《一种高炉炼铁过程一氧化碳利用率的建模方法.pdf》由会员分享，可在线阅读，更多相关《一种高炉炼铁过程一氧化碳利用率的建模方法.pdf（15页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103729571 A (43)申请公布日 2014.04.16 CN 103729571 A (21)申请号 201410032031.5 (22)申请日 2014.01.23 G06F 19/00(2011.01) C21B 5/00(2006.01) (71)申请人 中南大学 地址 410083 湖南省长沙市岳麓区麓山南路 932 号 (72)发明人 安剑奇 陈易斐 吴敏 何勇 曹卫华 (74)专利代理机构 长沙市融智专利事务所 43114 代理人 黄美成 (54) 发明名称 一种高炉炼铁过程一氧化碳利用率的建模方 法 (57) 摘要 本发明公开了一种高炉炼铁过。
2、程一氧化碳利 用率的建模方法， 步骤 1 ： 数据采集及计算 ： 采集 的操作参数包括 ： 风温、 风压、 风速、 风量、 喷煤速 率、 顶压、 高炉煤气中 CO 和 CO2体积百分比， 并计 算出一氧化碳利用率 CO； 步骤 2 ： 对数据进行时 滞配准 ： 用灰色关联度分析方法， 分别将不同时 滞程度的操作参数时间序列与一氧化碳利用率时 间序列进行相关性分析， 从而分别确定每个操作 参数的时滞时间， 完成数据的时滞配准， 并形成样 本集 ； 步骤 3 ： 模型的建立 ： 基于步骤 2 所述的样 本集建立基于 SVM 的高炉一氧化碳利用率实时预 测模型。该高炉炼铁过程一氧化碳利用率的建模 方。
3、法， 所建立的模型能对高炉炼铁过程一氧化碳 利用率实施精确预测。 (51)Int.Cl. 权利要求书 2 页 说明书 8 页 附图 4 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书8页 附图4页 (10)申请公布号 CN 103729571 A CN 103729571 A 1/2 页 2 1. 一种高炉炼铁过程一氧化碳利用率的建模方法， 其特征在于， 包括以下步骤 ： 步骤 1 ： 数据采集及计算 ； 从高炉工控机上的本地数据库中采集操作参数数据 ； 所述的操作参数包括 ： 风温、 风 压、 风速、 风量、 喷煤速率、 顶压、 高炉煤气中 CO 和 。
4、CO2体积百分比， 并由下式计算出一氧化 碳利用率 CO： 其中， (CO2) 为高炉煤气中 CO2的体积百分比 ； (CO) 为高炉煤气中 CO 的体积百分比 ； 步骤 2 ： 对数据进行时滞配准 ； 对采集的数据进行数据预处理之后， 利用灰色关联度分析方法， 分别将不同时滞程度 的操作参数时间序列与一氧化碳利用率时间序列进行相关性分析， 分别确定每个操作参数 的时滞时间， 完成数据的时滞配准， 并形成样本集 ； 步骤 3 ： 模型的建立 ； 基于步骤 2 所述的样本集， 以风量、 风温、 风速、 风压、 喷煤速率、 顶压六个参数数据作 为输入， 一氧化碳利用率为输出， 建立基于 SVM 的。
5、高炉一氧化碳利用率预测模型。所述的 SVM 采用 RBF 核函数， 并采用交叉验证法对 SVM 的惩罚参数 c 和核函数参数 g 进行优化选 择 ； 模型验证完成后， 以当前时滞配准的输入参数数据为输入， 通过模型得到当前操作参数 下的一氧化碳利用率 ； 所述交叉验证法的步骤如下 ： 确定惩罚参数 c 和核函数参数 g 的取值范围 ； 确定测试集分组数目 V ； 对测试集进行交叉验证 ： 即， 当 c 和 g 以步长从小到大变化时， 以每一组测试集为训 练集， 后一组测试集为验证集， 计算验证的平均准确率 ； 保留平均准确率最大的时候所对应的 c 和 g 值， 作为最终的参数值。 2. 根据权。
6、利要求 1 所述的高炉炼铁过程一氧化碳利用率建模方法， 其特征在于， 步骤 2 中对采集的数据进行数据预处理， 数据预处理包括异常数据剔除， 并利用小波分解方法去 噪， 以消除工业现场检测的干扰噪声。 异常数据剔除的方法为 ： 对风量、 风温、 风压、 风速、 喷煤速率、 顶压、 一氧化碳利用率这 7 个数据序列的每一个数据序列中， 最大的 3 个数据和最小的 3 个数据进行替换， 替换为前 一时刻和后一时刻数据的平均值， 以减少尖峰脉冲数据的干扰 ； 去噪方法为 ： 对 7 个数据序列的每一个数据序列作如下操作 ： 选取 demy 为小波基函数， 将该数据序列进行 5 层小波分解 ； 根据软。
7、阈值法， 选择各层的阈值， 将最高频率的两层信号完全屏蔽， 保留低频信号 ； 将低频信号进行重构， 覆盖原来的数据序列， 即完成数据样本的小波去噪。 3. 根据权利要求 2 所述的高炉炼铁过程一氧化碳利用率的建模方法， 其特征在于， 步 骤 2 中， 确定某个操作参数时滞时间的过程为 ： 对于当前的操作参数， 以 10 分钟为间隔， 提取滞后不同时间的风量、 风温、 风压、 风 速、 喷煤速率、 顶压数据样本， 分别表示为 Zfl、 Zfw、 Zfy、 Zfs、 Zps、 Zdy， 以风量为例如下， 滞后 0 分钟 ： z0fl(k) x1(k)， k 1， 2， 480) 权 利 要 求 书。
8、 CN 103729571 A 2 2/2 页 3 滞后 10 分钟 ： z1fl(k) x1(k)， k 11， 12， 490 ； 滞后 20 分钟 ： z2fl(k) x1(k)， k 21， 22， 500 ； 滞后 120 分钟 ： z12fl(k) x1(k)， k 121， 122， 600 ； 形成矩阵 并提取一氧化碳利用率样本序列 X7 x7(1) x7(2) x7(3)x7(480)T； 通过灰色关联度方法， 找出与 X7 关联度最大的 Z 中的列向量， 以确定相应因素的滞 后时间， 具体步骤如下 ： a. 以 X7 序列为特征序列， z 矩阵中各列向量为比较序列 ； b.。
9、 对特征序列和各个比较序列做无量纲处理， 即用同一序列的第一个数据去除后面的 所有数据， 得到一个各个数据相对于第一个数据的倍数， 使之转换为数量级大体相近的无 量纲数据， 处理后得到的特征序列 Q7 和各个比较序列 Pi(i 1， 2， 12) 如下所示 ： 其中 q7(1)， q7(2)， q7(k) 为 Q7 中的 各元素 ； 其中 pi(1)， pi(2)， pi(k) 为 Pi 中的各元素 ； c. 计算 Q7 与 Pi(i 1， 2， 12) 的关联系数。首先计算各点的关联系数 i(k)， 式中， 0.5 为分辨系数 ； 再综合各点的关联度， 得到 Q7 与 Pi(i 1， 2， 。
10、12) 的关 联度 (i)， d. 比较 (i)(i 1， 2， 12) 的大小， 假设 (t) 最大， 则矩阵 Z 中第 t 列数据 Zt 与 X7 的关联度最大 ； 从而确定风温操作的滞后时间为 t*10min ； Zt 则作为新的该操作参数的 样本数据 ； 另外， 将各操作参数的样本数据进行组合， 最终确定样本集Sx1 x2 x3 x4 x5 x6 x7。 4. 根据权利要求 3 所述的高炉炼铁过程一氧化碳利用率的建模方法， 其特征在于， 步 骤2中， 风量的时滞时间90min， 风温的时滞时间70min， 风速的时滞时间20min， 风压的时滞 时间 40min， 顶压的时滞时间 60。
11、min， 喷煤速率的时滞时间为 70min ； 步骤 3 中， c 和 p 的最终 的参数值分别为 2 和 1.867。 权 利 要 求 书 CN 103729571 A 3 1/8 页 4 一种高炉炼铁过程一氧化碳利用率的建模方法 技术领域 0001 本发明涉及一种高炉炼铁过程一氧化碳利用率的建模方法， 属于高炉炼铁领域。 背景技术 0002 钢铁工业是国民经济的基础产业， 同时又是高消耗， 高污染 “大户” 。 面对当前资源 短缺， 环境污染日益严重的现象， 钢铁工业亟需承担起节能减排， 绿色生产的重任。 0003 高炉炼铁是钢铁流程的主要耗能工序， 一氧化碳利用率反应高炉内的间接还原进 。
12、程， 直接影响吨铁的能耗， 是评价高炉能量利用好坏的重要指标， 并且与高炉稳定运行密切 相关， 在高炉炼铁过程短期调控中发挥着重要的指导作用。 0004 然而， 由于高炉生产的密闭性、 过程机理的复杂性等原因， 使得一氧化碳利用率和 高炉操作之间的影响关系难以确定， 无法实现精确的定量调节， 能耗模型难以准确建立。 0005 同时， 由于高炉响应存在滞后性， 使得 “实时” 检测到的高炉一氧化碳利用率并非 是当前时刻操作的结果。 当前操作参数改变后， 一氧化利用率不会马上响应变化， 而是会经 过一段时间才会反映出操作变化带来的影响， 即当前检测的一氧化碳利用率值， 只能反应 一段时间之前操作情。
13、况。这就大大降低了一氧化碳利用率在现场的参考价值， 也无法对高 炉稳定运行提供有效指导。 0006 目前， 还未有准确的一氧化碳利用率模型， 高炉生产现场只能通过观察现在以及 过去一段时间内一氧化碳利用率的实时检测数值， 根据生产经验判断其未来可能的变化趋 势。这种判断具有主观性， 容易出现纰漏和失误， 不能保证高炉生产的稳定顺行， 也增强了 现场劳动强度， 降低了信息自动化水平。 0007 由于模型的缺乏， 现场操作的调节也只能凭借经验来尽量优化， 以提高一氧化碳 利用率， 不能达到定量精确调节的效果。 0008 本发明提出了一种高炉一氧化碳利用率建模方法， 用于确定高炉操作参数和一氧 化碳。
14、利用率之间的关系， 且能根据模型， 实现基于操作参数的高炉一氧化碳利用率实时预 测。 发明内容 0009 本发明所要解决的技术问题是提出一种高炉炼铁过程中一氧化碳利用率的建模 方法， 该方法基于 SVM 算法， 能实现高炉炼铁过程一氧化碳利用率的实时精确预测， 有效解 决目前在高炉炼铁过程中， 由于高炉生产的密闭性和现场操作对高炉影响的滞后性， 导致 高炉操作参数与一氧化碳之间的关系不明， 只能凭借主观经验来判断一氧化碳利用率的变 化趋势以及进行高炉操作调节的问题。 0010 发明的技术解决方案如下 ： 0011 一种高炉炼铁过程一氧化碳利用率的建模方法， 包括以下步骤 ： 0012 步骤 1。
15、 ： 数据采集及计算 ： 0013 在高炉工控机的本地数据库 【如 Oracle 数据库】 中采集操作参数数据 ； 所述的操 说 明 书 CN 103729571 A 4 2/8 页 5 作参数包括 ： 风温、 风压、 风速、 风量、 喷煤速率、 顶压、 高炉煤气中 CO 和 CO2体积百分比 ； 并 由下式计算出一氧化碳利用率 CO： 0014 其中， (CO2) 为高炉煤气中 CO2的体积百分比 ； (CO) 为高炉煤 气中 CO 的体积百分比 ； 0015 步骤 2 ： 对数据进行时滞配准 ； 0016 对采集的数据进行数据预处理之后， 利用灰色关联度分析方法， 分别将操作参数 不同时滞。
16、程度的时间序列与一氧化碳利用率时间序列进行相关性分析， 确定每个操作参数 的时滞时间， 完成数据的时滞配准， 并形成样本集 ； 0017 步骤 3 ： 模型的建立 ： 0018 基于步骤 2 所述的样本集， 以风量、 风温、 风速、 风压、 喷煤速率、 顶压六个参数数 据作为输入， 一氧化碳利用率为输出， 建立基于 SVM( 支持向量机 ) 的高炉一氧化碳利用率 预测模型。所述的 SVM 采用 RBF 核函数， 并采用交叉验证法对 SVM 的惩罚参数 c 和核函数 参数 g 进行优化选择。模型验证好后， 以当前时滞配准的输入参数数据为输入， 利用模型则 能得到当前操作参数下的一氧化碳利用率 ；。
17、 0019 步骤 3 中， 所述交叉验证法的步骤如下 ： 0020 确定惩罚参数 c 和核函数参数 g 的取值范围 ； 0021 确定测试集分组数目 V ； 0022 对测试集进行交叉验证 ： 即， 当 c 和 g 以步长从小到大变化时， 以每一组测试集 为训练集， 后一组测试集为验证集， 计算验证的平均准确率 ； 保留平均准确率最大的时候所 对应的 c 和 g 值， 作为最终的参数值。 0023 步骤 2 中， 对采集的数据进行数据预处理， 数据预处理包括异常数据剔除， 并利用 小波分解方法去噪， 以消除工业现场检测的干扰噪声， 具体方法如下。 0024 异常数据剔除的方法为 ： 对风量、 。
18、风温、 风压、 风速、 喷煤速率、 顶压、 一氧化碳利用 率这 7 个数据序列的每一个数据序列中的最大的 3 个数据和最小的 3 个数据进行替换， 替 换为前一时刻和后一时刻数据的平均值， 以减少尖峰脉冲数据的干扰 ； 比如 x1(i) 是风量 数据中， 最大的 3 个数据中的一个， 则替换 x1(i) 为 ： 0025 去噪方法为 ： 对 7 个数据序列的每一个数据序列作如下操作 ； 0026 选取 demy 为小波基函数， 将该数据序列进行 5 层小波分解 ； 0027 根据软阈值法， 选择各层的阈值 ； 将最高频率的两层信号完全屏蔽， 保留低频信 号 ；【即屏蔽两层信号后剩下的信号】 0。
19、028 将低频信号进行重构， 覆盖原来的数据序列， 即完成数据样本的小波去噪。 【小 波去噪为现有成熟技术。 】 0029 步骤 2 中， 确定某个操作参数的时滞时间的过程为 ： 0030 对于当前的操作参数， 以 10 分钟为间隔， 提取滞后不同时间的风量、 风温、 风 压、 风速、 喷煤速率、 顶压数据样本， 分别表示为 Zfl、 Zfw、 Zfy、 Zfs、 Zps、 Zdy， 以风量为例如下 ： 0031 滞后 0 分钟 ： z0fl(k) x1(k)， k 1， 2， 480) 0032 滞后 10 分钟 ： z1fl(k) x1(k)， k 11， 12， 490 ； 说 明 书 。
20、CN 103729571 A 5 3/8 页 6 0033 滞后 20 分钟 ： z2fl(k) x1(k)， k 21， 22， 500 ； 0034 0035 滞后 120 分钟 ： z12fl(k) x1(k)， k 121， 122， 600 ； 0036 形成矩阵 0037 并提取一氧化碳利用率样本序列 X7 x7(1) x7(2) x7(3)x7(480)T； 0038 通过灰色关联度方法， 找出与 X7 关联度最大的 Z 中的列向量， 以确定相应因素 的滞后时间， 具体步骤如下 ： 0039 a. 以 X7 序列为特征序列， Z 矩阵中各列向量为比较序列 ； 0040 b. 对特。
21、征序列和各个比较序列做无量纲处理， 即用同一序列的第一个数据去除后 面的所有数据， 得到一个各个数据相对于第一个数据的倍数， 使之转换为数量级大体相近 的无量纲数据， 处理后得到的特征序列 Q7 和各个比较序列 Pi(i 1， 2， 12) 如下所示 ： 0041 其中 q7(1)， q7(2)， .， q7(k) 为 Q7 中 的各元素 ；其中 pi(1)， pi(2)， ， pi(k) 为 Pi 中的各元素。 0042 【Zi(1+i*10)(i 1， 2， 12)， 表示 Z 矩阵中的第一行数据， 即各个比较序列中的 第一个数据， i 取到最后等于 12， 则 z12(121) 为滞后 。
22、120 分钟的数据列中的第一个数据。 】 0043 c. 计算 Q7 与 Pi(i 1， 2， 12) 的关联系数 ： 首先计算各点的关联系数 i(k)， 0044 0045 式中， 为分辨系数， 0.5 ； 再综合各点的关联度， 得到 Q7 与 Pi(i 1， 2， 12) 的关联度 (i)， 0046 0047 d. 比较 (i)(i 1， 2， 12) 的大小， 假设 (t) 最大， 则矩阵 Z 中第 t 列数据 Zt与X7的关联度最大 ； 从而确定风温操作的滞后时间为t*10min ； Zt则作为新的该操作参 数的样本数据 ； 0048 e.将各操作参数的样本数据进行组合， 最终确定样。
23、本集Sx1 x2 x3 x4 x5 x6 x7， 存入计算机数据库中 ； 0049 步骤2中， 风量的时滞时间90min， 风温的时滞时间70min， 风速的时滞时间20min， 风压的时滞时间 40min， 顶压的时滞时间 60min， 喷煤速率的时滞时间为 70min ； 步骤 3 中， c 和 p 的最终的参数值分别为 2 和 1.867。 0050 有益效果 ： 0051 本发明的高炉炼铁过程一氧化碳利用率的建模方法， 包括以下几个步骤 ： 步骤 1 ： 说 明 书 CN 103729571 A 6 4/8 页 7 根据高炉炼铁过程原理， 通过对高炉内部特征的分析， 选取对一氧化碳利用。
24、率有较大影响 的操作参数 ； 步骤 2 ： 在高炉现场本地数据库中采集数据， 并经过分析处理后， 建立匹配数 据库 ； 步骤3 ： 在兼顾高精度和实时性的前提下， 利用步骤2中的数据库， 建立基于SVM的高 炉一氧化碳利用率预测模型， 实现一氧化碳利用率的实时精确预测。本发明明确了高炉一 氧化碳利用率和操作参数之间的关系， 实现了高炉一氧化碳利用率的实时精确预测， 解决 了以往由于高炉操作存在滞后性而导致一氧化碳利用率与操作参数关系不明且无法实时 预测的问题。 0052 目前， 还未有准确的一氧化碳利用率模型。高炉炼铁生产现场能通过检测高炉煤 气成分得到当前的一氧化碳利用率值。一氧化碳利用率大。
25、小与高炉操作之间的关系不明 确 ； 并且操作对高炉的影响存在严重滞后， 使得 “实时” 检测到的高炉一氧化碳利用率并非 是当前时刻操作的结果。即当前检测的一氧化碳利用率值， 只能反应一段时间之前的操作 情况， 而当前的操作其实已经确定了之后一氧化碳利用率的改变情况。 0053 目前， 高炉生产现场只能根据生产经验， 定性判断一氧化碳利用率和高炉操作之 间的关系 ； 也只能得到以前和当前的一氧化碳利用率检测值， 并且凭借经验， 判断一氧化碳 利用率未来可能的变化趋势。 0054 本发明最大的创新点即 ： 提出了一种高炉一氧化碳利用率预测方法， 实现基于操 作参数的高炉一氧化碳利用率的实时预测。 。
26、0055 本发明能够建立高炉一氧化碳利用率和高炉操作参数之间的对应关系模型， 其有 益效果是 ： 0056 1、 在结合高炉生产过程机理的基础上， 选取风量、 风温、 风速、 风压、 喷煤速率、 顶 压 6 个参数为输入， 从而以合理的参数选择和较少的自变量， 简化了模型结构的复杂性， 提 高了高炉一氧化碳利用率的预报准确率。 0057 2、 利用小波去噪， 减少了工业现场的干扰和噪声， 使所利用的检测数据更为可靠， 使利用数据驱动建立的模型更为准确。 0058 3、 在充分考虑各个操作参数滞后时间的情况下， 建立了高炉炼铁过程一氧化碳利 用率和主要操作参数之间的定量对应关系模型， 为以后现场。
27、操作的调节提供了有力的依 据。 0059 4、 利用所建模型能够进行基于实时操作的高炉一氧化碳利用率预测。 0060 5、 充分考虑了各个操作的滞后时间， 使模型更为合理和精确。 0061 6、 利用支持向量机， 减少了建模的运算时间， 并利用交叉验证选取支持向量机的 最优参数， 提高了预测精度。 附图说明 0062 图 1 为预测模型结构图 ； 0063 图 2 交叉验证参数优化选择过程图 ； 0064 图 3 为一氧化利用率预测结果与实际值的对比图 ； 0065 图 4 为一氧化利用率预测相对误差结果图 ； 0066 图 5 为本发明的流程图。 说 明 书 CN 103729571 A 7。
28、 5/8 页 8 具体实施方式 0067 以下将结合附图和具体实施例对本发明做进一步详细说明 ： 0068 实施例 1 ： 0069 一种高炉炼铁过程一氧化碳利用率预测方法， 将风温， 风压， 风速， 风量， 喷煤速 率， 顶压数据与一氧化碳利用率进行时滞配准， 利用支持向量机建立预测模型， 并用交叉验 证优化支持向量机的参数， 以提高模型精度。具体步骤如下 ： 0070 1) 在现场计算机服务器中采集数据样本。 0071 以 1 分钟为采样时间， 在高炉操作室工控机上的本地 Oracle 数据库中， 收集前 10 个小时的风温， 风压， 风速， 风量， 喷煤速率， 顶压， 煤气中一氧化碳和二。
29、氧化碳含量的历史 数据， 共 600 组， 形成最初的样本集。将样本用数据列序列来表示， 则有 ： 0072 风温 ( ) 为 ： X1 x1(1) x1(2)x1(600) ； 0073 风速 (m/s) 为 ： X2 x2(1) x2(2)x2(600) ； 0074 风量 (Nm3/min) 为 ： X3 x3(1) x3(2)x3(600) ； 0075 风压 (kPa) 为 ： X4 x4(1) x4(2)x4(600) ； 0076 喷煤速率 (t/h) 为 ： X5 x5(1) x5(2)x5(600) ； 0077 顶压 (kPa) 为 ： X6 x6(1) x6(2)x6(6。
30、00) ； 0078 高炉煤气中一氧化碳含量百分比 ( ) 为 ： X71 x71(1) x71(2)x71(600) ； 0079 煤气中二氧化碳体积含量百分比 ( ) 为 ： X72 x72(1) x72(2)X72(600) 。 0080 由高炉一氧化碳利用率的计算公式 ： 0081 0082 其中， 0083 CO： 高炉一氧化碳利用率 ； 0084 (CO2) ： 高炉煤气中二氧化碳的体积含量百分比 ； 0085 (CO) ： 高炉煤气中一氧化碳的体积含量百分比， 0086 计算得到高炉一氧化碳利用率的样本 ： X7 x7(1) x7(2)x7(600)T； 0087 2) 对样本数。
31、据进行异常数据踢出和替换。 0088 由于工业现场的操作变动， 比如热风炉换炉， 或者检测装置的检测失误， 会使数据 序列中出现过于波动的异常数据， 在进行数据分析建模时， 这些数据会影响正常的训练过 程， 所以需要将这些数据进行剔除和替换。 0089 对风量、 风温、 风压、 风速、 喷煤速率、 顶压、 一氧化碳利用率， 7 个数据序列中， 最大 的 3 个数据和最小的 3 个数据， 进行替换。替换为前一时刻和后一时刻数据的平均值。以 尽可能地减少尖峰脉冲数据的干扰。 0090 3) 对样本数据进行小波去噪处理。 0091 工业现场环境复杂、 噪声多， 检测数据不可避免会受不确定噪声的干扰，。
32、 这会影响 模型的训练和精度， 因此需要对样本数据进行去噪处理。 0092 利用小波去噪方法， 对7个样本序列分别进行去噪。 以风温x1(k)， k(1， 2， .， 600) 为例， 具体步骤如下 ： 0093 选取 demy 为小波基函数， 将 x1 进行 5 层小波分解 ； 说 明 书 CN 103729571 A 8 6/8 页 9 0094 根据软阂值法， 选择各层的阈值。 将最高频率的两层信号完全屏蔽， 保留低频信 号 ； 0095 将处理后的小波信号进行重构， 覆盖原来的 x1(k)， 即完成数据样本的小波去 噪。 0096 4) 对现场数据进行时滞配准。 0097 由于高炉生产。
33、过程中， 操作参数改变对高炉状态和一氧化碳利用率的影响存在严 重的滞后， 当前的操作， 高炉要过一段的时间才会表现响应。因此， 在对高炉一氧化碳利用 率建模的时候， 需要充分考虑各个不同操作参数的不同滞后时间， 进行时滞配准。 本设计采 用灰色关联度分析方法， 找出与一氧化碳利用率相关性最大的操作参数滞后时间序列， 即 确定各个操作参数的滞后时间。以风量数据样本为例， 具体步骤如下 ： 0098 以 10 分钟为间隔， 提取滞后不同时间的数据样本， 分别表示为 Zfl、 Zfw、 Zfy、 Zfs、 Zps、 Zdy， 以风量为例如下， 0099 滞后 0 分钟 ： z0fl(k) x1(k)。
34、， k (1， 2， 480) ； 0100 滞后 10 分钟 ： z1fl(k) x1(k)， k (11， 12， 490) ； 0101 滞后 20 分钟 ： z2fl(k) x1(k)， k (21， 22， 500) ； 0102 0103 滞后 120 分钟 ： z1fl2(k) x1(k)， k (121， 122， 600) ； 0104 形成矩阵 0105 并提取一氧化碳利用率样本序列 X7 x7(1) x7(2) x7(3)x7(480)T。 0106 通过灰色关联度方法， 找出与 X7 关联度最大的 Z 中的列向量， 以确定相应因素 的滞后时间， 具体步骤如下 ： 010。
35、7 a 以 X7 序列为特征序列， Zfl矩阵中各列向量为比较序列。 0108 b 对特征序列和各个比较序列做无量纲处理， 即用同一数列的第一个数据去除后 面的所有数据， 得到一个各个数据相对于第一个数据的倍数， 使之转换为数量级大体相近 的无量纲数据， 处理后得到的特征序列 Q7 和各个比较序列 Pi(i 1， 2， 12) 如下所示 ： 0109 0110 0111 c 计算 Q7 与 Pi(i 1， 2， 12) 的关联系数。首先计算各点的关联系数 i(k)， 0112 0113 式中， 为分辨系数， 0， 1， 这里取 0.5。再综合各点的关联度， 得到 Q7 与 Pi(i 1， 2，。
36、 12) 的关联度 (i)， 说 明 书 CN 103729571 A 9 7/8 页 10 0114 0115 d 比较 (i)(i 1， 2， 12) 的大小， 假设 (t) 最大， 则矩阵 Z 中第 t 列数据 Zt 与 X7 的关联度最大。从而确定风温操作的滞后时间为 (t*10)min。Zt 则作为新的风温样 本数据。 0116 e其他操作参数按相同步骤确定滞后时间， 最终确定样本集Sx1 x2 x3 x4 x5 x6 x7， 存入计算机数据库中。 0117 本实例中各个操作参数的时滞时间确定结果如表 1 所示。由表可知， 风量的时滞 时间90min， 风温的时滞时间70min， 风。
37、速的时滞时间20min， 风压的时滞时间40min， 顶压的 时滞时间 60min， 喷煤速率的时滞时间为 70min。 0118 5) 对样本数据进行归一化处理。矩阵 S 的每一列数据按如下映射进行归一化处 理 ： 0119 0120 其中， x 为矩阵中一列数据的输入值， y 为经过归一化处理的输出值， ymax和 ymin分 别为归一化范围的最大值和最小值， 设为-1， 1。 xmax和xmax分别是矩阵一列数据中的最大 值和最小值。归一化后的样本矩阵为 S 。 0121 6) 交叉验证方法优化支持向量机的参数 c 和 g。具体步骤如下 ： 0122 确定参数 c 和 g 的取值范围。本。
38、实例选取 cmin -4， cmax 4， gmin -4， gmax 4。步进大小 cstep 0.1， gstep 0.1。 0123 确定测试集分组数目 V。本实例确定为 3。 0124 对测试集进行交叉验证。即， 当 c 和 g 以步长从小到大变化时， 以每一组测试集 1 为训练集， 后一组测试集为验证集， 计算验证的平均准确率。 0125 保留平均准确率最小的时候的 c 和 g 值， 最为最佳的参数值。参数优化选择过 程如图 2 所示。本实例中最佳参数 c 为 2， 最佳参数 g 为 1.867。 0126 7)利用最佳参数c和g， 对样本数据进行支持向量机训练， 以得到一氧化碳利用。
39、率 模型。 实例中， 以样本中前200组数据作为训练集， 后49组数据用于检验模型预测精度。 支 持向量机的核函数选择为 RBF 函数 ： exp(-r|u-v|2)。 0127 预测结果和实际结果的对比如图3所示， (由于输出为比值， 所以无单位)， 预测相 对误差如图 4 所示。由图可知， 相对误差在 0.2之内， 能够满足工业现场的要求。 0128 表 1 各参数不同时滞序列关联度表 0129 说 明 书 CN 103729571 A 10 8/8 页 11 说 明 书 CN 103729571 A 11 1/4 页 12 图 1 说 明 书 附 图 CN 103729571 A 12 2/4 页 13 图 2 图 3 说 明 书 附 图 CN 103729571 A 13 3/4 页 14 图 4 说 明 书 附 图 CN 103729571 A 14 4/4 页 15 图 5 说 明 书 附 图 CN 103729571 A 15 。