高炉透气性指数的核超限学习机预测模型

高炉透气性指数反映了高炉内煤气流运动受到阻碍的大小,是操作人员判断高炉运行状态的重要依据.本文针对超限学习机的缺点,提出了基于核超限学习机的高炉透气性指数预测模型.首先选取了适当的高炉参数作为模型的输入.其次采用小波变换对生产数据降噪处理.然后建立基于核超限学习机的高炉透气性指数预测模型.在建模过程中,探索了不同的核函数对模型性能的影响,并对相关参数寻优.最后进行仿真实验,同其他算法对比.实验结果表明,相比于传统算法,基于核超限学习机的高炉透气性指数预测模型训练速度更快,预测精度更高,预测结果更稳定.     

EMD-LSSVM模型预测高炉煤气产生量

钢铁企业实际生产中产生海量数据,在数据中隐藏着潜在的规律,针对高炉煤气产生量波动频繁,传统的预测算法精度低误差大的问题,本文通过对数据进行经验模态分解,建立一种EMD和LSSVM相结合的预测模型.首先将原始数据运用EMD方法分解成多个IMF分量和Res分量,对每个分量单独建立LSSVM预测模型,最后将各个分量的预测结果进行叠加重构得到最终的预测结果.本文所提出的方法,对某钢铁企业的实际生产中数据进行预测实验,结果表明,EMD-LSSVM算法确实可以提高预测的精度.     

钢铁企业高炉煤气发生量的在线预测建模

针对钢铁企业高炉煤气(BFG)发生量难于有效预测的问题,建立了基于数据滤波和最小二乘支持向量机的BFG发生量在线预测模型.提出改进经验模式分解阈值滤波(IEMDTF)方法对训练数据进行滤波处理;并设计了在线学习算法和贝叶斯优化法构建和优化预测模型,缩短了建模时间,同时提高了预测精度.现场实际数据预测结果表明所建模型在小样本和随机噪声数据环境下能保持很高的顶测精度,与其它预测模型相比,适合于高炉煤气发生量的实时在线预测.     

基于小波分析的ARIMA与LSSVM组合的高炉煤气预测

高炉煤气发生量的准确预测对钢铁企业能源优化调度具有重要意义;针对钢铁企业中基于机理模型的高炉煤气发生量难以准确预测问题,建立了基于小波分析的最小二乘支持向量机(LSSVM)和自回归差分滑动平均(ARIMA)相结合的高炉煤气预测模型;预测前利用小波去噪对原始数据进行消噪处理,并对处理后的数据进行小波变换得到趋势序列和波动序列,然后对各部分序列分别建模和预测,最后将各部分预测结果叠加;仿真结果表明,组合预测模型减小了预测误差,提高了预测精度;与其他模型相比,组合预测模型更适合高炉煤气预测.     

高炉透气性指数的改进多层超限学习机预测模型

高炉透气性指数是高炉操作者衡量高炉顺行状态的指标之一.针对传统透气性指数测量模型的缺陷,本文提出了一种基于改进的多层超限学习机(multi-layer extreme learning machine,ML–ELM)的高炉透气性指数预测模型.首先分析影响高炉透气性指数的相关操作参数,考虑到高炉生产数据含有大量噪声,运用小波去噪方法消除数据的噪声干扰.然后建立高炉透气性指数预测模型.在建模过程中,将偏最小二乘(partial least square,PLS)与多层超限学习机算法结合,消除多层超限学习机最后一层隐藏层的多重共线性,提高了模型预测精度.并且所提出的改进算法称为PLS–ML–ELM.最后使用现场生产数据对该模型训练和测试,预测结果表明所提出模型能够快速、精确地预测高炉透气性指数,并且为高炉的后续操作提供有效的决策与支持.     

基于分层递阶融合算法的高炉料面煤气流分布软测量方法

高炉能否稳顺、高产和低耗运行与煤气流的分布密切相关, 本文针对料面煤气流分布难以直接检测的问题, 提出了一种基于多源信息分层递阶融合的高炉料面煤气流分布软测量方法. 首先, 将多源信息配准为同一时间和空间的尺度; 然后, 采用数据级融合分别建立能够反映煤气径向和轴向分布的高炉料面温度场模型和高炉布料模型; 最后, 利用模糊决策级融合算法计算出高炉料面煤气流分布状态. 现场数据仿真表明本文的检测方法有效, 能够准确地反映高炉料面的煤气流分布状态, 为高炉操作提供必要的指导.     

高炉炉喉煤气流形态三维模型重建

高炉炉喉煤气流分布是表征高炉生产状况的重要因素且无法直接检测;本文提出一种基于炉顶摄像检测的高炉炉喉煤气流形态三维模型重建方法.首先建立检测系统的硬件结构,其次对煤气流形态图像预处理后,采用边缘检测算法提取图像特征,并提出基于方向链码的边缘跟踪算法,计算煤气流形态的图像坐标;最后结合摄像机内部参数并利用坐标系三维变化关系以及坐标映射关系,计算煤气流形态在三维空间的坐标,从而重建煤气流形态的三维模型.通过仿真对比高炉布料后煤气流形态发展的4个阶段的三维模型变化,估计气流形态的变化,从而估计高炉内部的煤气流分布状况,对指导高炉布料操作以及高炉稳顺运行奠定了基础.     

钢铁企业高炉煤气受入量的组合预测模型

针对钢铁企业中高炉煤气（ BFG）受入量难以有效预测的问题,提出了一种基于数据滤波的组合预测模型。首先,采用经验模态分解（ EMD）法将原始训练数据分解为相互独立的固有模态函数,根据各模态函数自相关函数的特点滤去噪声分量,采用滤波后的重构序列作为训练样本;然后,采用组合的支持向量机（ SVM）模型对受入量进行预测,并利用遗传算法（ GA）对支持向量机的参数进行优化;最后,利用现场实际数据验证该模型的预测精度,并与传统预测方法相比较,三组预测的平均绝对百分误差分别为3.22'、4.43'和5.23'。结果表明该方法对高炉煤气受入量的预测具有较高精度,为煤气管网的平衡调度提供了决策支持。     

基于DEEDA-CWLS-SVM的弓网电接触系统模型预测研究

在弓网电接触系统中,回路电流、运行速度、接触压力与载流稳定系数、电流效率、磨损率之间存在一定的函数关系,且该函数关系为多输入-多输出关系.因此,通过自行研制的实验机模拟弓网电接触系统的实际运行,提出一种基于柯西分布加权的最小二乘支持向量机(CWLS-SVM)进行弓网电接触系统的输入输出模型预测,考虑到CWLS-SVM模型的正则化参数C与高斯核参数σ难以选取的问题,采用差分进化分布估计(DEEDA)算法对以上参数进行寻优,利用实验数据进行预测模型的训练与检验.结果表明,采用本文算法建立的预测模型具有更高的预测精度,泛化能力强,为弓网电接触系统模型建立提供理论支持.     

基于高炉炉况评价和反馈补偿的喷煤量决策优化

高炉炼铁过程操作者根据炉况设定喷煤量,针对在增减量的大小和时机上存在盲目性、粗糙性、滞后性难题,将高炉冶炼机理与专家经验、过程信息相结合,建立基于煤气流分布和炉缸热状态评价的喷煤反馈补偿模型.首先,分析提取表征高炉煤气流分布和炉缸热状态的重要参数,利用熵权法确定评价模型的输入参数权重,依据专家经验与数据统计分析相结合的方法划分参数等级,分别建立煤气流分布和基于炉温预测的炉缸热状态评价模型;其次,建立与炉缸热状态和煤气流分布相适应的喷煤量反馈补偿模型,消除喷煤设定值不确定性、滞后性影响,提高煤粉的燃烧效率,实时、准确地为现场操作人员提供喷煤设定值.     

高炉铁水硅含量预报的ICA-SVM建模方法

提出了一种基于改进的动态独立分量分析（independent component analysis, ICA）和支持向量机(support vector machine, SVM)的高炉铁水硅含量预报模型建模方法．采用动态ICA方法对样本数据进行特征提取,消除生产工艺参数之间的相关性．在此基础上,再使用目前计算复杂性较小的最小二乘SVM算法建立高炉铁水硅含量预报的动态递推模型,并引入了遗传算法以优化模型性能．以某钢厂高炉实际生产数据进行了应用实验,并与现有的时间序列分析、人工神经网络和基本SVM建模方法进行了对比．实验统计结果表明,本文方法显著提高了铁水硅含量的预测命中率．     

基于数据驱动多输出ARMAX建模的高炉十字测温中心温度在线估计

高炉（Blast furnace,BF）炼铁中,十字测温作为炉顶温度和煤气流分布监测的最主要手段,对高炉的安全、稳定和高效运行起着重要作用.然而,由于高炉炉顶中心部位温度较高,造成十字测温装置中心位置传感器极易损坏,并且更换周期长,因而无法及时判断炉顶煤气流分布.针对这一实际工程问题,本文基于时间序列建模思想,集成采用多输出自回归移动平均（Multi-output autoregressive moving average,M-ARMAX）建模、因子分析、Pearson相关分析、基于赤池信息准则（Akaike information criterion,AIC）与模型拟合优度联合定阶等混合技术,提出一种模型结构简单、精度较高且易于工程实现的十字测温中心温度在线估计方法.首先,提出利用因子分析与Pearson相关分析相结合的稳健特征选择方法选取多输出建模输入变量.然后,采用样本均值消去法预处理采集的高炉样本数据,使其成为离散随机数.基于离散随机数,建立算法简单、易于工程实现的M-ARMAX温度模型:为了克服传统基于AIC阶数确定造成模型阶次高、结构复杂的问题,提出在AIC准则基础上进一步引入模型拟合优度来选取模型最小阶,可保证模型估计精度的同时降低模型阶次;同时,采用可快速收敛的递推最小二乘算法辨识M-ARMAX模型参数,并用残差分析方法检验模型.工业试验和比较分析表明:建立的M-ARMAX模型能够根据实时数据同时对十字测温装置多个中心温度点进行准确和稳定估计,且模型估计误差符合高斯白噪声特性.     

非均匀采样多率ARMAX系统RELS算法性能分析

针对一类有色噪声干扰的非均匀采样多率ARMAX系统的辩识问题,基于增广参数维数理论,将系统模型参数化,将信息向量中含有的不可测噪声项用其估计残差代替,推导了非均匀采样ARMAX系统的递推增广最小二乘(RELS)算法;利用鞅收敛定理对该算法的收敛性进行了理论分析,结果表明该算法在噪声方差有界和广义持续激励的条件下能够收敛到真参数.仿真例子验证了该算法具有良好的收敛速度与估计精度.     

基于粒子群算法的煤气化过程LS_SVM预测模型

针对最小二乘支持向量机参数选择对模型性能的重要影响,并且以往的参数优选方法效果差且耗时长这一问题,提出基于粒子群算法优化最小二乘支持向量机预测模型.该模型用最小二乘支持向量机理论建立,用粒子群算法优化模型参数.论文将此模型用于预测评价固定床煤气化气化效果的三个主要性能指标(气体热值、气化效率、气体产率),通过现场实际数据仿真结果表明,该算法有效地提高了模型预测精度,验证了此模型的可靠性和可用性.     

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC（State Of Charge）作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点。为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC（赤池信息）准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了改进带动态遗忘因子递推最小二乘算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值。将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波（EKF）算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。     

分段线性回归和动态加权神经网络融合的高炉料位预测

针对高炉料位难以连续高精度测量的问题,提出了一种基于分段线性回归和动态加权神经网络的高炉料位信息预测方法.首先,通过分析高炉布料机制和料位检测数据特点,提出了一种面向雷达和机械探尺检测数据时间序列的联合划分方法,用于提取高炉料位的周期性变化特征;然后,利用该变化特征构建分段线性回归模型,获得能准确描述料位变化的回归曲线;最后,以回归统计指标为权重调节系数,利用动态加权径向基神经网络对料位信息进行预测.实例验证表明,该方法融合了机械探尺检测数据精度高以及雷达检测数据连续性好的特点,实现了高炉料位信息的实时有效预测.     

Time-varying parametric system multiresolution identification by wavelets

In this paper, the problem of time-varying parametric system identification by wavelets is discussed. Employing wavelet operator matrix representation, we propose a new multiresolution least squares (MLS) algorithm for time-varying AR (ARX) system identification and a multiresolution least mean squares (MLMS) algorithm for the refinement of parameter estimation. These techniques can achieve the optimal tradeoff between the over-fitted solution and the poorly represented identification. The main features of time-varying model parameters are extracted in a multiresolution way, which can be used to represent the smooth trends as well as track the rapidly changing components of time-varying parameters simultaneously and adaptively. Further, a noisy time-varying AR (ARX) model can also be identified by combining the total least squares algorithm with the MLS algorithm. Based on the proposed AR (ARX) model parameter estimation algorithm, a novel identification scheme for time-varying ARMA (ARMAX) system is presented. A higher-order time-varying AR (ARX) model is used to approximate the time-varying ARMA (ARMAX) system and thus obtain an initial parameter estimation. Then an iterative algorithm is applied to obtain the consistent and efficient estimates of the ARMA (ARMAX) system parameters. This ARMA (ARMAX) identification algorithm requires linear operations only and thus greatly saves the computational load. In order to determine the time-varying model order, some modified AIC and MDL criterions are developed based on the proposed wavelet identification schemes. Simulation results verify that our methods can track the rapidly changing of time-varying system parameters and attain the best balance between parsimonious modelling and accurate identification.