一种炼铁高炉炉芯死料柱温度的预测方法与流程

1.本发明涉及冶金信息处理技术领域，具体涉及一种炼铁高炉炉芯死料柱温度的预测方法。


背景技术：

2.炼铁是钢铁冶炼的重要工序，在钢铁工业中有着重要地位，炼铁高炉稳定顺行的条件及使用寿命是很有研究价值问题。高炉寿命受多个因素影响，其中炉缸区域对高炉运作及寿命有很大影响。高炉稳定顺行要求炉内温度在合理范围内，原料充分燃烧才能保证出铁的质量和效率。因此实时准确地分析炉缸状态十分重要，对此有研究人员提出了用炉缸活性来表征炉缸运行状态。现有技术无法直接探索炉缸活性，但高炉生产时的参数可以间接反映炉缸活性。
3.研究人员kalevi raipala在2000年提出了使用炉芯死料柱温度估计炉缸活性的方法，但该方法不适用高延时特性的大型高炉。研究人员代兵在此基础上修正了理论燃烧温度和炉渣流动指数的计算方法，得到新的评估炉缸活性的炉芯死料柱温度计算公式。但是该公式过度依赖冶金经验，公式繁琐且部分参数不易获取，无法对高炉状态做出实时预警。
4.针对上述问题，此前发明人提出了解决方案，发明创造名称为：一种基于多元线性回归算法预测炼铁高炉炉芯死料柱温度的方法(申请号：201811086634；申请日：2018年9月18日)。该方案首先对数据预处理并计算炉芯死料柱温度，用pearson相关系数提取特征参数，接着通过最小二乘法和基于aic准则筛选条件变量，用多元线性回归方程拟合多元线性回归模型，并检验拟合优度与回归系数。上述发明专利申请中第一次提出使用多元线性回归算法预测炉芯死料柱温度，可以实现未来五天内的高精度预测，而且实现了对高炉状态的预警功能。但是，该方法的不足之处在于回归建模过程中样本特征空间存在多重共线性的不足。
5.针对存在多重共线性问题，有些研究人员提出了使用岭回归方法建立模型，发明创造名称为：一种预测炼铁高炉炉芯死料柱温度的方法(申请号：201910686630.1；申请日：2019年7月29日)。该方案首先对数据预处理并计算炉芯死料柱温度，用pearson相关系数提取特征参数并使用主成分分析筛选特征，根据筛选后的特征用岭回归方法建立回归模型，检验模型拟合优度。建立的岭回归模型通过引入岭参数改变最小二乘法中对回归系数估计的不稳定性，参数估计值更加稳定。但是，通过观察发现数据是无规则波动的，模型为了尽可能拟合整体样本的炉芯死料柱温度值，会出现局部误差较大，主要表现为预测值较前一时刻变化趋势与实际值较前一时刻变化趋势不同的现象。为此，提出一种炼铁高炉炉芯死料柱温度的预测方法。


技术实现要素：

6.本发明所要解决的技术问题在于：如何解决现有预测方法中模型为拟合整体数
据，导致局部误差较大，主要表现在炉芯死料柱温度值的预测值较前一时刻变化趋势与实际值较前一时刻变化趋势不同这一问题，提供了一种炼铁高炉炉芯死料柱温度的预测方法，该方法研究的数据是时间序列，利用时序上的信息分析参数与炉芯死料柱温度变化趋势的关联，可以将回归模型部分预测值按照正确的变化趋势调整，进一步减小误差，优化炼铁高炉炉芯死料柱温度的预测结果。
7.本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
8.s1：采集参数及炉芯死料柱温度样本数据并预处理，基于最大信息系数提取特征参数，并按设定比例划分训练集与测试集得到第一数据集，将第一数据集每一列在时序上的变化趋势用标签表示出来，得到第二数据集；
9.s2：在第一数据集上使用岭回归方法拟合参数与炉芯死料柱温度的回归模型，使用高斯核支持向量机在第二数据集上分析时序上变化趋势的关联；
10.s3：根据对变化趋势的分析调整岭回归模型的预测结果。
11.更进一步地，在所述步骤s1中，参数的数量为多个，预处理内容包括对缺失值进行填补以及剔除异常值，其中对含有少量缺失值的参数采用均值填充，对于有相关性的参数，缺失值由其他与其相关的参数完整数据预测填补。
12.更进一步地，在所述步骤s1中，炉芯死料柱温度的计算公式如下：
13.dmt＝(0.165
×
t
f
×
v
bosh
)/d3 2.445
×
(fr
‑
483) 2.91
×
(δ
t
‑
107)
14.‑
11.2
×
(β
co,c
‑
27.2) 28.09
×
(d
pcoke
‑
25.8) 326
15.其中，dmt为炉芯死料柱温度，t
f
为理论燃烧温度，v
bosh
为炉腹煤气，d为炉缸直径，fr为燃料比，δ
t
为渣铁流动温度，β
co,c
为co的利用率，d
pcoke
为炉芯死料柱焦炭尺寸。
16.更进一步地，在所述步骤s1中，将数据归一化，基于最大信息系数mic提取与炉芯死料柱温度的mic值大于设定值的参数，得到第一数据集，所述最大信息系数定义如下：
[0017][0018]
式中a和b表示将x轴和y轴分别划分成a个和b个等分，形成a*b网格，b表示a*b的上限。
[0019]
更进一步地，在所述步骤s1中，参数或炉芯死料柱温度较前一时刻上升或不变记为 1，下降记为
‑
1。
[0020]
更进一步地，在所述步骤s2中，采用岭回归方法，对参数和炉芯死料柱温度变化趋势的分析是一个分类过程，通过参数变化得到对应炉芯死料柱温度变化。
[0021]
更进一步地，在所述步骤s2中，高斯核支持向量机的损失函数为：
[0022][0023][0024]
式中φ(x)表示原来样本点x映射到新特征空间后的向量，高斯核函数为：
[0025]
[0026]
更进一步地，在所述步骤s3中，根据样本参数较前一时刻的变化趋势预测该样本炉芯死料柱温度较前一时刻的变化趋势，对需要上调的值加上设定的修正参数，需要下调的值减去设定的修正参数。
[0027]
更进一步地，将回归模型预测当前的炉芯死料柱温度值与前一时刻预测值比较，判断上升还是下降，再根据当前参数变化趋势分析当前炉芯死料柱温度应该上升还是下降，若变化趋势得出当前为 1而回归模型当前预测值小于前一时刻预测值则加上设定的修正参数，若变化趋势得出当前为
‑
1而回归模型当前预测值大于前一时刻预测值则减去设定的修正参数。
[0028]
本发明相比现有技术具有以下优点：该炼铁高炉炉芯死料柱温度的预测方法，在数据填补时使用了变量间相关性进行填补，比仅在缺失值附近使用均值填充更准确；挖掘利用数据的时序信息，分析参数与炉芯死料柱温度变化趋势的关联，优化了回归模型预测精度；分析了参数与炉芯死料柱温度在时序上变化趋势的关联，采用的高斯核非线性支持向量机有最高的准确率，结合变化趋势分析的结果对岭回归模型部分预测值进行适当调整，提高了预测准确度，进而提高了对炉缸活性的预警能力。
附图说明
[0029]
图1是本发明实施例中50个参数名称示意图；
[0030]
图2是本发明实施例中炼铁高炉炉芯死料柱温度的预测方法的实施流程示意图；
[0031]
图3是本发明实施例中用线性插值填补缺失值原理图(由已知的(x0,y0)和(x1,y1)计算它们之间的一个未知量)；
[0032]
图4是本发明实施例中用参数相关性填补缺失值的结果图(虚线右侧下方曲线是根据上方曲线预测出来的)；
[0033]
图5是本发明实施例中构建用于变化趋势分析的数据集2的过程示意图，十列数据从左到右依次对应富氧流量、冷风温度、20.080m炉身静压a、20.080m炉身静压b、26.025m炉身静压b、26.025m炉身静压c、下部压差、富氧率、理论燃烧温度、炉芯死料柱温度；
[0034]
图6是本发明实施例中岭回归拟合样本点的示意图；
[0035]
图7是本发明实施例中支持向量机原理图(两虚线之间距离表示最大间隔)；
[0036]
图8是高斯核支持向量机在数据集2上的分类可视化图(圆点代表炉芯死料柱温度较前一时刻变化趋势为下降，小三角代表炉芯死料柱温度较前一时刻变化趋势为上升)；
[0037]
图9是本发明实施例中改进的回归模型在改变修正参数时的平均绝对误差变化曲线；
[0038]
图10是本发明实施例中单一回归模型(左饼图)与结合变化趋势分析改进的回归模型(右饼图)预测值在合格范围内个数占总体百分比的饼图。
具体实施方式
[0039]
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0040]
实施例一
[0041]
本实施例提供一种技术方案：一种炼铁高炉炉芯死料柱温度的预测方法，利用参数与炉芯死料柱温度数据在时序上的信息，分析它们变化趋势的关联，减小对炉芯死料柱温度的预测误差，包括以下步骤：
[0042]
步骤1：采集样本数据并预处理，基于最大信息系数提取特征划分训练集测试集得到数据集1，将数据集1中每一列即提取的参数序列和炉芯死料柱温度序列在时序上的变化趋势用1或
‑
1表示出来，得到数据集2。
[0043]
步骤2：在数据集1上使用岭回归方法拟合参数与炉芯死料柱温度的回归模型，使用高斯核支持向量机在数据集2上分析时序上变化趋势的关联。
[0044]
步骤3：结合对变化趋势的分析合理调整岭回归模型对炉芯死料柱温度的预测结果，进一步减小预测误差。
[0045]
在本实施例中，在步骤1中，所述的参数有50个，如图1所示。
[0046]
在本实施例中，在步骤1中，的预处理内容包括对缺失值进行填补以及剔除异常值。对含有少量缺失值的参数采用均值填充，对于几个强相关的参数，其中缺失值由其他参数完整数据预测填补。
[0047]
在本实施例中，计算炉芯死料柱温度的公式如下：
[0048]
dmt＝(0.165
×
t
f
×
v
bosh
)/d3 2.445
×
(fr
‑
483) 2.91
×
(δ
t
‑
107)
[0049]
‑
11.2
×
(β
co,c
‑
27.2) 28.09
×
(d
pcoke
‑
25.8) 326
[0050]
其中dmt为炉芯死料柱温度，t
f
为理论燃烧温度，v
bosh
为炉腹煤气，d为炉缸直径，fr为燃料比，δ
t
为渣铁流动温度，β
co,c
为co的利用率，d
pcoke
为炉芯死料柱焦炭尺寸。
[0051]
在本实施例中，炉缸直径为14.8米，燃料比在500到530之间，焦炭尺寸在30mm到40mm之间，渣铁流动温度在
‑
20℃到120℃之间。求出每个样本炉芯死料柱温度最大值和最小值，求平均得到该样本的dmt。删去炉芯死料柱温度值低于1300℃和大于1500℃的异常样本，使用z
‑
score方法删去参数值明显偏离整体的异常样本，z
‑
score公式如下：
[0052][0053]
式中x
i
是第i个数据点，μ是所有数据点的平均值，σ是所有数据点的标准差，设定阈值为3.0，如果|z
i
|大于3.0则认为该数据点是异常点。
[0054]
在本实施例中，在步骤1中，采集到数据后，将数据归一化，基于最大信息系数(mic)提取与炉芯死料柱温度mic值大于0.6的9个参数，得到数据集1，最大信息系数定义为：
[0055][0056]
其中，a和b表示将x轴和y轴分别划分成a个和b个等分，形成a*b网格，b表示a*b的上限。根据数据集1中每个样本参数及炉芯死料柱温度值较前一时刻的变化打标签得到数据集2，如图5(对应图2(c))所示。目的是把变化趋势转化为数据形式，以便对变化趋势进行有效分析。
[0057]
在本实施例中，在步骤2中，如图6(对应图2(d))所示，采用岭回归方法。对参数和炉芯死料柱温度变化趋势的分析实质上是一个分类过程，通过参数变化得到对应炉芯死料柱温度变化。本实验采用高斯核支持向量机，相比于其他分类器它的效果更优，能更准确预
测当前炉芯死料柱温度较前一时刻的变化趋势，如图7(对应图2(e))所示，损失函数为：
[0058][0059][0060]
式中λ是约束条件的待定系数，φ(x)表示原来样本点x映射到新特征空间后的向量，高斯核函数是两个向量欧氏距离的单调函数，σ是带宽，x和z是样本向量，||x
‑
z||表示向量的范数，可以理解为向量的模，高斯核函数为：
[0061][0062]
在本实施例中，在步骤3中，是由于回归模型需要拟合整体数据，数据是无规则波动的，局部出现了炉芯死料柱温度预测值较前一时刻变化与真实值较前一时刻变化不同的现象。针对这类现象使用分析变化趋势的方法，根据样本参数较前一时刻的变化趋势预测该样本炉芯死料柱温度较前一时刻的变化趋势，对预测结果需要上调的炉芯死料柱温度加上设定的修正参数，对预测结果需要下调的炉芯死料柱温度减去设定的修正参数。
[0063]
实施例二
[0064]
步骤1：采集高炉工作时的数据并预处理，具体的预处理手段是对于有极少缺失值的参数用线性插值填补，如图3(对应图2(a))所示；对于有相关性的两参数，用完整的参数估计有缺失参数的缺失值，如图4(对应图2(b))，比如“十字中心温度”这一参数有少量缺失值，与数据完整的“边缘平均温度”参数相关系数为0.91，属于具备极强相关性的两参数，利用相关性填补比仅在缺失值附近使用均值填充更准确。炉芯死料柱温度低于1300℃和大于1500℃的样本归为异常，各参数中偏离整体数据分布的认为是异常值，去除异常数据后得到1955个小时的数据，没有破坏数据的时序性。基于最大信息系数提取所有参数(50个，如图1所示)中的主要特征参数，并按7:3划分训练集与测试集得到数据集1，最大信息系数定义：
[0065][0066]
其中，a和b表示将x轴和y轴分别划分成a个和b个等分，形成a*b网格，b表示a*b的上限。对数据集1打标签，具体是参数及炉芯死料柱温度较前一时刻上升或不变记为 1，下降记为
‑
1，按7:3划分训练集与测试集得到含有趋势变化标签的数据集2。
[0067]
步骤2：在数据集1上使用岭回归方法拟合参数与炉芯死料柱温度的回归模型，并在测试集上检验拟合优度防止过拟合。岭回归是在最小二乘基础上加了l2正则，每个特征权重不会太大，损失函数如下：
[0068][0069]
损失函数对w求偏导为0时有极小值，求得：w＝(x
t
x λe)
‑1x
t
y即为模型参数，式中x是样本特征值，w是特征权重，y是每个样本对应的真实
值，λ是惩罚项系数。
[0070]
接下来实现对参数和炉芯死料柱温度在时序上变化趋势的分析，使用高斯核支持向量机在数据集2上对参数与炉芯死料柱温度变化趋势进行分析，可视化如图8(对应图2(f))所示，其原理是将离分类超平面最近的样本点与超平面的间隔最大化：
[0071][0072]
上式等价于损失函数为：
[0073][0074]
式中x是样本特征值，w是权重向量，y是样本类别标签，b是偏置项，λ是约束条件的待定系数，求可对b，w求偏导并令其为0：
[0075][0076]
将上面结果代入l(w,b,λ)中得到：
[0077][0078]
转化为支持向量机对偶问题：
[0079][0080][0081]
一定存在w
*
,λ
*
是问题的解，由约束条件得得到的分类决策函数为：
[0082]
f(x)＝sign(w
*t
x b
*
)
[0083]
其中sign(x)函数是符号函数，当x<0，结果为
‑
1；当x＝0,结果为0；当x>0，结果为1。对于非线性问题，要将样本x通过映射函数φ(x)映射到高维空间，决策函数为：
[0084][0085]
步骤3：结合对变化趋势的分析合理调整岭回归模型的预测结果，通过给需要调整的预测值加上或减去一个自由设定的修正参数进一步减小预测误差。
[0086]
在本实施例中，具体是将回归模型预测当前的炉芯死料柱温度值与前一时刻预测值比较，观察是上升还是下降，再根据当前参数变化趋势分析当前炉芯死料柱温度应该上升还是下降，若变化趋势得出当前为 1而回归模型当前预测值小于前一时刻预测值则加上自由设定的修正参数，若变化趋势得出当前为
‑
1而回归模型当前预测值大于前一时刻预测值则减去自由设定的修正参数。
[0087]
在本实施例中，采用的高斯核非线性支持向量机有最高的准确率，结合变化趋势分析的结果对岭回归模型部分预测值进行适当调整，预测值的修正参数设置在0
‑
4℃之间，总体上减小了预测误差，比使用单一岭回归模型效果更优。效果如图9所示，可以看到随着修正参数从0到4.0变化，改进的五个回归模型平均绝对误差都是先逐渐减小，然后又逐渐增大，最优修正参数都大约在3.0左右，在最优修正参数附近误差变化缓慢。ridge这种线性方法结合优化模型后，误差下降幅度更明显，说明参数和炉芯死料柱温度之间线性相关程度比较大，用pearson相关系数提取特征也能达到很好效果。
[0088]
在本实施例中，图10中饼图展示了单一回归模型和改进的回归模型(修正参数为3.0)预测值在合格范围内的个数占总体的百分比。结合优化回归模型对部分预测值调整后，炉芯死料柱温度预测值平均绝对误差减小，误差在5℃以内的预测值个数也增加，提高了对炉缸活性的预警能力。
[0089]
综上所述，上述实施例的炼铁高炉炉芯死料柱温度的预测方法，在数据填补时使用了变量间相关性进行填补，比仅在缺失值附近使用均值填充更准确；挖掘利用数据的时序信息，分析参数与炉芯死料柱温度变化趋势的关联，优化了回归模型预测精度；分析了参数与炉芯死料柱温度在时序上变化趋势的关联，采用的高斯核非线性支持向量机有最高的准确率，结合变化趋势分析的结果对岭回归模型部分预测值进行适当调整，提高了预测准确度，进而提高了对炉缸活性的预警能力。
[0090]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。