[发明专利]一种高炉铁水质量在线鲁棒软测量方法

权利要求书

1.一种高炉铁水质量在线鲁棒软测量方法，其特征在于，包括：

步骤1、在高炉冶炼过程可控变量中选取对高炉铁水质量参数相关性最高的六个可控变量，作为输入变量；同时选取输出变量；基于高炉炼铁过程的时滞关系，确定随机权神经网络模型的阶次；该模型以上一时刻的输入变量、当前时刻的输入变量、上一时刻的输出变量为模型输入数据，以当前时刻的输出变量为模型输出数据；

所述输入变量包括炉腹煤气量、冷风流量、富氧流量、透气性、富氧率、理论燃烧温度，所述输出变量包括Si含量、P含量、S含量、铁水温度；

步骤2、初始化随机权神经网络相关参数与变量：遗忘因子、正则化系数、激活函数，隐含层节点数目、鲁棒在线序贯学习时采集的数据块大小、输出权值的收敛条件、随机权神经网络的初始残差；

步骤3、鲁棒初始阶段：根据标准化残差的分布由柯西加权函数计算出初始训练数据集中每个样本参与随机权神经网络建模的权重大小，并计算出输出权值，直至输出权值满足收敛条件，否则重复操作，继续迭代；

步骤4、利用随机权神经网络模型和获取的高炉炼铁过程数据，在线估计当前时刻的铁水质量参数；

步骤5、鲁棒在线序贯学习阶段：若获取的高炉炼铁过程数据达到设定的数据块大小，则对随机权神经网络进行鲁棒在线序贯学习，引入遗忘因子法，自适应更新随机权神经网络模型参数，返回步骤4；

所述步骤2，包括：

步骤2.1、确定随机权神经网络模型训练需要的相关参数：

遗忘因子，正则化系数，激活函数，隐含层节点数目L，鲁棒在线序贯学习时采集的数据块大小，输出权值的收敛条件；

步骤2.2、选取历史某一时刻至当前时刻之间的时间段内输入变量和输出变量作为初始训练数据集；

步骤2.3、对初始训练数据集中的数据进行归一化处理；

步骤2.4、随机产生输入层与隐含层之间的输入权值a_j及阈值b_j,j＝1,…,L，计算初始隐含层输出矩阵H₀、初始输出权重，进而求得初始模型输出变量估计值，计算随机权神经网络模型的初始残差；

所述步骤3中，包括：

步骤3.1、计算标准化残差向量；将标准化残差代入到柯西分布加权函数中，得到m维输入变量数据对应的权值矩阵，进一步求得每个输出变量对应的权重矩阵；

步骤3.2、在M估计的随机权神经网络的优化目标函数基础上，引入L2范数正则化项，构造成岭回归的形式，得到铁水质量参数的输出权值迭代公式，防止模型过拟合，同时解决隐含层输出的多重共线性问题；

铁水质量参数的输出权值迭代公式如下：

求第一次迭代得到的输出权值共迭代计算求出k+1次迭代得到的各个输出权值为第k次迭代得到的权重矩阵，δ_h,h＝1…m是对应每个输出变量的正则化系数，y_h为第h个输出变量，m为输出变量的维数，H₀初始隐含层输出矩阵，I为单位矩阵；若某次迭代时都小于指定收敛条件E，则停止迭代，最终输出权值矩阵权重矩阵为W_h，k+1代表第k+1次迭代；

所述步骤5，包括：

步骤5.1、当有新的数据块Z_k+1的时候，进行归一化处理，计算数据块Z_k+1的隐含层输出矩阵H_k+1；

步骤5.2、根据鲁棒在线序贯学习阶段的递推公式更新输出权值：

其中，k+1时刻的中间变量为正则化系数，α_h,h＝1…m为遗忘因子法中的遗忘因子，W_h为初始训练数据集中输出变量对应的权重矩阵，为数据块Z_k+1的权重矩阵，为k+1时刻的输出数据，H₀是初始隐含层输出矩阵，I为单位矩阵，是k+1时刻的输出权值。