一种基于集成学习的高炉铁水质量预测系统及方法与流程

本发明属于高炉冶炼自动化控制技术领域，具体涉及一种基于集成学习的高炉铁水质量预测系统及方法。

背景技术：

高炉是一个在炼铁过程中的大型的对流反应器和热交换器，同时高炉炼铁也是社会发展的一个重要环节。然而高炉内部冶炼环境极其严酷，反应最剧烈的区域温度高达2000多度，压强高达标准大气压的4倍左右，且伴随着固、液、气多相共存的状态，使高炉内部状态难以实时监测，从而难以对高炉进行优化控制。目前，被广泛用来间接反映高炉内部状态的指标为铁水质量参数，综合性的铁水质量指标通常采用si含量、p含量、s含量和铁水温度来衡量，铁水质量参数的测量一般采用离线化验法，测量结果会滞后1-2小时，因此其结果无法实时的反映高炉内部状态。为了实现对高炉内部运行状态实时全面地监测，就需要建立高炉多元铁水质量参数的在线软测量模型以实现对铁水质量的实时在线软测量，充分利用高炉炼铁过程中可检测的运行数据，建立数据驱动的高炉多元铁水质量在线软测量模型。

专利公开号cn102031319a公开了“一种高炉铁水含硅量的预报方法”，该方法包括数据参数选取及预处理、预测算法、结果输出及操作指导，数据参数选取采用硅含量短期均值、硅含量中期均值、硅含量长期均值、前次铁水对应的风口理论燃烧温度及前次铁水含硫量五个参数，通过神经网络算法对硅含量进行预测。

专利公开号cn101211383a公开了“一种高炉铁水硅含量的特征分析预报方法”，使用引入遗传算法优化的最小二乘支持向量机对高炉铁水中的硅(si)含量进行预报。该方法通过对原有样本进行指数加权移动平均滤波和归一化预处理对样本数据进行特征提取，建立了高炉铁水硅含量预报的动态递归模型。

专利公开号cn103320559a公开了“一种高炉铁水硫含量预报方法”，以硫s含量短期均值、硫含量中期均值、硫含量长期均值、前次铁水对应的炉渣碱度、前次铁水含硅量、入炉焦炭s含量、入炉煤粉s含量作为铁水含硫预报的输入变量，基于径向基函数神经网络建模技术，预报下一次铁水的含硫量。

上述专利报道的方法以及其他相关文献中的方法均是针对单一铁水质量参数，如铁水温度、si含量、s含量等，进行软测量的方法，单一的铁水质量参数并不能全面地反映高炉内部复杂的状态，无法为现场的操作人员提供综合性的指导，实际应用价值较低。而且已有的铁水质量软测量方法建立的模型均是参数时不变模型，并不适合高炉炼铁过程的工况慢时变特性，因此这些模型在实际工况改变时，预报结果会失准。另外，已有软测量方法中的模型结构大多较为复杂，软测量模型计算时间较长，而工业现场需要简单快速的软测量方法，因此，以上方法实际应用时的效率较低。综上所述，目前国内外还没有专门针对高炉冶炼过程铁水质量参数si含量、p含量、s含量和铁水温度进行多元动态快速在线软测量的方法。

技术实现要素：

针对上述技术不足，本发明提出一种基于集成学习的高炉铁水质量预测系统及方法；具体为，一种基于集成学习的高炉铁水质量预测系统，包括：高炉、热风炉、第一流量计、第二流量计、第三流量计、温度计、压力计、湿度计、炉腹煤气量测分析仪、富氧率测量分析仪、数据采集装置和计算机；

待测试样本从高炉入口被放置进入高炉内部，从高炉炉腹风口处进行煤粉喷吹，第一流量计被安装在煤粉喷吹处，第一流量计分别与数据采集装置和炉腹煤气量测分析仪相连接；温度计被安装在热风炉的出风口，温度计与数据采集装置相连接；压力计被安装在热风炉的出风口，压力计与数据采集装置相连接；第二流量计、第三流量计和湿度计被分别安装在热风炉的入风口，第二流量计分别与炉腹煤气量测分析仪和富氧率测量分析仪相连接，第三流量计分别与炉腹煤气量测分析仪和富氧率测量分析仪相连接；湿度计分别与炉腹煤气量测分析仪和数据采集装置相连接；炉腹煤气量测分析仪和富氧率测量分析仪分别与数据采集装置相连接；数据采集装置通过通讯总线与计算机相连接；

所述高炉，用于完成高炉冶炼过程；

所述热风炉，将富氧的冷空气输送到热风炉，通过热风炉将热风输送到高炉内部；

所述第一流量计，被安装在煤粉喷吹处，用于在线测量煤粉喷吹量，并将煤粉喷吹量测量值分别传递到炉腹煤气量测分析仪和数据采集装置中；

所述第二流量计，被安装在热风炉的入口处，用于在线测量富氧流量，并将富氧流量测量值分别传递到炉腹煤气量测分析仪和富氧率测量分析仪中；

所述第三流量计，被安装在热风炉的入口处，用于在线测量冷风流量，并将冷风流量测量值分别传递到炉腹煤气量测分析仪和富氧率测量分析仪中；

所述温度计，被安装在热风炉出口处，用于在线测量热风炉的热风温度，并将热风温度测量值传递到数据采集装置中；

所述压力计，被安装在热风炉出口处，用于在线测量热风炉的热风压力，并将热风压力测量值传递到数据采集装置中；

所述湿度计，被安装在热风炉的入口处，用于在线测量热风炉的鼓风湿度，并将鼓风湿度测量值分别传递到炉腹煤气量测分析仪、富氧率测量分析仪和数据采集装置中；

所述炉腹煤气量测分析仪，通过对第一流量计测量的煤粉喷吹量测量值、第二流量计测量的富氧流量测量值、第三流量计测量的冷风流量测量值以及湿度计测量的鼓风湿度测量值进行分析，炉腹煤气量测分析仪计算出炉腹煤气量参数，并将炉腹煤气量参数传递到数据采集装置；

所述富氧率测量分析仪，通过对第二流量计测量的富氧流量测量值、第三流量计测量的冷风流量测量值、湿度计测量的鼓风湿度测量值进行分析，富氧率测量分析仪计算出富氧率参数，并将富氧率参数传递到数据采集装置；

所述数据采集装置，将第一流量计传递过来的煤粉喷吹量测量值、炉腹煤气量测分析仪传递过来的炉腹煤气量参数、温度计传递过来的热风温度测量值、压力计传递过来的热风压力测量值、富氧率测量分析仪传递过来的富氧率参数以及湿度计传递过来的鼓风湿度测量值在数据采集装置中进行预处理，并将预处理后的数据结果传递给计算机；

所述计算机，使用数据采集装置传递过来的预处理后的数据结果，并按照时间顺序保存在计算机中，采用基于集成学习的高炉铁水质量预测方法进行预测，通过建立均方根误差概率加权集成随机权神经网络(randomvectorfunctional-linknetworks,rvflns)的多元铁水质量在线预报模型，对多元铁水质量指标进行在线预测，得到多元铁水质量指标预测值。

所述计算机系统装有opc通讯软件负责计算机与数据采集装置之间进行数据双向通讯。

一种基于集成学习的高炉铁水质量预测方法，使用一种基于集成学习的高炉铁水质量预测系统实现，具体步骤如下：

步骤1：获取高炉原始历史数据，并进行预处理，包括：对数据统一时间粒度、剔除休风数据和异常数据以及归一化数据，具体包括如下步骤：

步骤1.1：按时间先后顺序对采集的数据进行标注，使用最近邻时间原则，即按照时间的先后顺序，人工进行匹配得到时间粒度一致的高炉炼铁过程的历史数据；

步骤1.2：剔除休风数据和异常数据：剔除休风数据，具体方式为：依据交班记录确定高炉计划检修时间段，剔除此时间段的高炉本体休风数据，休风数据具体指热风炉不向高炉吹风的数据；剔除异常数据，采用拉依达准则，即3σ准则进行异常值的剔除，即数据偏差大于3σ的数据应该剔除；σ为上述筛选出的高炉本体数据的标准差，如下公式所示：

步骤1.3：对高炉数据进行数据归一化处理，得到归一化后的高炉历史数据作为样本数据集，如下公式所示：

其中，xi、分别为第i个变量归一化前、后的取值，max(xi)、min(xi)分别为第i个变量的最大值、最小值，归一化处理后的数据在如下范围内：xi∈(0,1)；

步骤2：获取高炉多元铁水质量指标软测量所需输入输出参数，并根据输入输出参数从预处理后的高炉原始历史数据提取样本数据集；

步骤2.1：根据高炉工艺机理确定需要软测量的高炉铁水质量输出参数为si(硅)含量y1(％)、p(磷)含量y2(％)、s(硫)含量y3(％)和铁水温度y4(℃)；

步骤2.2：采取灰色关联性分析的方法，提取前k个关联度最高的高炉本体参数作为软测量的辅助变量，包括：炉腹煤气量u1(m³)、热风温度u2(℃)、热风压力u3(kpa)、富氧率u4、鼓风湿度u5(rh)、喷煤量u6(m³/h)。

步骤2.3：根据过程动态特性，基于上述6个辅助变量，引入非线性自回归模型(narx),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)(m³)；当前时刻热风温度u2(t)(℃)；当前时刻热风压力u3(t)(kpa)；当前时刻富氧率u4(t)；当前时刻鼓风湿度u5(t)(rh)；当前时刻设定喷煤量u6(t)(m³/h)；上一时刻si含量y1(t-1)(％)；上一时刻p含量y2(t-1)(％)；上一时刻炉腹煤气量u1(t-1)(m³)；上一时刻热风温度u2(t-1)(℃)；上一时刻热风压力u3(t-1)(kpa)；上一时刻富氧率u4(t-1)；上一时刻鼓风湿度u5(t-1)(rh)；上一时刻设定喷煤量u6(t-1)(m³/h)；上一时刻s含量y3(t-1)(％)；上一时刻铁水温度y4(t-1)(℃)；

步骤2.4：并根据输入输出参数，从预处理后的高炉原始历史数据中，提取样本数据集；

步骤3：基于高炉多元铁水质量指标软测量所需输入输出参数，建立均方根误差概率加权集成rvflns的多元铁水质量在线预报模型；

步骤3.1：建立均方根误差概率加权集成rvflns的多元铁水质量在线预报模型。

步骤3.2：若均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，模型训练得出的高炉铁水质量输出参数与对应实际的高炉铁水质量输出参数之间的绝对误差小于等于设定绝对误差值，模型训练结束，得到最终的均方根误差概率加权集成rvflns的多元铁水质量在线预报模型；若模型训练得出的高炉铁水质量输出参数与对应实际的高炉铁水质量输出参数之间的绝对误差大于设定绝对误差值，重新训练均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，转至步骤3.1，直到模型训练得出的高炉铁水质量输出参数与对应实际的高炉铁水质量输出参数之间的绝对误差小于等于设定绝对误差值，模型训练结束，得到最终的均方根误差概率加权集成rvflns的多元铁水质量在线预报模型；

所述步骤3.1建立加权集成rvflns的多元铁水质量在线预报模型，具体步骤如下：

步骤3.1.1：将所述样本数据集中m组数据分为二个样本集d1、d2,其中d1为训练样本集，取前m1组数据，d2为测试样本集，取剩下的m2组数据。

步骤3.1.2：基于bootstrap思想对训练样本集进行放回抽样实验，得到n个子训练样本集，具体做法为：在m1组训练样本集中，进行m次有放回随机采样实验，并考虑到建模效率，这样的放回随机采样实验共进行n组，得到n个子样本集，且子样本集数据个数为m个；

步骤3.1.3：使用子样本集建立子模型，使用随机权神经网络(rvflns)模型作为子模型进行建模。

步骤3.1.4：计算出每个子模型的均方根误差rmsej，如下式所示，

其中，yji为第j个子模型中第i个输出变量的实际值，为第j个子模型中第i个输出变量的估计值，rmsej为所求第j个子模型的均方根误差；

步骤3.1.5：使用核密度估计的方法估计出各个子模型的均方根误差(rmse)概率密度曲线，并求解出每个子模型的均方根误差概率分布曲线；

所述核密度估计的方法如下：

假设zi∈r,i＝1,…,n为独立同分布随机变量，其所服从分布密度函数为f(z),z∈r，则f(z)的核密度估计定义为：

其中，φ(·)称为核函数，hp通常称为窗口宽度或光滑参数，是一个预先人工给定的正数。

利用kde法对于均方根误差样本集{rmsei|i＝1,2…k}进行pdf估计，得到估计误差概率密度函数γrmse为：

所述φ(·)核函数的选择：满足以下条件：

a.φ(z)≥0

b.∫φ(z)du＝1

选取高斯核函数，其表式如下：

hp所述窗口宽度的选择：窗宽hp设置为hp＝1.06θk^-1/5，其中θ由min{s,0.746q}估计，s表示样本标准差，q为四分位数间距，k为rmse样本集个数；

步骤3.1.6：给子模型分配权重，并获得均方根误差概率加权集成rvflns的多元铁水质量在线预报模型：用子模型的均方根误差概率曲线中每个子模型的概率作为各自的权重，然后进行加权求和得到均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，求解如下:

其中，wi为所提方法求得的权重，且满足的条件为所有权重之和为1。rvflnsi代表第i个子模型，n代表子模型的个数，而则rvflns为求得的均方根误差概率加权集成rvflns的多元铁水质量在线预报模型。

步骤4：根据均方根误差概率加权集成rvflns的多元铁水质量在线预报模型对实时采集的高炉数据进行在线预测，得到在线预测结果：将获取的实时待测试高炉数据，经过步骤1中进行预处理，经过步骤2获取高炉多元铁水质量指标软测量所需输入输出参数，并根据输入输出参数从预处理后的高炉原始历史数据提取待测试数据，使用已经建立好的均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，得到在线预测结果。

有益技术效果：

为了解决高炉冶炼过程铁水质量参数在线软测量方法的不足，本发明基于均方根误差概率加权集成rvflns算法进行建模，首先，为了提高建模数据的质量，对高炉本体原始数据进行时间粒度的统一、正常数据的筛选和数据的归一化等数据预处理操作；然后，为了提高建模效率和降低计算复杂度，采用灰色关联分析法提取与多元铁水质量指标关联度最强的关键变量作为建模的输入变量；其次，为了更好的反映高炉炼铁的非线性动态特性，引入在线估计的narx(nonlinearautoregressiveexogenous)模型；同时，为了提高建模的精度和效率，提出了一种均方根误差概率加权集成随机权神经网络(randomvectorfunctional-linknetworks,rvflns)方法建立基于数据驱动的多元铁水质量模型。实现同时对综合性的铁水质量指标，即si含量、p含量、s含量和铁水温度进行多元在线动态软测量，并能够随着高炉工况的改变，通过最新的测量数据在线更新模型参数。基于钢厂常规在线检测设备提供的高炉本体参数在线检测值，本发明可以得出当前时刻多元铁水质量指标的在线软测量值，为高炉炼铁过程的优化运行控制提供关键的铁水质量指标。基于工业现场常规的检测设备实时测量得到的高炉本体参数作为模型的输入数据，充分考虑高炉冶炼过程的滞后特性和输入输出变量之间的时序关系，实现了高炉冶炼过程多元铁水质量指标si含量、p含量、s含量和铁水温度的动态在线软测量。相比于现有的离线人工检测多元铁水质量指标的方法，本方法可避免离线化验的滞后性和人工操作带来的不确定性，实现实时在线准确软测量，为现场的操作人员及时准确判断高炉内部运行状态提供了关键指标。同时本方法可以根据工况的变化，利用最新的过程数据更新软测量模型参数，避免了时不变模型的局限性，实用价值很高。另外本发明方法有助于进一步实现高炉炼铁过程的运行优化控制。

附图说明

图1为本发明实施例的高炉炼铁过程的检测设备配置图；

图2为本发明实施例的一种基于集成学习的高炉铁水质量预测方法流程图；

图3为本发明实施例的均方根误差概率加权集成rvflns建模过程流程图；

图4为本发明实施例的高炉多元铁水质量指标软测量结果效果图，其中，(a)为当前时刻硅含量预测值与实际值对比曲线；(b)为当前时刻磷含量预测值与实际值对比曲线；(c)为当前时刻硫含量预测值与实际值对比曲线；(d)为当前时刻铁水温度预测值与实际值对比曲线；

图5为本发明实施例的均方根误差的概率密度函数曲线；

图6为本发明实施例的均方根误差的概率函数曲线；

图中：1-高炉，2-热风炉，3-1-第一流量计，3-2-第二流量计，3-3第三流量计，4-温度计，5-压力计，6-湿度计，7-炉腹煤气量测量分析仪，8-富氧率测量分析仪，9-数据采集装置，10-计算机，11-待测试矿石、焦炭及溶剂，12-煤粉喷吹，13-热风，14-富氧冷空气，15-冶炼后的残渣，μ1-炉腹煤气量参数，μ2-热风温度测量值，μ3-热风压力测量值，μ4-富氧率参数，μ5-鼓风湿度测量值，μ6-煤粉喷吹量测量值。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明，本发明提出一种基于集成学习的高炉铁水质量预测系统及方法；具体为，一种基于集成学习的高炉铁水质量预测系统，如图1所示，包括：高炉1、热风炉2、第一流量计3-1、第二流量计3-2、第三流量计3-3、温度计4、压力计5、湿度计6、炉腹煤气量测分析仪7、富氧率测量分析仪8、数据采集装置9和计算机10；

待测试矿石、焦炭及溶剂11从高炉1入口被放置进入高炉1内部，从高炉1高炉炉腹风口处进行煤粉喷吹12，第一流量计3-1被安装在煤粉喷吹12处，第一流量计3-1分别与数据采集装置9和炉腹煤气量测分析仪7相连接；温度计4被安装在热风炉2的出风口，温度计4与数据采集装置9相连接；压力计5被安装在热风炉2的出风口，压力计5与数据采集装置9相连接；第二流量计3-2、第三流量计3-3和湿度计6被分别安装在热风炉2的入风口，第二流量计3-2分别与炉腹煤气量测分析仪7和富氧率测量分析仪8相连接，第三流量计3-3分别与炉腹煤气量测分析仪7和富氧率测量分析仪8相连接；湿度计6分别与炉腹煤气量测分析仪7和数据采集装置9相连接；炉腹煤气量测分析仪7和富氧率测量分析仪8分别与数据采集装置9相连接；数据采集装置9通过通讯总线与计算机10相连接；

所述高炉1，用于完成高炉冶炼过程，将待测试矿石、焦炭及溶剂11从高炉1的入口被放置进入高炉1内部，在高炉1内部进行冶炼，将冶炼后的残渣15通过高炉1底部排出，冶炼后的残渣包括：铁水和炉渣；在高炉炉腹风口处进行煤粉喷吹12，并用热风炉2向高炉1内输送热风13；

所述热风炉2，将富氧冷空气14输送到热风炉2，通过热风炉2将热风13输送到高炉1内部；

所述第一流量计3-1，被安装在煤粉喷吹12处，用于在线测量煤粉喷吹量，并将煤粉喷吹量测量值μ6分别传递到炉腹煤气量测分析仪7和数据采集装置9中；

所述第二流量计3-2，被安装在热风炉2的入口处，用于在线测量富氧流量，并将富氧流量测量值分别传递到炉腹煤气量测分析仪7和富氧率测量分析仪8中；

所述第三流量计3-3，被安装在热风炉2的入口处，用于在线测量冷风流量，并将冷风流量测量值分别传递到炉腹煤气量测分析仪7和富氧率测量分析仪8中；

所述温度计4，被安装在热风炉2出口处，用于在线测量热风炉2的热风温度，并将热风温度测量值μ2传递到数据采集装置9中；

所述压力计5，被安装在热风炉2出口处，用于在线测量热风炉2的热风压力，并将热风压力测量值μ3传递到数据采集装置中；

所述湿度计6，被安装在热风炉2的入口处，用于在线测量热风炉的鼓风湿度，并将鼓风湿度测量值μ5分别传递到炉腹煤气量测分析仪7、富氧率测量分析仪8和数据采集装置9中；

所述炉腹煤气量测分析仪7，通过对第一流量计3-1测量的煤粉喷吹量测量值μ6、第二流量计3-2测量的富氧流量测量值、第三流量计3-3测量的冷风流量测量值以及湿度计测量的鼓风湿度测量值μ5进行分析，炉腹煤气量测分析仪7计算出炉腹煤气量参数μ1，并将炉腹煤气量μ1参数传递到数据采集装置9；

所述富氧率测量分析仪8，通过对第二流量计3-2测量的富氧流量测量值、第三流量计3-3测量的冷风流量测量值、湿度计测量的鼓风湿度测量值进行分析，富氧率测量分析仪计算出富氧率参数μ4，并将富氧率参数μ4传递到数据采集装置9；

所述数据采集装置9，将第一流量计3-1传递过来的煤粉喷吹量测量值μ6、炉腹煤气量测分析仪传递过来的炉腹煤气量参数μ1、温度计4传递过来的热风温度测量值、压力计5传递过来的热风压力测量值μ3、富氧率测量分析仪8传递过来的富氧率参数μ4以及湿度计6传递过来的鼓风湿度测量值在数据采集装置9中进行预处理，并将预处理后的数据结果传递给计算机10；

所述计算机10，使用数据采集装置9传递过来的预处理后的数据结果，并按照时间顺序保存在计算机中，采用基于集成学习的高炉铁水质量预测方法进行预测，通过建立均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，对多元铁水质量指标进行在线预测，得到多元铁水质量指标预测值。

所述计算机系统装有opc通讯软件负责计算机与数据采集装置之间进行数据双向通讯。

本实施方式中以一个容积为2600m3的炼铁高炉对象安置如下测量系统，包括：

第一流量计型号为hdlwg-06煤粉流量计用于测量煤粉喷吹量；第二流量计型号为a+k平衡流量计用于测量富氧流量；第三流量计为型号lb差压流量计用于测量冷风流量；温度计型号为yhit红外测温仪用于测量热风温度；压力计型号为harpeja系列压力变送器用于测量高炉热风系统的热风压力；湿度计型号为jwsk-6cwda空气湿度传感器用于测量鼓风湿度；

另外，包括如下两个测量分析仪：

炉腹煤气量测量分析仪和富氧率测量分析仪，其中，炉腹煤气量测量分析仪设置如下：

炉腹煤气量＝1.21*冷风流量/60+(2*富氧流量/60)+(44.8*鼓风湿度*(冷风流量/60+(富氧流量/60))/18000)+(22.4*小时喷煤量*1000*煤粉含氢量/12000)；

富氧率测量分析仪设置如下：

富氧率＝((富氧流量*0.98/60+((0.21+(0.29*鼓风湿度/8/100))*冷风流量/60))/(冷风流量/60+(富氧流量/60))-(0.21+(0.29*鼓风湿度/8/100)))*100；

一种基于集成学习的高炉铁水质量预测方法，使用一种基于集成学习的高炉铁水质量预测系统实现，如图2所示，具体步骤如下：

步骤1：获取高炉原始历史数据，并进行预处理，包括：对数据统一时间粒度、剔除休风数据和异常数据以及归一化数据，具体步骤如下：

步骤1.1：由于各个过程变量是由不同采样频率的传感器测量而来，那么采集的数据的时间粒度是不一致的，必须将高炉铁水的出铁时间与本体参数的时间点进行对应，具体为：按时间先后顺序对采集的数据进行标注，使用最近邻时间原则，即按照时间的先后顺序，人工进行匹配得到时间粒度一致的高炉炼铁过程的历史数据；

所述本体参数包括19个关键过程变量，具体为：冷风流量、送风比、热风压力、顶压、压差、顶压风量比、透气性、阻力系数、热风温度、富氧流量、富氧率、喷煤量、鼓风湿度、理论燃烧温度、标准风速、实际风速、鼓风动能、炉腹煤气量、炉腹煤气指数；

步骤1.2：剔除休风数据和异常数据：剔除休风数据，具体方式为：依据交班记录确定高炉计划检修时间段，剔除此时间段的高炉本体休风数据，休风数据具体指热风炉不向高炉吹风的数据；剔除异常数据，采用拉依达准则，即3σ准则进行异常值的剔除，即数据偏差大于3σ的数据应该剔除；σ为上述筛选出的高炉本体数据的标准差，如下公式所示：

步骤1.3：为了有效的消除特征间的量纲不一致问题以及加速算法的收敛性能和一定程度上减小模型误差，使用最小、最大归一化方法，对高炉数据进行数据归一化处理，得到归一化后的高炉历史数据作为样本数据集，如下公式所示：

其中，xi、分别为第i个变量归一化前、后的取值，max(xi)、min(xi)分别为第i个变量的最大值、最小值，归一化处理后的数据在如下范围内：xi∈(0,1)；

步骤2：获取高炉多元铁水质量指标软测量所需输入输出参数，并根据输入输出参数从预处理后的高炉原始历史数据提取样本数据集；

步骤2.1：根据高炉工艺机理确定需要软测量的高炉铁水质量输出参数为si(硅)含量y1(％)、p(磷)含量y2(％)、s(硫)含量y3(％)和铁水温度y4(℃)；

步骤2.2：为了提高建模的效率和精度，采取灰色关联性分析的方法，提取前k个关联度最高的高炉本体参数作为软测量的辅助变量，本实施例从影响多元铁水质量指标的19个高炉本体参数中提取与之相关性最强6过程变量作为软测量的辅助变量。包括：炉腹煤气量u1(m³)、热风温度u2(℃)、热风压力u3(kpa)、富氧率u4、鼓风湿度u5(rh)、喷煤量u6(m³/h)。

步骤2.3：根据过程动态特性，基于上述6个辅助变量，引入非线性自回归模型(narx),确定如下16个变量为软测量模型的输入参数：

当前时刻炉腹煤气量u1(t)(m³)；当前时刻热风温度u2(t)(℃)；当前时刻热风压力u3(t)(kpa)；当前时刻富氧率u4(t)；当前时刻鼓风湿度u5(t)(rh)；当前时刻设定喷煤量u6(t)(m3/h)；上一时刻si含量y1(t-1)(％)；上一时刻p含量y2(t-1)(％)；上一时刻炉腹煤气量u1(t-1)(m³)；上一时刻热风温度u2(t-1)(℃)；上一时刻热风压力u3(t-1)(kpa)；上一时刻富氧率u4(t-1)；上一时刻鼓风湿度u5(t-1)(rh)；上一时刻设定喷煤量u6(t-1)(m³/h)；上一时刻s含量y3(t-1)(％)；上一时刻铁水温度y4(t-1)(℃)；

步骤2.4：并根据输入输出参数，从预处理后的高炉原始历史数据中，提取样本数据集；

步骤3：基于高炉多元铁水质量指标软测量所需输入输出参数，建立均方根误差概率加权集成rvflns的多元铁水质量在线预报模型；

步骤3.1：建立均方根误差概率加权集成rvflns的多元铁水质量在线预报模型。

步骤3.2：若均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，模型训练得出的高炉铁水质量输出参数与对应实际的高炉铁水质量输出参数之间的绝对误差小于等于设定绝对误差值，模型训练结束，得到最终的均方根误差概率加权集成rvflns的多元铁水质量在线预报模型；其中，本实施例设定绝：si(硅)含量y1(％)、p(磷)含量y2(％)、s(硫)含量y3(％)和铁水温度y4(℃)收敛条件的绝对误差值为：0.1、0.006、0.003和5；若模型训练得出的高炉铁水质量输出参数与对应实际的高炉铁水质量输出参数之间的绝对误差大于设定绝对误差值，重新训练均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，转至步骤3.1，直到模型训练得出的高炉铁水质量输出参数与对应实际的高炉铁水质量输出参数之间的绝对误差小于等于设定绝对误差值，模型训练结束，得到最终的均方根误差概率加权集成rvflns的多元铁水质量在线预报模型；

所述步骤3.1建立加权集成rvflns的多元铁水质量在线预报模型，如图3所示，具体步骤如下：

步骤3.1.1：将所述样本数据集中m＝520组数据分为二个样本集d1、d2,其中d1为训练样本集，用来训练并建立铁水质量指标模型，取前m1＝420组数据，d2为测试样本集，用来测试铁水质量指标模型，取剩下的m2＝100组数据。

步骤3.1.2：基于bootstrap思想对训练样本集进行放回抽样实验，得到n个子训练样本集，具体做法为：在420组训练样本集中，进行m＝400次有放回随机采样实验，并考虑到建模效率，这样的放回随机采样实验共进行n＝9组，得到n＝9个子样本集，且子样本集数据个数为m＝400个；

步骤3.1.3：使用子样本集建立子模型，为了提高建模效率，使用具有快速学习速度的随机权神经网络(rvflns)模型作为子模型进行建模。

步骤3.1.4：计算出每个子模型的均方根误差rmsej，如下式所示，

其中，yji为第j个子模型中第i个输出变量的实际值，为第j个子模型中第i个输出变量的估计值，rmsej为所求第j个子模型的均方根误差；

步骤3.1.5：使用核密度估计的方法估计出各个子模型的均方根误差(rmse)概率密度曲线，如图5所示，并求解出每个子模型的均方根误差概率分布曲线，如图6所示；

所述核密度估计的方法原理如下：

核密度估计(kerneldensityestimation，kde)是求解给定随机变量集合分布密度问题的非参数估计方法，由parzen首次提出。

假设zi∈r,i＝1,…,n为独立同分布随机变量，其所服从分布密度函数为f(z),z∈r，则f(x)的核密度估计定义为：

其中，φ(·)称为核函数，hp通常称为窗口宽度或光滑参数，是一个预先人工给定的正数。由上述定义可知，分布密度函数f(z)的核密度估计不仅与给定的数据样本集有关，还与核函数的选择和窗口宽度参数hp的选择有关。

利用kde法对于均方根误差样本集{rmsei|i＝1,2…k}进行pdf估计，得到估计误差概率密度函数γrmse为：

所述φ(·)核函数的选择：在估计随机变量未知概率密度函数时，核函数的选取方法有很多种。理论上讲，核函数不必为密度函数，但是从实用角度出发，因为待估函数为概率密度函数，所以要求核函数符合概率密度函数性质，即满足以下条件：

a.φ(z)≥0

b.∫φ(z)du＝1

常用的核函数有高斯核函数、矩形窗核函数、epanechnikov核函数等。核函数的不同选择在kde中不敏感，当样本数据很大时，对核函数密度估计的结果影响不会大。本发明选取高斯核函数，其表式如下：

hp所述窗口宽度的选择：窗宽hp的选择对核函数的密度估计起着局部光滑的作用，如果hp过大会使模型误差pdf形状很光滑，使其主要部分的某些特征，如多峰性，被掩盖起来，从而增加估计量的偏差；若hp过小，则整个密度函数表现粗糙，尤其是密度估计的尾部会出现较大干扰。于是，窗宽hp设置为hp＝1.06θk^-1/5，其中θ由min{s,0.746q}估计，s表示样本标准差，q为四分位数间距，k为rmse样本集个数。

步骤3.1.6：给子模型分配权重，并获得均方根误差概率加权集成rvflns的多元铁水质量在线预报模型：用子模型的均方根误差概率曲线中每个子模型的概率作为各自的权重，然后进行加权求和得到均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，求解如下:

其中，wi为所提方法求得的权重，且满足的条件为所有权重之和为1。rvflnsi代表第i个子模型，n代表子模型的个数，而则rvflns为求得的均方根误差概率加权集成rvflns的多元铁水质量在线预报模型。

步骤4：根据均方根误差概率加权集成rvflns的多元铁水质量在线预报模型对实时采集的高炉数据进行在线预测，得到在线预测结果：将获取的实时待测试高炉数据，经过步骤1中进行预处理，经过步骤2获取高炉多元铁水质量指标软测量所需输入输出参数，并根据输入输出参数从预处理后的高炉原始历史数据提取待测试数据，使用已经建立好的均方根误差概率加权集成rvflns的多元铁水质量在线预报模型，得到在线预测结果。

从历史数据中采集400组数据作为模型训练样本数据，另取100组数据用于模型测试样本数据，图4为一段时间内软测量系统得到的多元铁水质量指标软测量值与实际值的对比结果，其中，(a)为当前时刻硅含量预测值与实际值对比曲线；(b)为当前时刻磷含量预测值与实际值对比曲线；(c)为当前时刻硫含量预测值与实际值对比曲线；(d)为当前时刻铁水温度预测值与实际值对比曲线；可以看出多元铁水质量软测量结果具有很高的精度，软测量误差较小且其变化趋势与实际值保持一致。另外，本发明方法的软测量模型结构简单，模型复杂度低，运算速度快，且测量精度高、泛化能力强，相比于其他已有的铁水质量指标软测量方法具有更高的实用性与优越性。因此本发明是一种低成本的、高效实用的高炉炼铁过程铁水质量多元计量手段。