[发明专利]基于多工况模式辨识的烧结过程碳效在线预测方法及设备

权利要求书

1.一种基于多工况模式辨识的烧结过程碳效在线预测方法，其特征在于：包括以下步骤：

S1：以综合焦比作为衡量烧结过程的碳效指标，根据烧结机理分析和数据相关性分析确定影响碳效的关键烧结参数；影响碳效的所述关键烧结参数包括：台车速度、料层厚度、烧结终点位置、烧结终点温度、风箱负压、垂直燃烧速度以及与碳效指标相关性最高的3个风箱的温度；所述关键烧结参数在不同工况模式下具有不同特性；

S2：获取若干样本数据点，每个样本数据点对应一组历史关键烧结参数及碳效指标数据，对所述若干样本数据点进行时序配准和平均值滤波处理后，再采用近邻传播聚类算法进行聚类处理，最终得到C个范例数据点和C种聚类，一种聚类对应一个范例数据点；一种聚类对应一种工况模式，实现了自动辨识烧结过程多种工况模式；C为大于0的正整数；范例数据点来源于样本数据点；

S3：运用基于混合核的最小二乘向量机建模方法建立不同工况模式下的碳效预测模型，所述碳效预测模型的输入变量为所述关键烧结参数，输出变量为碳效指标；基于混合核的最小二乘向量机建模方法包括以下步骤：

(3-1)若影响烧结碳效的关键烧结参数和碳效指标组成的训练样本数据集为{(x_i,y_i),i＝1,2,...,N}，其中，x_i是第i组输入变量，y_i是第i组碳效指标；辨识的第h种工况模式有N_h组样本数据，且满足C为工况模式的种类数目；则在第h种工况模式下，采用非线性映射函数建立烧结过程碳效的回归预测模型为：

y^h＝＜ω,φ(x)＞+β＝ω^Tφ(x)+β

其中，φ(x)是非线性映射函数，ω是权值向量，β是偏离量；

(3-2)基于结构风险最小化原理，将上述回归预测模型的回归问题表示为如下所示的约束优化问题：

s.t.y^h＝ω^Tφ(x_o)+β+e_o,o＝1,2,...,N_h

其中，γ是正则化参数，γ0，e_o是所述回归预测模型的拟合误差；

(3-3)利用拉格朗日技术解决上述约束优化问题，得到如下所示的基于混合核的最小二乘向量机的碳效预测模型：

其中，α_o是拉格朗日乘子，设定实际关键烧结参数数据为x，K_H(x,x_o)是混合核函数，该混合核函数被构造为：

K_H＝τK_P+(1-τ)K_R

其中，τ是一个比例常数，且0≤τ≤1，K_P是多项式核函数，ρ多项式核参数，K_R是径向基核函数，σ是径向基核宽度参数；

S4：分别计算获取的实际关键烧结参数数据与C个范例数据点之间的马氏距离，调用最小马氏距离对应的工况模式下的所述碳效预测模型，将所述实际关键烧结参数数据输入到该碳效预测模型中，进行碳效的在线预测。

2.如权利要求1所述的一种基于多工况模式辨识的烧结过程碳效在线预测方法，其特征在于：步骤S1中所述的综合焦比的计算公式为：

其中，η是综合焦比(kg/t)，C_c是焦粉配比(％)，M是烧结原料的质量(kg)，η_r表示烧结成品率(％)，η_t表示烧损率(％)。