申请日期2011年4月8日 优先权日2011年4月8日专利技术者侯志昌, 李勇, 汪红兵, 许四光 申请人:汪红兵本文档来自技高网...

【技术保护点】
１．一种基于案例推理的钢水温度预测方法，其特征在于，包括以下步骤：步骤一，建立存储有钢水温度的影响因素的值和钢水温度的案例库；步骤二，定义当前问题和问题解；所述当前问题是一条钢水温度的影响因素取值的记录，所述问题解是当前问题的预测温度；步骤三，根据关键的状态向量对案例库中的案例集进行类选；所述状态向量为取值形式为离散值的影响因素；步骤四，根据所有状态向量的离散值对类选后的案例集进行粗选；步骤五，根据当前问题与候选案例的灰度相似度对粗选后的案例集进行精选；步骤六，择优加权计算大于预设相似度阈值的匹配案例，得出当前问题的问题解。

【技术特征摘要】

【专利技术属性】
技术研发人员：汪红兵，侯志昌，李勇，许四光，
申请(专利权)人：汪红兵，
类型：发明
国别省市：31