基于CJS-SLLE降维的转炉炼钢终点碳温预测方法

基于cjs-slle降维的转炉炼钢终点碳温预测方法
技术领域
1.本发明属于复杂工业过程建模和软测量技术领域，具体涉及基于cjs-slle降维的转炉炼钢终点碳温预测方法。


背景技术：

2.转炉炼钢是我国最主要的炼钢方法，尤其是中国经济的繁荣发展对钢铁需求的增加，促进了钢铁业的进一步发展。炼钢中，关键在于对转炉炼钢终点的碳温检测，即钢水中碳含量达到所炼钢种的控制范围，出钢温度能保证顺利进行精炼、浇注。因此，实现转炉炼钢终点碳温的准确实时预报，能够有效控制出钢时间，减少补吹次数，对提高冶炼效率、降低冶炼成本和绿色发展具有重要意义。
3.目前，对转炉炼钢终点碳含量和温度的检测主要有经验炼钢法、副枪检测法和炉气分析法等接触式碳温检测方法；随着计算机技术和人工智能领域的发展，在此基础上涌现出了光学图像法、炉口火焰图像处理法和基于数据驱动的软测量建模法等非接触式碳温检测方法。其中，经验炼钢法主要是靠操作人员结合冶炼过程中加入的工料、吹炼情况和观察炉口火焰动态特征及声音的变化进行转炉炼钢终点的判断，人为影响因素大且效率较低；副枪检测法是将一次性探头装到副枪上插入熔池中进行测量，其设备系统复杂，对厂房高度要求严格，只能应用于大型转炉中使用，不适用于中小型转炉炼钢生产；炉气分析法是通过采集设备获取管道中炉气送到专用检测设备分析炉气成分预测钢水碳温，其对炼钢中供气系统要求较高，需要避免氧压波动对吹炼的影响，以及炉气采样送检滞后时间所带来的影响，难以对转炉炼钢吹炼终点碳温做到准确实时检测。
4.以上接触式碳温检测方法预测精度主要是受限于操作人员的专业性和设备仪器的精确性。而随着智能检测技术的发展，可以通过炼钢终点的光谱信息，炉口火焰图像信息和生产过程数据建立碳温终点预测模型判别。其中，光谱图像法由于实际熔池内复杂环境和烟气的干扰影响火焰光谱图像的有效采集，影响光谱信息的识别；火焰图像处理法由于纹理特征复杂多变，提取难度高，影响预测精度。
5.因此，当下需要一种能减小外界影响，并准确测量转炉炼钢终点碳温的方法。演化出基于数据驱动的软测量建模方法，用于解决实际工业中关键变量难以测量的问题；由于生产过程数据具有高维度、非线性的特点，直接对高维数据进行相似性度量较为困难，因此需要先采用降维的方式进行特征提取解决数据维度过高问题；现有技术中，通过降维方式提取重要低维特征提升了模型预测性能，然而这类方法由于没有考虑到输出标签信息在降维中的监督作用，性能提升有限。


技术实现要素：

6.为了解决上述转炉炼钢生产过程数据高维度、非线性和数据波动大的技术问题，本发明提供了一种基于cjs-slle降维的转炉炼钢终点碳温预测方法，通过在距离度量中引入量化后的碳温标签信息从而构造了一种带有监督信息的度量方式实现类内类间方差的
调整，然后在带标签信息的基础上引入数据间方向信息，从而实现了样本标签、方向和距离三者信息融合的一种新型cjs相似性度量策略，应用到局部线性嵌入中获得高维训练样本低维坐标。
7.为了达到上述技术效果，本发明是通过以下技术方案实现的：一种基于cjs-slle降维的转炉炼钢终点碳温预测方法，其特征在于，具体包括以下步骤：
8.s1、采集钢厂实际转炉炼钢生产过程数据；
9.s2、归一化处理上述s1采集的数据；
10.s3、将原始高维过程数据划分为训练样本x＝[x1,x2,
…
,xn],x∈rd×n和测试样本x
new
＝[x
new1
,x
new2
,
…
,x
newm
]，x
new
∈rd×m；
[0011]
s4、采用cjs-slle监督降维算法分别提取高维训练样本和测试样本的低维特征；
[0012]
s4.1、构造融合距离、碳温标签信息和数据间方向信息cjs相似性度量策略；
[0013]
s4.2、基于cjs相似性度量策略对高维训练样本实现监督降维，提取低维特征；
[0014]
s4.3、通过自适应局部线性投影算法，根据高维训练样本及其低维特征提取待测样本蕴含标签信息的低维特征；
[0015]
s5、根据即时学习算法，在低维训练样本中采用灰色关联度选出与待测样本关联性最强的相似样本子集作为局部模型训练样本；
[0016]
s6、将当前待测样本与对应相似样本子集输入到偏最小二乘局部回归预测模型中进行终点碳含量与温度的预测；
[0017]
s7、对下一个待测样本重复步骤5与步骤6。
[0018]
进一步的，所述s4.1具体包括以下步骤：
[0019]
s1、将用于度量两个随机变量概率分布之间的差别(或相似度)的js散度作为相似性度量中的距离度量准则，衡量样本间距离相近程度；
[0020][0021][0022]
s2、提取转炉炼钢终点碳含量或温度标签值为b＝[b1,b2,
…
,bn]，将碳含量和温度标签值统一量化为标签信息ki；
[0023][0024]
其中，bi为样本xi对应的碳温标签值，
[0025]
c为样本标签值的小数位数，
[0026]ki
为样本对应的量化后标签信息；
[0027]
s3、在js散度距离度量中引入碳温标签信息从而重构度量函数；
[0028][0029]
s4、利用余弦相似度与引入样本碳温标签信息的js散度相似性度量准则，构建融合距离、标签和方向信息的cjs相似性度量策略，算法如下：
[0030][0031][0032]dcjs
(p,q)相似度值越大，代表样本间相似度越高。
[0033]
进一步的，所述s4.2具体包括以下步骤：
[0034]
s1、寻找k近邻点：采用cjs相似性度量策略计算原始训练数据中样本点与其他样本点的相似度，选择与当前样本相似度最大的前k个样本点作为该样本点的近邻点；
[0035]
s2、线性重构：通过k近邻点以权值的方式线性表示样本点xi，然后最小化误差函数计算其局部重构权值系数；
[0036][0037]
约束条件为其中qi为xi的k近邻下标集合；
[0038]
s3、计算低维嵌入坐标：局部线性嵌入算法高维空间和低维空间下的权值系数是保持不变的，因此最小化低维空间下的误差函数得到训练样本低维特征坐标y＝[y1,y2,
…
,yn],y∈rd×n；
[0039]
将w
ij
构造为权值矩阵w＝[w
ij
]n×n，定义一个稀疏、对称的半正定矩阵m＝(i-w)
t
(i-w)，得到目标函数如下：
[0040]
[0041]
即约束条件为yy
t
＝i。根据lagrange乘子法计算，得到即求得m的特征向量等价于得到低维嵌入坐标y。经过特征值分解计算得到m矩阵前d个最小非零特征值所对应的特征向量构成的矩阵就是x的低维空间坐标矩阵y。
[0042]
进一步的，所述s4.3具体包括以下步骤：
[0043]
s1、通过不包含标签信息的cjs相似性度量策略计算待测样本x
newi
与原始高维训练样本中所有样本xi的相似度sii，对sii从大到小进行排序，通过自定义设定阈值确定与当前待测样本相似度最接近的样本点，得到待测样本近邻训练样本高维与低维坐标x
l
＝[x1,x2,
…
,x
l
]，x
l
∈rd×
l
、y
l
＝[y1,y2,
…
,y
l
]，y
l
∈rd×
l
；选取前n个与原始高维训练样本最大相似度sii的均值作为选取l个相似样本的阈值，确定相似样本的个数，n＝30；
[0044][0045]
s2、寻找待测样本相应近邻点高维数据与低维数据间映射矩阵a＝[a1,a2,
…
,ad]
t
，使其满足映射关系y
l
＝ax
l
；
[0046][0047]aj
＝(xx
t
βi)-1
xyi[0048][0049]
其中1≤j≤d，
[0050]
代表yi的第j个元素，
[0051]
β》0是正则化参数，
[0052]
i表示d
×
d的单位矩阵，由噪声量值δ2确定β值，
[0053]
γi代表xx
t
的从小到大排序的非零特征值；
[0054]
s3、根据待测样本特定的映射矩阵a，计算待测样本x
newi
相应的低维嵌入坐标y
newi
；
[0055]ynew
＝ax
new
。
[0056]
本发明的有益效果是：
[0057]
1、原始高维数据通过在距离度量中引入样本碳温标签和方向信息的cjs-slle降维算法进行特征提取，使无监督的lle变成有监督的降维过程：而自适应局部线性投影方法在原始训练样本中自适应寻找可局部线性表示当前待测样本的样本点及其对应低维坐标，在二者之间寻找相应的映射矩阵，解决了待测样本监督降维时无标签信息的难点。
[0058]
2、面向转炉炼钢生产过程数据，通过提出的cjs-slle算法分别实现训练样本和待测样本的有监督降维，进而将有监督降维方法与即时学习策略相结合构造局部模型建立转炉炼钢终点碳温软测量模型，实现了碳含量和温度的实时准确预报。
[0059]
3、通过与现有技术进行对比，以预测精度(predictionaccuracy，pa)、均方根误差
(root mean square error，rmse)和平均绝对百分比误差(meanabsolute percentage error，mape)作为评价指标，根据表1、图1和图2仿真实验结果，本文方法与其他方法对比表明，本文发明方法比现有技术具有更好的预测性能。
[0060]
本技术与现有技术实验对比结果
[0061]
附图说明
[0062]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0063]
图1是本发明基于cjs-slle降维的转炉炼钢终点碳温预测方法流程图；
[0064]
图2是本发明步骤4中cjs-slle监督降维算法图；
[0065]
图3是本发明的碳含量预测精度与各方法验证对比；
[0066]
图4是本发明的温度预测精度与各方法验证对比。
具体实施方式
[0067]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附
图。
[0068]
实施例1：如图1-2所示，基于cjs-slle降维的转炉炼钢终点碳温预测方法。通过在距离度量中引入量化后的碳温标签信息从而实现带有监督信息的度量方式，然后兼顾数据间方向因素在监督度量基础上引入数据间方向信息构造出一种符合过程数据特性的新型cjs相似性度量策略，应用到局部线性嵌入中实现训练样本的监督降维，进一步通过一种自适应局部线性投影算法快速获取新增待测样本蕴含监督信息的低维坐标。最后根据jitl算法在低维训练样本中采用灰色关联度选出与待测样本关联性最强的样本子集输入到偏最小二乘回归局部模型中实现终点碳温预报。具体步骤如下：
[0069]
步骤1、采集钢厂实际转炉炼钢生产过程数据；
[0070]
步骤2、通过最大最小归一化原则，将过程数据特征统一在[0,1]之间，消除不同特征间单位尺度差异的影响；
[0071]
步骤3、将原始高维过程数据划分为训练样本x＝[x1,x2,
…
,xn],x∈rd×n和测试样本x
new
＝[x
new1
,x
new2
,
…
,x
newm
]，x
new
∈rd×m；
[0072]
步骤4、采用发明的cjs-slle监督降维算法分别提取高维训练样本和测试样本的低维特征；
[0073]
步骤5、根据即时学习算法，在低维训练样本中采用灰色关联度选出与待测样本关联性最强的相似样本子集作为局部模型训练样本；
[0074]
步骤6、将当前待测样本与对应相似样本子集输入到偏最小二乘局部回归预测模型中进行终点碳含量与温度的预测；
[0075]
步骤7、对下一个待测样本重复步骤5与步骤6。
[0076]
其中步骤4所述的监督局部线性嵌入降维方法，具体步骤如下：
[0077]
步骤4.1、构造一种融合距离、碳温标签信息和数据间方向信息三者融合的新型cjs相似性度量策略，准确反映样本点局部领域信息；
[0078]
步骤4.1.1、将用于度量两个随机变量概率分布之间的差别(或相似度)的js散度作为相似性度量中的距离度量准则，衡量样本间距离相近程度；
[0079][0080][0081]
步骤4.1.2、提取转炉炼钢终点碳含量或温度标签值为b＝[b1,b2,
…
,bn]，将碳含量和温度标签值统一量化为标签信息ki；
[0082][0083]
其中，bi为样本xi对应的碳温标签值，c为样本标签值的小数位数，ki为样本对应的量化后标签信息。当c＝0时，代表属于温度标签，为避免标签信息为0的情况，先统一加上标签的最小单位然后将其与原始标签中最小值的差值作为量化后的标签信息；当c《0时，代表
属于碳含量标签，其中为碳含量最小单位值，同样先取所有标签加上最小单位值后与原始标签中最小值的差值，然后乘以10c后量化为最小正整数的标签信息。
[0084]
步骤4.1.3、在js散度距离度量中引入碳温标签信息从而重构度量函数，令度量变成有监督的过程，进一步拉近相似标签的样本，而差异较大标签的样本相似度进一步增大；
[0085][0086]
步骤4.1.4、利用衡量样本间方向相似度的余弦相似度与引入样本碳温标签信息的js散度相似性度量准则，构建出一种融合距离、标签和方向信息的新型cjs相似性度量策略；
[0087][0088]
在新型cjs相似度方法计算中，(1-cosθ)统一将余弦相似度量化在[0,2]之间，将包含监督信息的d
jsl
(p,q)度量与方向信息余弦相似度结合，以整体取e-x
的形式得到一种新型的样本间相似度cjs计算方法下式所示：
[0089][0090]dcjs
(p,q)相似度值越大，代表样本间相似度越高。
[0091]
步骤4.2、基于cjs相似性度量策略对高维训练样本实现监督降维，提取低维特征；
[0092]
步骤4.2.1、寻找k近邻点。采用新型cjs相似性度量策略计算原始训练数据中样本点与其他样本点的相似度，选择与当前样本相似度最大的前k个样本点作为该样本点的近邻点；
[0093]
步骤4.2.2、线性重构。通过k近邻点以权值的方式线性表示样本点xi，然后最小化误差函数计算其局部重构权值系数；
[0094][0095]
约束条件为其中qi为xi的k近邻下标集合，易知xi与xj是已知的训练样本，可得到局部协方差矩阵c
jk
＝(x
i-xj)
t
(x
i-xk)，通过拉格朗日乘子法，则最优权值w
ij
的解如下所示：
[0096][0097]
步骤4.2.3、计算低维嵌入坐标。局部线性嵌入算法高维空间和低维空间下的权值系数是保持不变的，因此最小化低维空间下的误差函数得到训练样本低维特征坐标y＝[y1,y2,
…
,yn],y∈rd×n；
[0098]
将w
ij
构造为权值矩阵w＝[w
ij
]n×n，定义一个稀疏、对称的半正定矩阵m＝(i-w)
t
(i-w)，得到目标函数如下：
[0099][0100]
即约束条件为yy
t
＝i。根据lagrange乘子法计算，得到即求得m的特征向量等价于得到低维嵌入坐标y。经过特征值分解计算得到m矩阵前d个最小非零特征值所对应的特征向量构成的矩阵就是x的低维空间坐标矩阵y。
[0101]
步骤4.3、通过自适应局部线性投影算法根据高维训练样本及其低维特征提取待测样本蕴含标签信息的低维特征；
[0102]
步骤4.3.1、通过不包含标签信息的cjs相似性度量策略计算待测样本x
newi
与原始高维训练样本中所有样本xi的相似度sii，对sii从大到小进行排序，通过自定义设定阈值的方式确定与当前待测样本相似度最接近的样本点，得到待测样本近邻训练样本高维与低维坐标x
l
＝[x1,x2,
…
,x
l
]，x
l
∈rd×
l
、y
l
＝[y1,y2,
…
,y
l
]，y
l
∈rd×
l
；选取前n个与原始高维训练样本最大相似度sii的均值作为选取l个相似样本的阈值，从而自适应地确定相似样本的个数，根据经验确定n＝30；
[0103][0104]
步骤4.3.2、寻找待测样本相应近邻点高维数据与低维数据间映射矩阵a＝[a1,a2,
…
,ad]
t
，使其满足映射关系y
l
＝ax
l
；
[0105][0106]aj
＝(xx
t
βi)-1
xyi[0107][0108]
其中1≤j≤d，代表yi的第j个元素，β》0是正则化参数，i表示d
×
d的单位矩阵，由噪声量值δ2确定β值，γi代表xx
t
的从小到大排序的非零特征值。
[0109]
步骤4.3.3、根据待测样本特定的映射矩阵a，计算待测样本x
newi
相应的低维嵌入坐标y
newi
；
[0110]ynew
＝ax
new
。
[0111]
其中步骤5所述灰色关联度具体步骤如下：
[0112]
步骤5.1、已知低维训练集y和测试集y
new
，确定分析数列，其中当前待测样本y
new
为参考数列，所有的训练样本yi为比较数列。其中：
[0113]
参考数列：y
new
＝y
new
(k)|k＝1,2
…
n；
[0114]
比较数列：yi＝yi(k)|k＝1,2
…
n,i＝1,2
…
m。
[0115]
步骤5.2、计算关联系数，计算参考数列与比较数列的差值，令则灰色关联系数如下所示：
[0116][0117]
式中，ρ通常取0.5，为比较数列与参考数列在各个k点关联系数。
[0118]
步骤5.3、计算关联度值。通过下式计算当前参考数列y
new
与比较数列yi的关联度值。
[0119][0120]
其中，d
gra,i
为比较数列与参考数列在各个k点关联系数(即关联程度值)的平均值。
[0121]
步骤5.4、关联度排序。将参考数列y
new
与所有比较数列yi计算得到的关联度值进行排序，d
gra,i
越大，说明与参考数列越相关。
[0122]
实施方案中约简维数d值、近邻点k值和样本子集s值的参数估计方法为：分别以1为步长，在[5,11]区间内进行维度d的选择；以1为步长，在[10,20]区间内进行验证近邻点k值的选择；以1为步长，在[5,100]区间内验证最佳的样本子集个数s。验证三个参数所有可能的组合情况，最终估计出全局最佳参数。
[0123]
实验结果表明，本发明碳含量预测在
±
0.02％误差范围内精度达到90％，温度预测在
±
10℃误差范围内精度达到87％。本发明能够有效提取过程数据低维关键特征用于即时学习局部模型的预测，有效解决生产过程数据高维度、非线性和数据波动大的问题，提高了终点碳温的预测精度。
[0124]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施
例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0125]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。