高炉铁水质量均方根误差概率加权集成学习建模

高炉炼铁是一个物理化学反应复杂、多相多场耦合的大滞后、非线性动态密闭系统,其关键质量指标―铁水温度、Si含量、P含量、S含量难以直接在线检测,且离线化验过程滞后严重.针对这一实际工程难题,本文提出一种基于均方根误差概率加权集成学习建模算法,用于高炉多元铁水质量的预测建模.首先,为了提高建模数据质量,对高炉原始数据进行时间粒度的统一、数据归一化等数据预处理操作;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输入变量.然后,为了提高建模的精度,提出一种均方根误差概率加权集成随机权神经网络(RVFLNs)算法.该算法采用具有快速建模速度的RVFLNs为子模型,使用核密度估计方法估计出子模型的均方根误差概率密度函数曲线,进而求出每个子模型的均方根误差概率并作为自身权重进行加权求和,得到最终的均方根误差加权集成RVFLNs模型.最后,数值仿真验证和工业试验表明:所提算法能够根据实时输入数据的变化对多元铁水质量进行快速准确的预测.     

基于多参数灵敏度分析与遗传优化的铁水质量无模型自适应控制

铁水硅含量(化学热)和铁水温度(物理热)是高炉炼铁过程最重要的铁水质量指标, 其建模与控制对于整个高炉炼铁过程的运行优化意义重大. 针对高炉炼铁过程极复杂动态特性以及铁水质量难以进行常规机理建模与控制的难题, 基于直接数据驱动控制思想, 提出一种基于多参数灵敏度分析与大规模变异遗传参数优化的高炉铁水质量无模型自适应控制方法. 首先, 基于紧格式动态线性化(Compact form dynamic linearization, CFDL)无模型自适应控制(Model free adaptive control, MFAC)技术确定铁水质量的多变量数据驱动控制器结构; 然后, 针对CFDL-MFAC众多可调参数对控制器性能影响大, 同时对众多参数整体优化非常耗时且效果不理想的问题, 基于多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)技术, 提出基于大规模变异与精英局部搜索遗传优化的CFDL-MFAC控制器参数整定方法; 最后, 将参数整定后的CFDL-MFAC控制器应用到高炉炼铁过程多元铁水质量控制, 并与基于递推子空间辨识的数据驱动预测控制进行比较研究, 验证所提控制方法的有效性和先进性.     

高炉铁水质量鲁棒正则化随机权神经网络建模

高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality, MIQ)指标模型.针对现有MIQ建模方法的不足, 本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks, RVFLNs)算法, 用于实现MIQ指标在线估计的鲁棒建模.首先, 为了提高建模效率和降低计算复杂度, 采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量; 其次, 由于传统RVFLNs网络的输出权值由最小二乘估计获得, 易受离群数据影响而鲁棒性差, 引入基于Gaussian分布加权的M估计技术, 提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型; 同时, 在鲁棒加权后的最小二乘损失函数基础上, 进一步引入${L_1}$和${L_2}$两个正则化项以构成优化目标函数的Elastic net, 用于稀疏化RVFLNs网络的输出权值矩阵, 解决RVFLNs网络多重共线性和过拟合的问题.最后, 基于某大型高炉工业数据, 进行充分数据实验, 结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.     

复杂高炉炼铁过程的数据驱动建模及预测算法

高炉炼铁过程的控制意味着控制高炉铁水温度及成份在指定的范围. 本文以高炉炉内热状态的重要指示剂---高炉铁水硅含量为研究对象, 针对机理建模难以准确预测、控制高炉铁水硅含量的发展变化, 利用数据驱动建模的思想, 建立了基于多元时间序列的高炉铁水硅含量数据驱动预测模型. 实例分析表明, 建立的数据驱动预测模型能够很好地预测高炉铁水硅含量, 连续预测167炉高炉铁水硅含量, 命中率高达83.23%, 预测均方根误差为0.07260. 这些指标均优于基于单一硅时间序列所建立的数据驱动模型, 对实际生产具有很好的指导作用.     

高炉炼铁过程多元铁水质量指标多输出支持向量回归建模

针对高炉炼铁过程铁水温度、Si含量、S含量、P含量等关键质量指标难以直接在线检测,且离线化验过程滞后严重的难题,建立基于建模精度综合评价与遗传参数优化的铁水质量(molten iron quality,MIQ)多输出支持向量回归(multi-output support vector regression,M–SVR)动态模型,用于对高炉铁水质量指标进行在线估计.与常规单输出SVR建模不同,M–SVR可一次确定多个分类超平面,从而可实现多元铁水质量指标的多输出建模:建模精度综合评价指标从模型估计趋势以及估计误差等方面综合评价建模性能;以建模精度综合评价指标为适应度函数,采用遗传算法对M–SVR的伸缩向量和惩罚因子参数进行全局寻优,从而获得具有最优参数的GA–M–SVR动态模型.在某钢铁厂2#高炉的工业实验表明:所提GA–M–SVR模型能够根据实时输入数据的变化对多元铁水质量参数进行准确估计.     

质子交换膜燃料电池的分数阶非线性状态空间模型研究

针对质子交换膜燃料电池(PEMFC)发电过程中的分数阶和非线性特性,本文提出了一种分数阶子空间辨识方法建立了PEMFC非线性状态空间模型.首先,为了降低建模复杂度,采用典型相关分析法和相关分析法确定了模型输入变量;其次,将分数阶微分理论与Hammerstein模型子空间辨识方法相结合,采用Poisson矩函数对输入输出数据进行预处理,构造了子空间辨识方法的输入输出矩阵,并引入分数阶短时记忆法减少辨识算法计算量;最后,选取多项式作为Hammerstein模型前端静态非线性环节,采用模糊遗传算法优化系统分数阶阶次和系数矩阵.仿真结果验证了算法的有效性,改进的辨识算法可以明显减小计算时间,所得PEMFC辨识模型能够准确地描述PEMFC的动态过程.     

基于动态注意力深度迁移网络的高炉铁水硅含量在线预测方法

铁水硅含量是反映高炉冶炼过程中热状态变化的灵敏指示剂, 但无法实时在线检测, 造成铁水质量调控盲目. 为此, 提出一种基于动态注意力深度迁移网络(Attention deep transfer network, ADTNet)的高炉铁水硅含量在线预测方法. 首先, 针对传统深度网络静态建模思路无法准确描述过程变量与铁水硅含量之间的关系, 提出一种基于注意力机制模块的输入过程变量与输出硅含量之间的动态关系描述方法; 其次, 为降低硅含量预测模型训练时对标签数据的依赖, 考虑到铁水温度与硅含量数据之间的正相关性, 利用小时级硅含量标签数据微调基于分钟级铁水温度数据预训练好的深度模型的结构, 进而提高基于动态注意力深度迁移网络的硅含量预测精度; 同时, 为增强预测网络的可解释性, 实时给出了基于动态注意力机制模块计算的每个样本各过程变量对铁水硅含量的贡献度; 最后, 基于某钢铁厂2号高炉的工业实验, 验证了该方法的准确性、有效性和先进性.     

基于最优工况迁移的高炉铁水硅含量预测方法

高炉铁水硅含量是铁水品质与炉况的重要表征, 冶炼过程关键参数频繁波动及大时滞特性给高炉铁水硅含量预测带来了巨大挑战. 提出一种基于最优工况迁移的高炉铁水硅含量预测方法. 首先, 针对过程变量频繁波动问题, 提出基于邦费罗尼指数的自适应密度峰值聚类算法, 实现对高炉冶炼过程变量的工况划分, 并建立不同工况硅含量预测子模型. 其次, 针对冶炼过程的大时滞特性, 定义相邻时间节点间的硅含量工况迁移代价函数, 并提出多源路径寻优算法, 实现冶炼过程中硅含量最优工况迁移路径及当前时刻硅含量最优预测值的求解. 最后, 基于工业现场数据验证了所提方法的有效性与准确性.     

高炉布料设定值优化控制

高炉炼铁是钢铁生产中的重要能耗因素.为了实现生产的节能降耗,布料策略显得极为重要.本文针对某钢铁厂高炉的无料钟布料系统,基于现场采集的数据,建立了以铁水质量和经济效益为变量的指标效益评价函数,给出了最优设定料面的推理机制.针对不同运行环境,建立不同的料面优化设定值,构成多模型集合.当工况环境发生大的变化时,采用切换机制,对比多模型集合,选择最优料面设定值,并在此基础上对布料进行自适应控制,计算布料矩阵,提高布料过程的快速性和准确性.最后对整个高炉动态优化控制系统做了总体分析,基于现场数据,对高炉布料模型进行了仿真和验证.     

基于Stacking的高炉铁水质量区间预测

高炉炼铁多元铁水质量的实时准确预报是高炉内部状态进行实时监测和有效控制的重要手段,但预报结果存在准确度不高和缺乏可信度表征的问题,特别是在炉况不稳定和高炉数据波动大的情况下,多元铁水质量的预报结果存在较大偏差和较低可信度,不能为高炉日常操作和调节提供指导.针对这一工程难题,提出一种基于Stacking的高炉铁水质量区间...     

Nonlinear modeling of PEMFC based on fractional order subspace identification

Aiming at the multivariable, nonlinear and fractional‐order characteristics of proton exchange membrane fuel cell (PEMFC), this paper presents a nonlinear state space model based on a novel fractional Hammerstein model subspace identification theory. To reduce the complexity of modeling and choose the suitable input variables, canonical correlation analysis (CCA) method is used to select the most influential factors as the model input variables, and correlation analysis (CA) method is employed to remove the redundant input variables. To guarantee that the input‐output data are derivable at different fractional order, a Poisson moment function (PMF) is employed to construct the fractional order Hammerstein model with a six‐order polynomial as the front static nonlinear unit. To improve computing speed, a fractional differential short memory method (SMM) is proposed to reduce the computation cost of the identification algorithm. Meanwhile, a fuzzy genetic algorithm is adopted to acquire the best fractional order. Simulation results show that the fractional subspace identifying method can avoid fuel cell's internal complexity and PEMFC identification model can describe the working process of PEMFC accurately and quickly, which will provide an ideal control model for some advanced controller.     

污水处理过程递推双线性子空间建模及无模型自适应控制

污水处理过程中, 生化反应硝态氮浓度和溶解氧浓度是决定出水水质好坏的两个最关键变量, 难以采用常规基于模型的方法进行有效控制. 本文基于数据驱动建模与控制技术, 提出一种污水处理过程递推双线性子空间辨识(Recursive bilinear subspace identification, RBLSI)建模和无模型自适应控制方法. 首先, 针对污水处理过程的非线性时变动态特性, 采用最小二乘递推双线性子空间辨识方法建立污水处理生化反应过程具有参数自适应能力的递推双线性模型; 其次, 基于建立的数据驱动模型, 采用基于多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)和遗传粒子群优化(Genetic algorithm-particle swarm optimization, GA-PSO)算法的无模型自适应控制(Model-free adaptive control, MFAC)方法对硝态氮和溶解氧浓度进行直接数据驱动控制; 最后, 数据实验及其比较分析表明了所提方法的有效性和优越性.     

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.     

集成自编码与PCA的高炉多元铁水质量随机权神经网络建模

针对随机权神经网络（Random vector functional-link networks,RVFLNs）建模存在的过拟合和泛化能力差的问题,集成自编码（Autoencoder）和主成分分析（Principal component analysis,PCA）技术,提出一种新型的改进RVFLNs算法,即AE-P-RVFLNs算法,用于建立高炉多元铁水质量在线估计的NARX（Nonlinear autoregressive exogenous）模型.首先,为了尽可能挖掘实际复杂工业数据中的有用信息和充分揭示输入数据之间的内在关系,采用Autoencoder前馈随机网络技术训练建模输入数据,并将训练得到的输出权值作为后续RVFLNs的输入权值;然后,引入PCA技术对RVFLNs的高维隐层输出矩阵进行降维,避免隐层输出矩阵多重共线性问题,从而解决由于隐层节点过多导致模型过拟合的问题;最后,基于所提AE-P-RVFLNs算法建立某大型高炉多元铁水质量在线估计的NARX模型.工业实验和比较分析表明：采用本文算法建立的多元铁水质量在线估计模型可有效提高运算效率和估计精度,尤其是避免常规RVFLNs建模存在的过拟合问题.     

Modeling of pH process using wavenet based Hammerstein model

This paper outlines an approach for developing a Hammerstein model for nonlinear dynamic systems. The nonlinearity is sought to be captured through functional approximation using wavelets cast in a wavenet structure. Nonlinear block of wavenet at input side is cascaded with a linear dynamic block described by a state space model. A sequential approach is used for development of static nonlinear and linear dynamic parts of the model. Configuration and parameters of the nonlinear wavenet structure are determined from near steady state data extracted from dynamic test data while the state space model parameters of the linear dynamic part are obtained using a subspace identification approach. This approach has been applied for modeling a strongly nonlinear pH process operated over a wide range of operating conditions.