[发明专利]一种基于鲁棒随机权神经网络的多元铁水质量软测量方法

权利要求书

1.一种基于鲁棒随机权神经网络的多元铁水质量软测量方法，其特征在于包括以下步骤：

(1)辅助变量选择与模型输入变量确定

选择软测量的辅助变量包括：炉腹煤气量u₁，单位为m³；热风温度u₂，单位为℃；热风压力u₃，单位为KPa；富氧率u₄；鼓风湿度u₅，单位为RH；喷煤量u₆，单位为m³/h；

确定如下16个变量为软测量模型的输入变量：

当前时刻炉腹煤气量u₁(t)，单位为m³；

当前时刻热风温度u₂(t)，单位为℃；

当前时刻热风压力u₃(t)，单位为KPa；

当前时刻富氧率u₄(t)；

当前时刻鼓风湿度u₅(t)，单位为RH；

当前时刻设定喷煤量u₆(t)，单位为m³/h；

上一时刻炉腹煤气量u₁(t-1)，单位为m³；

上一时刻热风温度u₂(t-1)，单位为℃；

上一时刻热风压力u₃(t-1)，单位为KPa；

上一时刻富氧率u₄(t-1)；

上一时刻鼓风湿度u₅(t-1)，单位为RH；

上一时刻设定喷煤量u₆(t-1)，单位为m³/h；

上一时刻Si含量估计值

上一时刻P含量估计值

上一时刻S含量估计值

上一时刻铁水温度估计值单位为℃；

(2)M-RVFLNs软测量模型的训练和使用

(A)开始：所有变量初始化；

(B)若选择为M-RVFLNs模型训练，转至(C)读取需要进行模型训练的数据集；若选择为铁水质量参数软测量，转至(I)调取已经训练完的高炉铁水质量参数M-RVFLNs预报模型；

(C)读取模型训练所需数据集：从数据库中读取或输入模型训练学习所需数据集Z＝{(x_i,t_i)|x_i∈Rⁿ,t_i＝R^m,i＝1,…N},N≥L进行模型学习初始化，N是样本数目，L是隐含层节点的数目，x_i为输入数据集，t_i为输出数据集；n为输入数据集维度，m为输出数据集维度；

(D)数据预处理：对数据进行缺失值填充，之后进行归一化处理后，作为最终预测模型的训练数据；

(E)模型相关待定参数确定：M-RVFLNs模型需要预先设定的待定参数包括：

激活函数类型g，隐含层节点数目L，收敛条件E；

(F)M-RVFLNs模型初始化训练及模型参数确定：

基于模型训练样本集以及预先设定的模型相关待定参数，进行模型的学习和训练；模型的训练和学习包括两个阶段，初始化阶段和鲁棒学习阶段；

模型初始化阶段的具体步骤如下：

步骤(a)：从给定的数据集O＝{(x_i,t_i)|x_i∈Rⁿ,t_i∈R^m,i＝1,…}中选取训练数据集Z＝{(x_i,t_i)|x_i∈Rⁿ,t_i＝R^m,i＝1,…N},N≥L，包括输入数据和目标数据Y＝{y_j(t)|j＝1,2,…,m}，初始化隐层节点为L，设置鲁棒训练收敛条件E；

步骤(b)：随机选取输入权值向量a_i和隐层单元偏差b_i，i＝1,…,L；

步骤(c)：计算隐含层输出矩阵H

H=G(a1,b1,x1)...G(aL,bL,x1).........G(a1,b1,xN)...G(aL,bL,xN)N×L]]>

其中，G(·)为非线性激活函数，这里选Sigmoid函数；

步骤(d)：按下述公式计算输出权重β：

步骤(e)：计算隐含层节点数为L时的模型输出：

Y~=H·β]]>

步骤(f)：计算建模残差r：

r=T-Y~]]>

模型鲁棒学习阶段的具体步骤如下：

步骤(g)：计算标准化残差向量其中median()为中值计算公式；

步骤(h)：将标准化残差代入到Cauchy加权函数中得到m维数据对应的权值矩阵进一步求得权函数方阵W⁽⁰⁾，其中

μ＝median(r_i)，

步骤(i)：根据引入M估计后输出权重的迭代公式其中k＝1,2,…为迭代次数，迭代计算求取若每个参数估计值都小于指定收敛条件E，则迭代计算终止，得最终输出权重

(G)建模效果评估：

引入均方根误差RMSE：

RMSE=1N(H(ai,bi,xi)β*-Y)(H(ai,bi,xi)β*-Y)T]]>

对建模误差进行综合评价，如果建模误差符合实际工况标准，则结束本次M-RVFLNs模型训练学习过程，转(H)；若误差不符合预定标准，重新训练，转(E)；

(H)保存M-RVFLNs模型：模型训练学习结束，以得到的M-RVFLNs模型作为高炉铁水质量参数预报模型；

(I)读取M-RVFLNs模型：调出之前初始训练好的高炉铁水质量参数M-RVFLNs软测量模型

(J)读取模型预报的过程数据；

(K)判断数据是否异常或者缺失；判断模型16个输入数据是否有数据缺失情况；若有则转(L)进行数据处理，否则转(M)进行铁水质量参数预报；

(L)数据处理：若有数据缺失情况，则用前一时刻相应变量数据进行替换；

(M)铁水质量参数预报：将输入变量数据归一化处理后，调用之前训练好的M-RVFLNs模型进行铁水质量参数预报；

(N)铁水质量参数预报结果显示：在预报系统人机界面上显示本次铁水质量参数预报的结果；

(O)数据保存：将本次软测量的相关输入输出数据保存到相应的历史数据库，供后续系统评估、修正以及查询所用。