高炉铁水硅含量四分类趋势预报模型的建立方法及应用
【技术领域】
[0001] 本发明涉及一种高炉冶炼过程中铁水硅含量趋势预报模型的建立方法及应用，属 于自动化检测技术领域。
【背景技术】
[0002] 铁水硅含量是表征高炉炼铁过程炉温及其变化趋势的关键信息，也是反应铁水质 量、能耗等指标的重要物理量。但铁水硅含量及其变化趋势无法直接在线检测，导致对炉况 调控不及时或者盲目，致使炉温大幅波动、炉况不顺，若炉温过低，则铁水物理热不足，炉缸 热储备不够，不仅铁水质量差，且容易造成严重的炉缸冻结事故；若炉温过高，则炉内煤气 流太过旺盛，导致悬料、崩料等事故，严重影响高炉的焦比、排放。因此研宄如何实时预报铁 水硅含量及其变化趋势，对稳定高炉热状态、减少炉况的波动、提高生铁质量和降低焦比等 具有重要意义。
[0003] 目前，对高炉铁水硅含量的预测可分为两大方向，一是利用检测得到的大量数据 建立基于数据驱动的数值预测模型，也称为黑箱模型。常用的黑箱模型有：时间序列预测模 型、神经网络预测模型、混沌模型、SVM预测模型、非线性动力学理论预测模型等。二是通过 将高炉铁水硅含量的数值转变为上升和下降的趋势变化，进而建立铁水硅含量的二分类趋 势预报。目前，关于铁水硅含量趋势预报方面的文献还比较少，而实际应用中，高炉工厂一 般根据经验判断炉温的变化趋势，进而进行操作调节。
[0004] 基于数据驱动的预测模型以铁水硅含量为高炉炉温的衡量标准，研宄高炉冶炼过 程参数与硅含量的函数关系，是一种仅依赖于系统输入输出的黑箱模型方法，对高炉铁水 硅含量的预报有一定的效果，但是仍存在自身局限性，如时间序列模型更适应于炉况平稳 的情形；神经网络能够获得比时间序列更好的预测效果，但是在实际应用中学习时间长且 容易产生拟合现象；SVM的预测模型具有很好的泛化性能，在大多数情况下能获得优于其 他方法的预测效果。
[0005] 然而，上述的数据驱动模型主要集中在铁水硅含量的数值预测上，很少关注趋势 的变化。尽管数值预测给出了铁水硅含量直接的结果，但是数值预测结果有时候会对铁水 硅含量趋势的变化无法做出诊断或者做出错误的诊断。例如，在连续的两炉铁水中硅含量 数值的变化很小，甚至比评价是否成功命中的临界值都小，这种情况下没有必要去构建数 值预测模型，因为单一的预测模型卜S7j(/ +1) =LS/j(〇完全依据目标命中率来评判，而此时的 命中率虽然显示成功命中，却无法表针硅含量的这种微小变化，从这一点也可以得到，预测 高炉炉缸热状态，也就是预测高炉铁水硅含量的趋势变化至关重要。
[0006] 目前，对铁水硅含量的趋势变化的研宄主要集中在二分类预报问题（即铁水硅含 量上升和下降），但是二分类的预报只能得到趋势变化的方向，无法得到这种方向变化的幅 度。
[0007] 中国专利申请公布号CN103160629A，申请公布日2013. 06. 19,公开了一种预报 高炉趋热的方法，其综合考虑了整个炼铁工艺中影响铁水硅含量的因素。通过建立三个预 测模型，分别为：高炉铁水中的Si含量的RBF神经网络计算模型、高炉料速计算模型、理论 燃烧温度计算模型，然后利用这三个模型对高炉趋热结果的判断，最终得到高炉是否趋热。 但是该方法仅仅可以预测高炉是否趋热，对于其他变化趋势无法得到判断，比如高炉是否 趋冷，或者趋热趋冷的程度等等，都无法得到准确的信息。
[0008] 中国专利申请公布号CN103160626A，申请公布日2013. 06. 19,公开了一种判断高 炉炉缸过凉的方法，该方法与CN103160629A类似，不同点在于该方法揭示了一种判断高 炉炉缸过凉的方法。分别从物理传热、化学传热、历史数据等影响高炉向凉发展的角度出 发，建立了三个预测模型，分别为：高炉铁水中的Si含量的RBF神经网络计算模型、高炉料 速计算模型、理论燃烧温度计算模型。综合三个模型所得结果判断高炉炉缸是否过凉。但 是该方法也是只能判断一种炉温变化情况，无法获取炉温是否趋热、以及趋冷趋热程度的 变化信息。另外，三个模型得到的数值对铁水硅含量影响的权重判断无法准确划分，这对预 报结果的命中率有一定影响。
[0009] 中国专利申请公布号CN10211383A，申请公布日2008. 7. 2,公开了一种高炉铁水 硅含量的特征分析预报方法，该方法建立了一种高炉铁水硅含量的预报模型，采取改进的 动态独立成分分析方法对输入变量的样本数据进行特征提取，提取了测量对象的高阶统计 信息，通过小样本建模设计的基于遗传算法优化的最小二乘支持向量机方法建立铁水硅含 量预报回归模型。但是该方法只能预测得到下一炉铁水硅含量的数值，无法准确判断炉温 的变化，更无法获取炉温趋势的变化程度，可以反馈给高炉操作者的信息少，可靠性不高。
[0010] 中国专利申请公布号CN102031319A，申请公布日20011. 04. 27,公开了一种高炉 铁水硅含量的预报方法，该方法将炉况分为小波动和大波动两种情况分别建模，分别对炉 况稳定和波动都进行了预报，当炉况波动较小时主要依靠均线系统，在炉况波动大时自动 加入风口理论燃烧温度以及前次铁水含硫量，达到预测铁水硅含量的目的。该方法虽然综 合考虑了炉况稳定和异常两种情况，但是在实际应用中，无法提前预判何时出现异常炉况， 进而也就无法及时更换预测模型，对结果的命中率有一定影响。
[0011] 综上所述，现有的各种预测炉温的方法，或无法全面预报，或只能预报数值，而对 于炉温趋势预报的方法较少。
【发明内容】
[0012] 本发明的目的是提出一种高炉铁水硅含量四分类趋势预报模型的建立方法及应 用，根据与高炉铁水硅含量有密切关系的可控以及不可控变量的历史数据，利用极限学习 机（extremelearningmachine，ELM)建立四分类趋势预报模型，优选并采用状态转移算 法优化模型参数，进而利用所建模型来预报未来一段时间硅含量的变化趋势。利用本发明 所建立的模型不仅可以预报硅含量变化的趋势，同时可以得到趋势变化的幅度大小，即可 以预报得到下一炉铁水硅含量是大幅上升、小幅上升、大幅下降、小幅下降的四分类趋势情 况。这对高炉操作者提早判断炉况，并采取小调、早调等措施，避免炉况发生急剧变化有很 好的指导。
[0013] 本发明目的是通过以下技术方案实现的，一种高炉铁水硅含量四分类趋势预报模 型的建立方法，包括：采集历史数据；进行数据预处理，以确定模型输入变量（即铁水硅含 量影响因子）和输出变量；优选结合时滞分析和\或专家经验分析确定模型输入变量；依 据模糊均值聚类的方法对铁水硅含量样本有效的聚类，达到对数据集进行正确的分类，获 取模型输出变量一一铁水硅含量的四类趋势变化区间的划分标准，即大幅上升、小幅上升、 大幅下降、小幅下降的评判指标；利用极限学习机建立四分类趋势预报模型即ELM分类器； 优选采用状态转移算法优化所述预报模型参数。
[0014] 具体地，所述高炉铁水硅含量四分类趋势预报模型的建立方法，包括以下步骤：
[0015] S1、采集历史数据
[0016] 所述采集历史数据为采集整个炼铁过程中影响铁水硅含量变化的变量及铁水硅 含量数据。
[0017] 由于高炉内部的复杂物理化学反应，其间接影响铁水硅含量变化的变量有很多， 包括上部的布料方式、原料性质，下部的控制参数如风量、风温等。常用的变量数据有富 氧率、透气性指数、标准风速、富氧流量、冷风流量、喷煤量、铁水成分、煤气成分、顶压、全压 差、热风压力、实际风速、冷风压力、理论燃烧温度、热风温度、鼓风动能、富氧流量、富氧压 力、炉腹煤气量等等。
[0018] S2、数据预处理
[0019] 所述数据预处理即通过对现场炼铁工艺了解，对可采集到的历史数据进行分析， 获得时间点对应的时间序列样本、剔除异常数据、确定模型输入变量（即与铁水硅含量相 关性强的变量）和输出变量、归一化处理及差分处理。具体包括以下步骤：
[0020] S21、获得时间点对应的时间序列样本；
[0021] 采集历史数据时，不同变量有不同的采样周期（或间隔），因此在数据预处理之前 需要折中考虑。以一个变量的时间间隔为参照（例如以采样周期最长的变量的时间间隔， 本发明的一种【具体实施方式】为lh)，依据时间点对应对所有变量进行匹配，最终得到所需时 间序列样本。比如：铁水成分（如：Si，Ti，S，P，Mn)的采集周期大概为40min，煤气成分 (如：H2,CO,C02)的采集周期为ls，喷煤量的采集周期为30min，而一些控制变量（喷煤量、 热风温度、富氧量、风量等）和状态变量（透气性指数、炉顶温度）的采集周期为lh。在建 立本发明所述模型时，需要相同时间点对应的各个变量值作为模型的一个输入样本。本发 明的一种实施方式中以最长的采集周期lh为参照，通过时间点对应对所有变量进行匹配， 最终提取时间序列样本。
[0022] S22、剔除异常数据；
[0023] 在采样过程中，受到高温高压等环境影响或者高炉休风、减风等非正常状况，数据 存在异常值。这些异常数据在一定程度上会改变数据的变化趋势，影响模型建立的准确性， 因此需要对异常数据进行剔除。
[0024] 本发明通过3〇准则进行异常值（和缺失值）处理，剔除异常数据，即若残差|V」 > 3〇，则该数据为异常数据，该样本为异常样本，予以剔除。重复使用该方法剔除异常数 据，直至没有异常数据为止。
[0025] 其中：
[0027]Xi为所处理的数据，N为样本个数。
，为\的残差。
[0028] S23、确定模型输入变量和输出变量；
[0029] 对所有采集到的影响铁水硅含量变化的变量与铁水硅含量之间进行相关性分析， 以与铁水硅含量的变化相关性强的变量，作为本发明所述模型的输入变量；以铁水硅含量 作为输出变量。由于高炉内部的复杂物理化学反应，其间接影响铁水硅含量的因素有很多， 包括上部的布料方式、原料性质，下部的控制参数如风量、风温等。本发明在建立所述模型 时，将影响铁水硅含量的变化强的变量作为模型输入变量，将铁水硅含量作为模型输出变 量。铁水中硅含量的变化与固体原料，包含铁矿石、烧结矿和焦炭；待加热的气态物质，包含 空气和一些辅助燃料；以及下部的风量、风温等参数的变化有密切的关系。表1列出了 20 个待选变量。过多的输入