一种基于数据降维法预测烧结过程综合焦比的方法与流程

技术特征：

1.一种基于数据降维法预测烧结过程综合焦比的方法，其特征在于，包括以下步骤：

(1)分析烧结过程机理得到影响烧结过程综合焦比的烧结参数；

(2)对烧结参数进行数据降维，并重新组合，得到主成分变量；

(3)将步骤(2)得到的主成分变量作为输入变量输入最小二乘支持向量机模型，所述最小二乘支持向量机模型的输出变量即为烧结过程综合焦比。

2.根据权利要求1所述的基于数据降维法预测烧结过程综合焦比的方法，其特征在于，所述烧结参数包括垂直燃烧速度、上升点、上升点温度、烧结终点、烧结终点温度、返矿、风箱负压、料层厚度、台车速度和焦粉配比。

3.根据权利要求1所述的基于数据降维法预测烧结过程综合焦比的方法，其特征在于，所述步骤(2)中，数据降维包括以下步骤：

(2.1)对烧结参数进行标准化处理；

设烧结参数有n组数据，每组数据中有u个判别指标，烧结参数用矩阵X＝(x_ij)_n×u表示，x_ij为第j个判别指标的第i组数据，标准化公式如下：

$X_{scalar}=\frac{X_{actual}-X_{\min }}{X_{max}-X_{\min }}$

式中：X_scalar是数据标准化后得到的数据，X_min是数据中的最小值，X_max是数据中的最大值，X_actual是数据中的实际值；

(2.2)计算数据的相关系数r_ij和相关系数矩阵C；

计算式如下：

$r_{ij}=\frac{1}{n-1}\underset{a=1}{\overset{n}{\Σ}}(x_{ai}-{\stackrel{\‾}{x}}_i)(x_{aj}-{\stackrel{\‾}{x}}_j)$

C＝(r_ij)_u×u

(i＝1,2,…,u；j＝1,2,…,u)

式中：x_ai为第i个判别指标第a组数据；为第i个判别指标所有数据的平均值；x_aj为第j个判别指标第a组数据；为第j个判别指标所有数据的平均值；

(2.3)计算相关系数矩阵C的u个特征值，记为λ₁≥λ₂≥…≥λ_u≥0；

(2.4)计算每个烧结参数的贡献率确定主成分变量的个数；

设第d个烧结参数的贡献率为以作为前m个烧结参数的累积贡献率，以累积贡献率达到85％及以上时，烧结参数的个数确定为主成分变量的个数；

(2.5)设m个烧结参数的累积贡献率达到85％及以上，则主成分变量个数为m个，可得到主成分变量为：

$y_d=l_d^{T}X$

式中：y_d表示第d个主成分变量，l_d表示m个特征值所对应的单位特征向量，(d＝1,2,…,m)。

4.根据权利要求1所述的基于数据降维法预测烧结过程综合焦比的方法，其特征在于，所述步骤(3)中，最小二乘支持向量机模型为：

$Y=\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\α}}_{k}K(y,y_k)+b$

式中：α_k是拉格朗日乘子，K(y,y_k)＝exp(-||y-y_k||²/2σ²)为高斯径向基核函数，σ是核函数宽度，b是偏置量。

5.根据权利要求4所述的基于数据降维法预测烧结过程综合焦比的方法，其特征在于，所述最小二乘支持向量机模型通过以下步骤得到：

(3.1)计算已烧结矿的综合焦比；

(3.2)对已烧结矿的烧结参数的生产历史数据进行时序配准和平均值滤波处理，得到样本数据库；

(3.3)对步骤(3.2)得到的样本数据库采用主成分分析法对烧结参数进行数据降维，并重新组合，得到已烧结矿的主成分变量；

(3.4)以步骤(3.3)得的已烧结矿的主成分变量作为输入变量，以步骤(3.1)得的已烧结矿的综合焦比作为输出变量进行重复计算和验证，根据最小二乘支持向量机法建立最小二乘支持向量机模型。

6.根据权利要求5所述的基于数据降维法预测烧结过程综合焦比的方法，其特征在于，所述步骤(3.1)中，已烧结矿的综合焦比的计算式如下：

$\mathrm{\η}=\frac{1000w_c}{p(100\%-q)};$

$p=\frac{Q_D+Q_X-Q_P}{Q_D+Q_X+Q_F-Q_P};$

式中：η表示综合焦比(Kg/t)，w_c表示焦粉配比(％)，p表示成品率(％)，q表示烧损率(％)，Q_D表示烧结的大成矿产量(Kg/h)，Q_X表示烧结的小成矿产量(Kg/h)，Q_F表示烧结的返矿量(Kg/h)，Q_P表示烧结的铺底料量(Kg/h)。

7.根据权利要求5所述的基于数据降维法预测烧结过程综合焦比的方法，其特征在于，所述步骤(3.4)中，设已烧结矿的主成分变量和综合焦比组成的样本数据集为y_k∈R^m为m维输入变量，Y_k∈R为对应的目标输出；

采用非线性映射将输入变量映射到高维特征空间，得到：

式中：ω是权函数，表示将输入变量非线性映射到高维空间，b是偏置量；

基于结构风险最小化原理，将上述回归问题转化为约束优化问题：

式中：γ是惩罚因子，其是衡量参数风险和拟合误差相对重要程度的参数，e_k是拟合误差；

对约束优化问题采用拉格朗日乘子法、正定矩阵和卡罗需-库恩-塔克条件进行求解，即得到最小二乘支持向量机模型。