高炉硅含量预测控制的时间序列混合建模

根据时间序列原理，对铁水硅质量分数w(Si)序列的动态特性进行了分析，找出了其主体成分.综合炼铁工艺理论和6号高炉炼铁现场的实际情况，对影响铁水硅质量分数w(Si)的各个因素进行了典型相关分析，确定了w(Si)的主要影响因素为：料速、风量、喷煤、透气性、富氧率、铁水物理温度和渣碱度.建立了由AR(2)、状态变量和控制变量混合构成的w(Si)预测控制的传递函数模型.使用包钢6号高炉生产数据验证表明，此模型克服了以往炉温控制模型把炼铁理论和统计知识分离的缺点，炉温预报的命中率高达84%，预测控制取得了较好的效果.     

测井时间序列的替代数据混沌判定方法的研究

利用测井时间序列进行计算机自动测井解释已成为正确认识油层地质规律的重要途径,但能够有效区分沉积相的曲线特征却难以提取.由于测井时间序列的非均质性,线性特征已不能满足逐渐细分的多种沉积微相的分类要求.而提取时间序列的非线性(混沌)特征时,首先要判定它是否含有混沌特性.这里将替代数据法应用于某油田的3种真实测井数据的混沌判定,并结合全井的关联维数做判据进行实验.得出的判据显示,3种测井时间序列均含有混沌.这一结果表明,具有复杂形态的测井时间序列可以用低阶非线性模型或适当的分维特征来描述.这为进一步应用混沌时间序列分析方法研究测井数据打下了理论基础.     

胎儿心率信号的替代数据分析

利用基于关联维数的振幅调节傅里叶变换的替代数据法对健康的和病态的胎儿心率(Fetal heart rate,即FHR)时间序列进行了分析,给出了胎儿心率时间序列非线性和混沌特性的判定方法,计算结果表明健康的胎儿心率信号的混沌判据S＞2,非线性t检验t＞tαf,说明健康信号具有非线性混沌特性;而病态的胎儿心率信号的混沌判据S＜2,说明病态信号不具有混沌特性.     

观测分析中的回归-时序列模型

大坝观测数据经常规回归分析后的残差序列一般并非为白噪声。考虑将回归拟合与随机型时间序列方法结合，先对大坝位移数据按水位、温度、时效等物理因素作回归分析，再对回归残差作时序列建模处理，实例采用Box-Jenkins法和自由相关、偏自相关函数及AIC准则进行模型识别，建立时序列模型，应用示例的计算表明，这样获得的回归-时序列模型能很好拟合实测数据，提高精度，误差序列也符合白噪声要求。     

高炉炉温预测控制的变系数回归模型

为更好地预测与控制高炉炉温的发展趋势，从高炉炉温控制的混合动力学方程出发，在将其差分离散的基础上，运用变系数回归的相关理论，建立了高炉炉温预测控制的变系数回归模型.同时运用加权最小二乘法对模型的参数进行估计，得到每一炉下具体的高炉炉温预测控制的回归模型.结合包钢6#高炉的数据进行预测控制模拟，取得了90%命中的预测效果.此外，还给出了每一预测时刻下控制变量、状态变量与铁水硅质量分数w(Si)之间的数量关系，为预测之后的控制奠定了模型基础.     

TGARCH模型预测高炉铁水硅质量分数

为了更好地反映高炉铁水硅质量分数序列的高波动特性,利用门限广义自回归条件异方差（TGARCH）模型对硅质量分数序列进行预测.应用Portmantea Q检验、拉格朗日乘子检验以及非对称项系数显著性检验,验证了高炉铁水硅质量分数序列存在异方差性和非对称性.在此基础上将TGARCH模型应用于高炉铁水硅质量分数预测,采用极大似然估计法确定参数,建立TGARCH(1,1,1)预测模型,并采用命中率和误差率2种评价准则对预测结果进行分析.这种方法克服了以往模型没有考虑序列非对称性影响的缺陷,更加适合于高炉铁水硅质量分数的预测.将预测模型应用于包钢6号高炉,取得了较好的预测效果.     

基于改进生成对抗网络的图像数据增强方法

为了提高机器学习模型的精确度，提出基于数据分布拟合、生成式对抗神经网络和图像超分辨率重建的图像数据增强方法.该方法将最大似然估计和采样算法生成的符合原始数据分布的二维噪声用于对抗训练，克服了在生成模型中传统图像噪声输入随意的问题；采用逐层训练方式生成高分辨率图像，改进高分辨率图像映射困难、参数冗余的缺点.以轴承滚子表面灰度图像数据增强为例，验证所提方法的有效性.研究结果表明，所提方法生成的图像质量更优，相比传统方法生成的图像峰值信噪比提高13.07%，结构相似性提高32.40%，弗雷歇初始距离降低37.58%，且数据增强后的模型平均精确度提升7.89%.     

产量递减的时序分析法预测

首次运用时间序列分析的基本理论和方法,以大港油田港东东区块递减期产油量数据为例,建立该区块产量递减的自回归AR(3)模型,用最小二乘法进行参数估计。通过检验模型效果,相对误差较小。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

基于小波的Web流量组合预测方法研究

为了提高Web流量的预测精度，提出一种基于小波、神经网络和自回归的组合预测方法．首先将Web流量构造为2个相关序列：历史序列和相似值序列；对具有平稳特征的相似值序列用AR模型进行预测；对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后，针对各分支特点分别采用神经网络和自回归模型预测；最后组合2条序列的预测结果获得最终预测值．理论分析与实验表明：组合预测方法可以充分利用与流量相关的多种数据关系；小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列．因而所建方法比传统的预测方法具有更高的预测精度．     

预测铁水硅含量的TGARCH模型研究

在高炉炼铁过程中,铁水硅含量是表征炉温热状态的主要参数指标．本文利用包钢6#高炉2011年连续2个月的铁水硅含量700炉生产数据,将金融领域中预测股票波动的时间序列模型用于高炉铁水硅含量的预测中,建立了铁水硅含量的时间序列预测模型．该预测模型重点考虑了炉温的波动性、非对称,性、异方差性,克服了以往炉温控制模型只针对炉况较稳定时才能预测的缺陷．因此该炉温模型预测命中率达到80％,取得较好预测效果．     

高炉煤气产生量与消耗量动态预测模型及应用

针对钢铁企业高炉煤气产生量和消耗量波动频繁,难以有效预测的问题,应用小波分析方法将高炉煤气产生量和消耗量历史数据经剔除"噪声"后分为趋势数据和波动数据,并结合高炉实际运行工况,建立一种具有时序更新和自我修正功能的最小二乘支持向量机(Lssvm)高炉煤气动态预测模型.以一座容积为3 200 m3高炉的煤气产生量和相应的热风炉煤气消耗量作为样本数据,对8 h内的煤气产生量与消耗量进行了动态预测.结果表明:采用小波分析后的Lssvm预测模型绝对平均误差降低到2.77%,Update_Lssvm模型预测高炉煤气产量精度达到1.55%,热风炉高炉煤气消耗量精度达到4.23%,解决了变工况下高炉煤气产生量和消耗量预测随机性问题.与其他预测模型相比,Update_Lssvm模型预测精度明显提升.该模型不仅具有泛化能力,也为高炉煤气优化调度提供了理论依据.     

鲁棒的递推核学习建模方法在高炉过程的应用

针对现场采集时间序列数据中的离群点显著影响时变非线性工业过程在线模型性能这一问题,提出鲁棒的递推最小二乘支持向量机软测量建模方法.在模型训练阶段,采用支持向量聚类（SVC）排除离群点,建立有效的数据区域.将SVC用于递推过程前向学习阶段,并引入更有效的增删节点准则,在快速递推的前提下提高了模型的推广能力.将该方法应用于工业高炉过程铁水的硅质量分数预测,通过试验连续预测566炉高炉铁水硅质量分数,命中率高达81%,预测均方根误差为0.054 7,表明了较其他方法有更好的鲁棒性与精度.     

An Improved Artificial Neural Network Model for Predicting Silicon Content of Blast Furnace Hot Metal

Based on the skills of initializing weight distribution, adding an impulse in a neural network and expanding the ideal of plural weights, an artificial neural network model with three connection weights between one and another neural unit was established to predict silicon content of blast furnace hot metal. After the neural network was trained in the off-line state on the basis of a large number of practical data of a commercial blast furnace and making many learning patterns, satisfactory testing and simulating results of the model were obtained.     

高炉铁水硅质量分数的模糊预测函数控制

在模糊预测函数控制的基础上，建立了一种新型算法来预测高炉铁水硅质量分数.基于莱钢1号高炉在线采集的数据，并结合专家语言规则生成模糊规则.控制参数作为模型的输入参数，主要有：料速、透气性指数、喷煤量、风温、风量，计算得到了各个参数的时滞.应用该算法对高炉铁水硅质量分数进行了局部预测控制，结果表明,改变喷煤量对控制铁水硅质量分数的波动起到明显作用，当喷煤量控制在区间［10 t/h,15.5 t/h］时，铁水硅质量分数在［0.36,0.58］区间内波动，且铁水硅质量分数的波动逐渐变小.     

基于改进BP网络的高炉煤气发生量预测模型

针对高炉煤气发生量波动对煤气调度和优化影响的问题,提出一种基于改进BP网络的高炉煤气发生量预测模型.由于影响高炉煤气发生量的因素很多,采用机理和现场实际数据相结合方法分析影响高炉煤气发生量的因素,确定模型输入,采用炼铁高炉现场数据对模型进行训练,利用贝叶斯正则化算法来提高神经网络泛化能力.仿真结果表明,该模型能够准确预测高炉煤气发生量的变化趋势,为制定煤气管网平衡调度策略提供科学的依据和决策支持,有利于减少煤气排放,提高煤气利用率和企业的信息化水平.该预测模型已经成功应用到杭州钢铁集团煤气调度系统中,运行结果验证模型的有效性.     

LFMCW SAR调频非线性的等效分析方法

针对LFMCW的调频非线性问题,结合LFMCW SAR成像系统特性,分析了非线性频率偏移的影响,讨论了选择不同参考信号进行混频情况下的边带效应,提出了一种将非线性频率误差通过相位误差转化为加性噪声的等效分析方法,并通过仿真分析了该等效噪声对LFMCW SAR距离分辨率的影响。结果表明,较低的线性度对差拍频率和信噪比影响很大。该方法可为基于信号处理消除非线性误差的影响提供新的思路。     

基于低维约束嵌入的分布参数系统建模

针对分布参数系统受时空耦合特性、强非线性、复杂的能量交换以及未知因素等的影响,难以精确建模的问题,提出基于数据驱动的低维约束嵌入建模方法. 以数据流形分布为基础,考虑数据局部非线性和全局非线性;通过非线性映射和流形学习方法,保证数据局部流形结构的非线性联系;约束非局部流形结构,避免数据在低维空间内发生混乱现象;采用最小二乘支持向量机建立时序模型,获得时间方向上的动态特征,并通过时空整合,重构系统完整的预测模型. 热过程的实验结果表明,所提出的方法能有效建立强非线性分布参数系统的模型,与传统方法对比,具有更强的建模性能与预测能力.