[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

摘要

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。

主权项

1.一种针对时滞不确定信息的高炉铁水硅含量预报方法，其特征在于包括以下步骤：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高炉铁水硅含量的最大信息系数、将该最大信息系数作为相关性指标，对每个阶段每个参数进行分析，选取与含硅量相关性最大的滞后时间作为当前阶段当前参数的时间滞后，并针对每个参数各个阶段的时间滞后、找出最大时间滞后和最小时间滞后，将最大时间滞后和最小时间滞后作为当前参数时间滞后范围，得到每个参数各自的时间滞后范围；S3:根据每个参数的时间滞后范围找到作用于当前时刻硅含量的工艺参数的时间范围，并求取作用该时间范围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，将集中分布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大类样本在训练过程中每经过多少次迭代后进行采样即确定采样频率、以及采集样本数量占总体大类样本数目的比例即确定采样比率；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模型的输入样本，采用梯度下降算法进行迭代，直到预测误差满足设定误差范围则终止迭代、输出硅含量梯度提升树模型；S6:根据实际的生产过程对在线采集的工艺参数采用Welford算法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。