[发明专利]一种针对时滞不确定信息的高炉铁水硅含量预报方法

说明书

本发明公开了一种针对时滞不确定信息的高炉铁水硅含量预报方法。本方法考虑炼铁期间各过程参数波动对于硅含量的影响，以及过程参数作用的时间滞后性不确定，将工艺参数对应时滞范围内均值，方差作为输入；同时考虑高炉炼铁工艺参数较多的特性，以随机梯度提升决策树作为基本模型，在保证输入维度不变的情况下，维持较低的模型复杂度；结合当前国内各工厂在高硅和低硅区域分布较少的特点，采用可重复随机子采样策略补偿样本偏斜问题，完成对高炉铁水硅含量的建模及预测。这种方法适合应用于变量作用滞后时间不确定、变量维度较高且部分样本数量较少的高炉铁水硅含量预测中，相较于已有方法有更高的命中率和更快的训练及预测速度。

技术领域

本发明涉及高炉铁水硅含量预测技术领域，尤其涉及一种针对时滞不确定信息的高炉铁水硅含量预报方法。

背景技术

由于高炉生产中，影响铁水含硅量及铁水温度变化的大部分参数存在一定的时间滞后，现有模型都是根据工作人员的经验选取结合相关系数或者采用非线性回归的方法，得到最大相关性的某一确定的滞后时间。但是在实际生产过程中，不同阶段或者不同工况下，参数的滞后时间具有不确定性，在一定范围内变化，且参数在这个范围内会有不同程度的波动。所以已有方法由确定滞后时间点得到相应瞬时值进行建模，会造成滞后时间不准确以及波动信息缺失，从而导致预测性能不佳的现象。并且高炉参数较多，导致特征维度较高，现有的神经网络等模型复杂度会大幅增加导致训练困难，所以在保证特征信息不丢失情况下，降低模型复杂度就显得十分必要。另外铁水硅含量主要集中在某一范围，这一范围外的样本较少，现有模型并未针对这种样本偏斜问题进行优化，导致硅含量超出这一范围时模型预测结果不准确。

发明内容

根据现有技术存在的问题，本发明公开了一种针对时滞不确定信息的高炉铁水硅含量预报方法，具体包括以下步骤：

S1:将实际高炉炼铁采集的相关工艺参数进行去噪处理，得到去噪后的各工艺参数时间序列；

S2:对各工艺参数时间序列进行分段处理，求取每个阶段各参数在不同滞后时间下与高炉铁水硅含量的最大信息系数作为相关性指标，对每个阶段每个参数选取其与含硅量相关性最大的滞后时间，即为当前阶段该参数作用于硅含量的滞后时间，然后对各个阶段进行统计得到每个工艺参数的滞后时间范围。

S3:根据S2求取的工艺参数时间滞后范围t1—t2(不同工艺参数时间滞后范围不同)，找到作用于当前时刻(t)的硅含量的工艺参数的时间范围t-t2—t-t1；并求取作用时间范围t-t2—t-t1内工艺参数的均值和方差；将求取的各工艺参数的均值和方差作为特征变量。

S4:对采集的硅含量取值进行分析找到集中分布范围，其中将范围内样本划分为大类样本，将范围外样本划分为小类样本，采用网格搜索法确定采样频率和采样比率。

S5:按照S4确定的采样频率，当每经过特定迭代次数后对大类样本进行可重复随机采样，将大类样本的采样结果与全部小类样本作为当前阶段梯度提升树的输入样本，采用梯度下降算法进行迭代，使梯度提升树模型的预测误差逐步减小，直到预测误差满足设定误差范围则终止迭代、输出硅含量预测模型；

S6:根据实际的生产过程对在线采集的工艺参数计算其实时方差和均值，采用S5中完成训练的梯度提升树模型进行在线硅含量预测。

所述S2具体采用如下步骤：

S21：求取高炉生产状态下每段时间序列的工艺参数和硅含量的最大信息系数MIC；

S22：求取高炉生产状态下每个阶段的工艺参数作用于含硅量的滞后时间；

S23：得到高炉生产状态下的工艺参数作用于含硅量的最大最小滞后时间以及滞后时间范围。

进一步的，S4具体采用如下方式：