[发明专利]基于数据与知识双驱动的高炉料面优化方法

权利要求书

1.基于数据与知识双驱动的高炉料面优化方法，其特征在于：包括如下步骤：

步骤1：建立生产指标的数据驱动模型；

其中，数据驱动模型包括生产指标、关键炉况状态参数、料面特征以及动态关系；

步骤1，具体包括如下子步骤：

步骤1.1：选取表征燃料利用率的煤气利用率、表征成本的焦比、表征高炉顺行的透气性指数和表征产品质量的铁水硅含量指标作为生产指标；

步骤1.2：选取表征炉况状态的参数，并进行影响因素分析；结合数据驱动的相关性分析方法，分析参数之间关联度的优劣，获得生产指标与炉况状态参数的定量关系，提取关键炉况状态参数；

步骤1.3：对料面区域进行划分、定义料面特征、选取料面区域的关键点进行特征提取，得到料面特征，具体为：

步骤1.3A定义描述料面的坐标轴为以炉喉零料线位置为x轴，炉心为坐标原点，垂直向下方向为y轴；

步骤1.3B根据料面分布特点，将料面区域进行划分，得到包括漏斗区、平台区和边缘区的料面区域分布；

步骤1.3C依照步骤1.3B得到的料面区域分布，选取五个关键点：漏斗区的最低点、漏斗区中曲线与直线的交界点、漏斗区和平台区的交界点、为平台区和边缘区的交界点以及炉料与炉墙的交界点；

步骤1.3D根据选取的五个关键点的坐标进行描述，得到料面特征；

步骤1.4：将步骤1.2中选择的关键炉况状态参数和步骤1.3中得到的料面特征连同对应的生产指标组成训练集，采用在线序贯超限学习机方法获得生产指标与料面特征和关键炉况状态参数的动态关系；

步骤2：确定高炉料面多目标优化问题，并对该问题进行数学描述；

其中，高炉料面多目标优化问题，包括优化目标、约束条件以及决策变量；

其中，优化目标为煤气利用率和焦比；约束条件为维持铁水硅含量和透气性指数在一定的范围内；决策变量为料面特征；

步骤3：计算料面特征的初始值，具体包括如下子步骤：

步骤3.1：随机产生的料面特征作为初始种群；

步骤3.2：采用NSGA-II方法求得满足步骤2中多目标优化问题的非支配解集；

其中，NSGA-II方法中优化目标的值即为生产指标值；

其中，“数据驱动模型的输入”中的关键炉况状态参数为当前炉况的关键炉况状态参数、料面特征为NSGA-II方法中生成的种群；“数据驱动模型的输出”中的生产指标，即为计算得到的当前炉况下该种群的每个优化目标的值；

步骤3.3：采用多属性决策方法对步骤3.2得到的非支配解集进行优先排序，得到排序结果，再根据排序结果选择得分第一的解作为料面特征的初始值；

步骤4：通过判断料面特征的初始值是否需要被修正、选择需要修正的料面特征、构建关联数据表、挖掘优化目标与料面特征的增量关系，计算得到料面特征的反馈补偿值，具体包括如下子步骤：

步骤4.1：根据优化目标的目标值和将初始值代入步骤1.4建立的动态关系计算得到预测值，再基于预测值和目标值之差ΔJ_k判断料面特征的初始值是否需要被修正，并依据修正判断结果进行对应操作，具体为：

若ΔJ_k小于设定的误差阈值，则认为料面特征的初始值不需要被修正，跳至步骤5；否则，若ΔJ_k大于等于设定的误差阈值，则认为料面特征的初始值需要被修正，跳至步骤4.2；

步骤4.2计算每个料面特征对优化目标的影响程度，依据该影响程度选择需要修正的料面特征；判断该料面特征与优化目标的影响程度是否大于设定的影响度阈值，若是则为需要修正的料面特征，否则为不需要修正的料面特征；

步骤4.3：构建关联数据表；

步骤4.4：采用数据挖掘方法得到优化目标与料面特征的增量关系；具体包括如下子步骤：

步骤4.4A：设定数据挖掘方法中的最小支持度和最小置信度；

步骤4.4B：遍历整个关联数据表并计算每个属性的支持度，若支持度大于等于最小支持度，则属于频繁1项集；若支持度小于最小支持度则不属于频繁1项集；

步骤4.4C：若关联数据表中任意两个属性属于不同的属性标签，则将这两个属性加入候选2项集，然后从中选择支持度大于等于最小支持度的项集为频繁2项集，直到无法发现更高一级的频繁项集；

步骤4.4D：依据频繁项集得到条件属性为前件和决策属性为后件的关联表示，并提取关联表示中置信度大于等于最小置信度的关联表示为优化目标与料面特征的增量关系；

步骤4.5：根据得到的优化目标与料面特征的增量关系计算料面特征的反馈补偿值；

步骤5：获得炉况状态评估模型并依据该评估模型计算当前炉况下的料面特征对应的炉况状态，再根据该炉况状态检测结果判断是否进行容错调整，具体包括如下子步骤：

步骤5.1：将炉况评估因素连同对应的炉况状态组成训练集，采用加权超限学习机方法获得炉况状态评估模型；

其中，炉况评估因素包括步骤1.2和步骤1.3得到的关键炉况状态参数以及料面特征；

其中，炉况状态分为炉况异常和炉况非异常；

步骤5.2：计算当前炉况的料面特征，并根据步骤5.1得到的炉况状态评估模型计算当前炉况的料面特征对应的炉况状态；

其中，当前炉况的料面特征的计算，具体为：若料面特征的初始值不需要被修正，则料面特征为步骤3得到的料面特征的初始值；若料面特征的初始值需要被修正，则料面特征为步骤3得到的料面特征的初始值和步骤4得到的料面特征的反馈补偿值之和；

其中，炉况状态评估模型的炉况评估因素的关键炉况状态参数为当前炉况的关键炉况状态参数；

步骤5.3：根据炉况状态检测结果检测炉况是否异常，并依据检测结果进行容错调整，具体为：若检测出炉况异常，则采用案例推理方法进行容错调整，得到料面的容错调整值；否则，若检测出炉况非异常，则跳至步骤6；

其中，案例推理方法包括案例、建立初始案例库、案例推理以及案例重用；

其中，案例包括状态描述和解；状态描述包括关键炉况状态参数、炉况状态评估结果和料面特征，解为料面特征的容错调整值；初始案例库为按照案例表示的结构整理的生产历史数据；

其中，基于案例推理的容错调整的计算过程为：首先计算当前案例的状态描述与初始案例库中的状态描述的相似度；然后，选取相似度阈值，并从初始案例库中选择相似度大于相似度阈值的案例，将具有相似度值最大的案例的解作为当前案例的料面特征的容错调整值；若初始案例库中不存在大于相似度阈值的匹配案例，则需进行案例重用，具体为：在初始案例库中选取具有最大相似度的Num个案例，其对应的解分别为{s₁,s₂,...,s_Num}，相似度分别为{SIM₁,SIM₂,...,SIM_Num}且SIM₁≤SIM₂≤...≤SIM_Num≤1，则Num个案例的加权解为当前案例的料面特征的容错调整值；

其中，当前案例的状态描述为当前炉况下的关键炉况状态参数、炉况状态评估结果和料面特征；

步骤6：计算最终料面特征，再依据该最终料面特征的拟合料面计算得到最终的料面，具体包括如下子步骤：

步骤6.1：根据步骤3得到的料面特征的初始值、步骤4得到的料面特征的反馈补偿值和步骤5.3中在炉况异常下得到的料面特征的容错调整值计算最终料面特征；

其中，最终料面特征的计算，具体包括如下子步骤：

步骤6.1.A若料面特征的初始值需要被修正，则修正后的料面特征为料面特征的初始值和料面特征的反馈补偿值之和；若料面特征不需要被修正，则修正后的料面特征仍为料面特征的初始值；

步骤6.1.B若修正后的料面特征对应的炉况状态为炉况异常，则最终的料面特征为修正后的料面特征和料面特征的容错调整值之和；否则，若修正后的料面特征对应的炉况状态为炉况非异常，则最终的料面特征为修正后的料面特征；

步骤6.2：利用最终的料面特征拟合料面，获得最终的料面，具体为：首先确定关键点的坐标值与料面特征的关系；然后，采用“曲线-直线-直线-曲线”的方式求得料面的描述方程。