[发明专利]一种高炉铁水硅含量变化趋势预测方法、设备和存储介质有效
申请号: | 201810305865.7 | 申请日: | 2018-04-08 |
公开(公告)号: | CN108764517B | 公开(公告)日: | 2020-12-04 |
发明(设计)人: | 蒋朝辉;蒋珂;谢永芳;桂卫华;阳春华;潘冬;陈致蓬 | 申请(专利权)人: | 中南大学 |
主分类号: | G06F17/18 | 分类号: | G06F17/18 |
代理公司: | 北京路浩知识产权代理有限公司 11002 | 代理人: | 王莹;吴欢燕 |
地址: | 410083 湖南*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 高炉 铁水 含量 变化 趋势 预测 方法 设备 存储 介质 | ||
1.一种高炉铁水硅含量变化趋势预测方法,其特征在于,包括:
获取炼铁过程中与高炉铁水中硅含量变化相关的特征参数,基于已训练的高炉铁水硅含量预测模型,对硅含量变化趋势进行预测;
其中,所述高炉铁水含量预测模型包括第一层预测模型和第二层预测模型,所述第一层预测模型用于根据原始样本对硅含量变化趋势进行初步预测,所述第二层预测模型根据所述第一层预测模型的预测结果进行二次预测,得到硅含量变化趋势;
其中,获取炼铁过程中与高炉铁水中硅含量变化相关的特征参数前,还包括:
获取历史炼铁过程中与高炉铁水中硅含量变化相关的特征参数及硅含量变化趋势,对所述高炉铁水含量预测模型进行训练;
通过所述特征参数及硅含量变化趋势对所述第一层预测模型进行训练,通过训练后第一层预测模型的预测结果对所述第二层预测模型进行训练。
所述获取历史炼铁过程中与高炉铁水中硅含量变化相关的特征参数及硅含量变化趋势,包括:
获取炼铁过程中的现场数据,对所述现场数据进行异常值剔除、缺失值填补、归一化处理,得到与高炉铁水中硅含量变化相关的特征参数;
通过滑动窗口对高炉铁水中硅含量在时间轴上进行分割,得到高炉铁水中硅含量变化趋势。
所述通过滑动窗口对高炉铁水中硅含量在时间轴上进行分割,具体包括:
S1、设定总窗口宽度,并根据炼铁班次确定高炉铁水中硅含量变化的预测周期,根据所述预测周期设定滑动窗口宽度;
S2、对每个滑动窗口,通过零阶多项式对所述滑动窗口内的硅含量进行拟合,得到拟合方程,并通过方差比率检验判断拟合效果,若拟合方程不显著,则记录所述滑动窗口内的硅含量为平稳不变趋势,否则,进入步骤S3;
S3、通过一阶多项式对所述滑动窗口内的硅含量进行拟合,得到拟合方程,并通过方差比率检验判断拟合效果,若拟合方程不显著,则根据斜率正负判断所述滑动窗口内硅含量为线性上升趋势或线性下降趋势,否则,进入步骤S4;
S4、通过二阶多项式对所述滑动窗口内的硅含量进行拟合,得到拟合方程,求出所述拟合方程的一阶导数和二阶导数,若一阶导数正且二阶导数正,则判断所述滑动窗口内硅含量为凸形上升趋势;若一阶导数正且二阶导数负,则判断所述滑动窗口内硅含量为凹形上升趋势;若一阶导数负且二阶导数正,则判断所述滑动窗口内硅含量为凸形下降趋势;若一阶导数负且二阶导数负,则判断所述滑动窗口内硅含量为凹形下降趋势。
2.根据权利要求1所述的方法,其特征在于,所述预测周期为半个炼铁班次。
3.根据权利要求1所述的方法,其特征在于,所述第一层预测模型包括极限梯度提升模型和长短期记忆模型;
所述第一层预测模型通过原始样本进行训练,包括:
通过所述特征参数和硅含量变化趋势对极限梯度提升模型进行训练,得到训练后的极限梯度提升模型和影响硅含量变化趋势的参数重要性排序;
基于长短期记忆模型对参数重要性排序中排序靠前的多个特征参数进行训练。
4.根据权利要求3所述的方法,其特征在于,所述第二层预测模型通过所述第一层预测模型的预测结果进行训练,具体包括:
基于训练后的极限梯度提升模型、长短期记忆模型对原始样本进行预测,并将极限梯度提升模型、长短期记忆模型的预测结果合并一列,输入到第二层预测模型中进行训练。
5.一种高炉铁水硅含量变化趋势预测设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述通信接口用于测试设备与显示装置的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
6.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中南大学,未经中南大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810305865.7/1.html,转载请声明来源钻瓜专利网。