[发明专利]一种基于IPSO-HKELM的高炉铁水硅含量预测方法

说明书

本发明属于工业过程监控技术领域，尤其涉及一种基于IPSO‑HKELM的高炉铁水硅含量预测方法。其技术要点如下，S1.获取高炉炼铁样本数据，其中，每个高炉炼铁样本数据中包含个特征；S2.将获取的高炉炼铁样本数据输入到铁水硅含量预测模型；S3.铁水硅含量预测模型根据输入的高炉炼铁样本数据输出铁水硅含量。本发明中基于IPSO‑HKELM的高炉铁水硅含量预测的方法，将核函数与传统的极限学习机相结合，提出一种核极限学习机模型，直接采用核函数代替隐含层节点的显示映射，无需给定隐含层节点数，然后用改进的粒子群算法优化核参数，最终得到的模型计算速度快，泛化性能好。得到的铁水硅含量精度较高且该方法效率高、成本低。

技术领域

本发明属于工业过程监控技术领域，尤其涉及一种基于 IPSO-HKELM的高炉铁水硅含量预测方法。

背景技术

铁水硅含量是表征高炉炼铁过程路况及其变化趋势的关键信息，能较好地反应铁水质量、能耗等生产工艺指标。但铁水硅含量无法直接在线实时检测，导致对炉况调控的不及时和调控操作的盲目性。

有鉴于上述现有技术中存在的缺陷，本发明人基于从事此类材料多年丰富经验及专业知识，配合理论分析，加以研究创新，开发一种基于IPSO-HKELM的高炉铁水硅含量预测方法，研究如何实时获取铁水硅含量及其变化趋势，对稳定高炉炉况、减少炉况波动、提高生铁质量和降低焦比等具有重要意义。

发明内容

本发明的目的是提供一种基于IPSO-HKELM的高炉铁水硅含量预测方法，得到的铁水硅含量精度较高且该方法效率高、成本低。

本发明的上述技术目的是通过以下技术方案得以实现的：

本发明提供的一种基于IPSO-HKELM的高炉铁水硅含量预测方法，包括如下操作步骤：

S1.获取高炉炼铁样本数据，其中，每个高炉炼铁样本数据中包含m个特征；

S2.将获取的高炉炼铁样本数据输入到铁水硅含量预测模型；

S3.铁水硅含量预测模型根据输入的高炉炼铁样本数据输出铁水硅含量。

进一步的，在步骤S2中，先利用主成分分析方法对高炉炼铁样本数据进行处理，再将其输入到铁水硅含量预测模型。在本发明中，影响铁水硅含量的变量数据彼此之间有一定的相关性，为了降低建模的复杂度和提高模型的训练时间，需要去除变量的冗余信息。而主成分分析法(Principal Component Analysis，以下简称PCA)旨在利用降维的思想，把多指标转化为几个综合指标(即主成分)，其中每个主成分都能反映原始变量的大部分信息，且所含信息互不重复。因此要将所述影响铁水硅含量的变量历史数据利用主成分分析法进行处理后再利用所述铁水硅含量预测模型预测铁水硅含量。

进一步的，铁水硅含量预测模型是基于改进粒子群算法优化的混合核极限学习机的高炉铁水硅含量预测模型。极限学习机(Extreme Learning Machine，以下简称ELM)神经网络是Huang在2004年提出的一种单隐含层前馈神经网络。传统的BP神经网络主要是基于梯度下降算法，该方法通常会由于运行不当或者陷入局部极小而变得非常缓慢。而ELM神经网络的特点是随机生成隐含层节点参数，训练模型速度快，并具有更好的泛化性能。通常在极限学习机神经网络中，权值矩阵和偏置向量是随机给定的，这将导致极限学习机的部分权值和偏差不能达到最优，所以每一次输出的结果差异比较大。粒子群优化(ParticleSwarm Optimization，以下简称PSO)算法是一种全局优化算法。因此，混合核极限学习机和粒子群优化算法结合起来，可以对混合核极限学习机的核参数进行全局优化，但是传统的PSO在粒子速度的更新过程中采用恒定不变的惯性权重，将会造成PSO后期陷入局部最优，因此本发明的方法中在粒子群优化算法中引入线性递减的惯性权重来克服该缺点。因此本发明采用改进粒子群优化算法来对混合核极限学习机的核参数进行全局优化，获得的具有最优核参数的改进粒子群算法优化的混合核极限学习机可用于对高炉铁水硅含量进行预测。