烧结矿低温还原粉化率预测方法及装置
本发明涉及钢铁冶炼,尤其涉及一种烧结矿低温还原粉化率预测方法及装置。
背景技术:
1、低温还原粉化率是评价烧结矿在低温还原气氛下粉化倾向的重要质量指标,通常表示样品经规定低温还原和筛分处理后小于规定粒级部分的质量百分比。低温还原粉化率直接影响烧结矿在高炉上部还原过程中的粉化程度,并进一步影响高炉料柱透气性和运行稳定性。
2、现有生产过程中,低温还原粉化率主要依赖取样、制样和实验室低温还原粉化试验获得,检测结果相对烧结生产存在时间滞后,难以及时支持配矿和烧结工艺调整。烧结矿的tfe、sio2、cao、mgo、al2o3、r2、feo等化学成分与矿相组成、还原行为、黏结相稳定性及粉化倾向存在复杂的非线性关系,因此可利用历史化验数据建立低温还原粉化率预测模型。
3、传统随机森林能够拟合非线性关系,但其节点分裂通常依据方差下降、均方误差或相关性指标,难以说明具体化学成分对低温还原粉化率的充分性和必要性影响;同时,实际烧结数据存在不同车间、日期错位、缺失值、公式错误值、重复检测和边界样本不确定等问题。为此,需要一种能基于真实烧结数据完成匹配清洗、因果特征选择和连续低温还原粉化率预测的方法。
技术实现思路
1、本发明实施例提供了一种烧结矿低温还原粉化率预测方法及装置,以解决无法基于烧结矿化学成分及时、准确预测低温还原粉化率的问题。
2、第一方面,本发明实施例提供了一种烧结矿低温还原粉化率预测方法,包括:
3、获取由烧结矿化学成分和与其对应的连续低温还原粉化率构成的训练样本;
4、从所述训练样本中提取所有化学成分作为候选特征,提取低温还原粉化率作为连续预测目标,根据所述低温还原粉化率生成至少两个模糊目标状态标签;
5、采用有放回采样的方式构建随机森林模型,对于任意一棵回归树的任意一个节点,从当前节点对应的所述训练样本中随机抽取若干个候选特征,并通过模糊阈值约束筛选候选特征的候选分裂阈值;对于任意一个候选特征,基于所述候选分裂阈值将该候选特征的所述训练样本划分两个子集,针对所述模糊目标状态标签统计隶属度加权量,基于所述隶属度加权量计算归一化模糊因果强度;选择归一化模糊因果强度最大的候选特征和对应的候选分裂阈值作为当前节点的最优分裂,递归生成回归树;根据各回归树包含节点的归一化模糊因果强度确定各回归树的权重,得到训练完成的随机森林模型;
6、将待测烧结矿输入所述训练完成的随机森林模型,基于所述权重对多棵回归树的连续预测值加权求和,输出待测烧结矿的低温还原粉化率预测值。
7、在一种可能的实现方式中,所述模糊阈值约束的表达式为:
8、;
9、;
10、其中,
f
j为第
j个候选特征;
v
j
h为特征
f
j的候选分裂阈值,
η为模糊控制参数,p(·)为在当前回归树节点的训练样本上的经验概率,
c
k为第
k个模糊目标状态标签的中心值,
c
k=1表示训练样本属于第
k个模糊目标状态标签,
c
k=0表示训练样本不属于第
k个模糊目标状态标签。
11、在一种可能的实现方式中,所述对于任意一个候选特征,基于所述候选分裂阈值将该候选特征的所述训练样本划分两个子集,针对所述模糊目标状态标签统计隶属度加权量,基于所述隶属度加权量计算归一化模糊因果强度,包括:
12、根据所述候选分裂阈值将所述当前节点的训练样本划分为第一子集和第二子集;
13、针对任意一个所述模糊目标状态标签,计算所述训练样本对该模糊目标状态标签的隶属度;基于所述隶属度计算所述隶属度加权量;根据所述隶属度加权量计算概率比增量;基于所述对所述概率比增量计算所述归一化模糊因果强度。
14、在一种可能的实现方式中,所述至少两个模糊目标状态标签包括低值状态、临界状态和高值状态中的至少两个;所述计算所述训练样本对该模糊目标状态标签的隶属度,包括:
15、通过高斯隶属度函数计算所述训练样本对该模糊目标状态标签的隶属度;
16、所述隶属度函数的计算公式为:
17、;
18、其中,
y为当前训练样本的连续低温还原粉化率,为第
k个模糊目标状态标签对连续低温还原粉化率
y的隶属度;
c
k为第
k个模糊目标状态标签的中心值,
σ
k为第
k个模糊目标状态标签的标准差。
19、在一种可能的实现方式中,所述隶属度加权量包括所述第一子集中的第一状态隶属度加权量和第一非状态隶属度加权量以及所述第二子集中的第二状态隶属度加权量和第二非状态隶属度加权量;基于所述隶属度计算所述隶属度加权量,包括:
20、将所述第一子集中各训练样本对当前模糊目标状态标签的隶属度求和得到所述第一状态隶属度加权量;
21、将所述第一子集中各训练样本对当前模糊目标状态标签的非隶属度求和得到所述第一非状态隶属度加权量;
22、将所述第二子集中各训练样本对当前模糊目标状态标签的隶属度求和得到所述第二状态隶属度加权量;
23、将所述第二子集中各训练样本对当前模糊目标状态标签的非隶属度求和得到所述第二非状态隶属度加权量。
24、在一种可能的实现方式中,所述概率比增量包括第一概率比增量、第二概率比增量、第三概率比增量和第四概率比增量;所述概率比增量的表达式为:
25、;
26、;
27、;
28、;
29、其中,为第一概率比增量,为第二概率比增量,为第三概率比增量,为第四概率比增量,为第一状态隶属度加权量,为第一非状态隶属度加权量,为第二状态隶属度加权量,为第二非状态隶属度加权量。
30、在一种可能的实现方式中,所述归一化模糊因果强度包括高值方向归一化模糊因果强度和低值方向归一化模糊因果强度;所述基于所述对所述概率比增量计算所述归一化模糊因果强度,包括:
31、将所述概率比增量概率比增量进行反正切压缩后计算加权因果得分;
32、将所述加权因果得分进行sigmoid映射后得到所述归一化模糊因果强度;
33、所述归一化模糊因果强度的表达式为:
34、;
35、;
36、;
37、;
38、;
39、其中,为高值方向归一化模糊因果强度,为低值方向归一化模糊因果强度,为sigmoid映射函数,
z
high为高值方向的加权因果得分,
z
low为低值方向的加权因果得分,为第一概率比增量,为第二概率比增量,为第三概率比增量,为第四概率比增量,
ψ(r)为对概率比增量
r进行反正切压缩后的映射值,为反正切函数,
ρ为sigmoid映射的尺度系数。
40、在一种可能的实现方式中,所述根据各回归树包含节点的归一化模糊因果强度确定各回归树的权重,包括:
41、对于任意一节点,比较候选特征在当前模糊目标状态标签对应训练样本中的条件期望和非模糊目标状态标签对应训练样本中的条件期望;当所述当前模糊目标状态标签对应训练样本中的条件期望大于或等于非模糊目标状态标签对应训练样本中的条件期望时,采用高值方向归一化模糊因果强度作为该节点的归一化模糊因果强度;当所述当前模糊目标状态标签对应训练样本中的条件期望小于非模糊目标状态标签对应训练样本中的条件期望时,采用低值方向归一化模糊因果强度作为该节点的归一化模糊因果强度;
42、对于任意一棵回归树,将该回归树中各节点的归一化模糊因果强度求和确定该回归树的所述权重。
43、在一种可能的实现方式中,所述基于所述权重对多棵回归树的连续预测值加权求和,输出待测烧结矿的低温还原粉化率预测值,包括:
44、对于任意一棵回归树,将该回归树对所述待测烧结矿的所述低温还原粉化率预测值与该回归树的所述权重相乘,获得该回归树的预测加权值;
45、将所有回归树的所述预测加权值相加后,与所有回归树的权重和相除,获得所述待测烧结矿的低温还原粉化率预测值。
46、第二方面,本发明实施例提供了一种烧结矿低温还原粉化率预测装置,包括:
47、数据获取模块,用于获取由烧结矿化学成分和与其对应的连续低温还原粉化率构成的训练样本;
48、目标状态生成模块,用于从所述训练样本中提取所有化学成分作为候选特征,提取低温还原粉化率作为连续预测目标,根据所述低温还原粉化率生成至少两个模糊目标状态标签;
49、归一化模糊因果分裂模块,用于采用有放回采样的方式构建随机森林模型,对于任意一棵回归树的任意一个节点,从当前节点对应的所述训练样本中随机抽取若干个候选特征,并通过模糊阈值约束筛选候选特征的候选分裂阈值;对于任意一个候选特征,基于所述候选分裂阈值将该候选特征的所述训练样本划分两个子集,针对所述模糊目标状态标签统计隶属度加权量,基于所述隶属度加权量计算归一化模糊因果强度;选择归一化模糊因果强度最大的候选特征和对应的候选分裂阈值作为当前节点的最优分裂,递归生成回归树;根据各回归树包含节点的归一化模糊因果强度确定各回归树的权重,得到训练完成的随机森林模型;
50、回归预测模块,用于将待测烧结矿输入所述训练完成的随机森林模型,基于所述权重对多棵回归树的连续预测值加权求和,输出待测烧结矿的低温还原粉化率预测值。
51、本发明实施例中,通过生成模糊目标状态标签并采用隶属度加权计算归一化模糊因果强度,实现了在保留连续预测目标的同时利用状态信息进行特征和分裂阈值选择,达到了降低边界样本硬离散化误差、提高分裂选择准确性的技术效果。通过根据各回归树节点的归一化模糊因果强度确定树权重并对连续预测值加权求和,实现了对不同回归树预测结果的自适应融合,达到了提高低温还原粉化率预测稳定性和准确性的技术效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com