一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法
【专利摘要】针对LF炉终点钢水温度预报的问题，提出了基于AdaBoost的ELM-PLS方法的温度预报模型。介绍了Adaboost算法的方法与优势，集成梯度数据ELM-PLS方法中过程数据时段分解、均值求取、回归模型建立等关键内容，并将建立的预报模型用LF炉温度预报中。实验和仿真表明,基于Adaboost-ELM-PLS预报方法模型有效地提高LF炉钢水温度预报精度,为LF炉钢水温度控制提供了模型依据,并且其维护费用低、实时性好、可靠性及精度高。
【专利说明】-种基于Adaboost-PLS-ELM的LF炉终点温度预报方法
【技术领域】
[0001] 本发明涉及一种LF炉终点温度预报算法，实时性好，可靠性和精度高。
【背景技术】
[0002] LF炉即为钢包精炼炉，是钢铁生产中主要的炉外精炼设备.LF炉拥有如下特点： 设备结构简单，具备多种有效的炉外精炼手段，还可以提高钢液的纯度并满足连铸对钢液 成分及温度的要求，协调炼钢与连铸的节奏.现在LF炉生产过程已全面实现自动化，钢水 的加热设定由计算机根据不同的钢种和生产要求自动确定，数字化的电极控制盘可监视重 要参数，实现复杂的算法，控制精度大大提高，提高了热效率，降低了能耗.LF终点温度精 确控制对于钢的质量和连铸操作的顺行十分重要.然而，LF操作过程影响终点温度的因素 比较复杂，许多影响因素无法准确测量，加之，各炉钢水进站时的钢水重量不同、钢包冷热 状态不同等均会对钢水终点温度的准确预报造成一定影响，所以，很难用准确的数学方程 进行描述.本发明提出一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法。
【发明内容】
[0003] 本发明的目的，是提供一种基于Adaboost-PLS-ELM的LF炉终点温度预报方法，该 方法模型维护费用低，实时性好，精度高. 在求取LF炉的温度时，将图1中所包含的元素作为模型里面的输入与输出，使用 Adaboost-PLS-ELM算法来学习它们之间的映射关系，求取权值，从而最终得到LF炉终点温 度预报模型. ⑴PLS算法 PLS方法主要对自变量和因变量采用成分提取，利用提取的成分建立回归模型，这样既 充分的体现了自变量与因变量之间的关系，又降低了建模的复杂性。假定有P个自变量和 Q个因变量，N个样本点，这样构成的自变量数据矩阵为X={Xi，，，XP}和因变量数据矩阵为 Υ={Υρ，，Yq}。利用偏最小二乘算法分别从X和Y提取主成分，其中&是Xi，，，XP的线 性组合，^是I，，，Y,的线性组合。此外在提取主成分的时要满足两点要求：主成分的代表 性，8卩h和 Ul应最大可能的携带各自变量系统中的变异信息；主成分的相关性，即h和Ul 的相关程度达到最大，也就是h对因变量系统有很强的解释能力。该要求表明，自变量成分 h和因变量成分Ul应最大可能地代表相应的数据矩阵，同时h又要尽可能好的解释Ul。分 别实施自变量X、Y因变量对提取的成分h、 Ul的回归分析建立回归方程，并计算X、Y提取 成分后的残差矩阵&、t。以此类推，通过判断是否达到预设精度，对残差矩阵进行成分提 取，直到满足预设精度为止。假设最后对X提取了 m个成分&......tm，通过实施yk(k=l，，，q) 对乜的偏最小二乘回归分析，将因变量ΥΗΥρ,,Υ,)表达成关于自变量ΧΗΧρ，，XP} 的回归方程。这样就完成了偏最小二乘回归建模. (2) ELM算法 传统的前馈神经网络（譬如BP网络）在训练中采用梯度学习算法，网络中的参数需要 迭代更新，不仅训练时间长，而且容易导致局部极小和过度训练等问题，另外其多隐层的结 构也导致了样本训练速度慢，训练误差大.针对上述问题，黄某等人提出了一种单隐层前 馈神经网络的新算法一-ELM. 任意选取N个样本，Α) e (RnXRn)，这里Xi e Γ为输入，yi e Γ为目标输出。 如果一个有L个隐含层节点的SLFN能以0误差来逼近这个N样本，则存在，有βρ ai，k
【权利要求】
1. 一种基于Adab〇〇St-PLS-ELM的LF炉终点温度预报方法其特征是：基于利用PLS去 除噪声及变量相关性的特点以及ELM学习机快速学习的特点，应用集成梯度数据ELM-PLS 方法进行建模，本发明的集成梯度数据ELM-PLS建模方法与线性PLS方法不同之处在于采 用ELM建立内部非线性模型，集成梯度数据ELM-PLS方法保留了线性外部模型，通过PLS提 取过程的特征信息，消除了数据的共线性.再由于ELM算法具有不稳定性，每次计算的误差 较大的缺点，本算法又引进了 Adaboost算法来对ELM进行学习，形成新的强学习机来预报 温度，大大的减小了误差，提高了温度预报的精度。 2. Adaboost-PLS-ELM的建模与测试步骤如下： (1) ELM-PLS建模：利用交叉检验法确定潜变量个数，采用线性PLS方法计算建模样本 A、八的得分向量矩阵A和心及负载向量矩阵八和W (2) 设定ELM隐含层节点数和激活函数（如sigmoid函数），采用ELM建立内部模型Γ 和V之间的非线性模型，可求得(7)，式中/()为ELM表示的非线性函数； (3) 利用步骤（1)中确定的潜变量个数，对测试样本^、厂进行线性PLS外部模型分解， 得到得分向量矩阵7；、^和负载向量矩阵Λ、0 ; (4) 将6带入步骤（2)建立的ELM模型中，求得= ,利用；= 求得测试 样本的预测值； (5) 将建模好的数据带入ELM中计算，并将多组ELM学习机通过Adaboost进行学习，最 后得出强学习机来预报温度。
【文档编号】G06F19/00GK104050380SQ201410292952
【公开日】2014年9月17日 申请日期:2014年6月26日 优先权日:2014年6月26日
【发明者】肖冬, 张贤哲, 高旭阳 申请人:东北大学