一種基于矢量誤差的轉爐煉鋼溫度建模預測方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種基于矢量誤差的轉爐煉鋼溫度建模預測方法及系統(tǒng)，在傳統(tǒng)數據建模方法的基礎上，將目標值引入到鋼鐵冶煉過程的神經網絡模型訓練過程中，采用矢量誤差的方式對模型進行訓練，具體包括如下步驟：數據采集步驟、神經網絡模型初始化步驟、輸出計算步驟、矢量誤差計算步驟以及神經網絡模型參數優(yōu)化步驟。與現有技術相比，本發(fā)明具有以下有益效果：本發(fā)明在提高模型預測精度的同時，還能保證模型預測的方向也是正確的，可有效減少預測模型預測方向錯誤導致的誤操作控制行為發(fā)生，保證正確的控制操作，從而改善產品品質；本發(fā)明采用極值優(yōu)化算法對神經網絡模型參數進行優(yōu)化，很好的解決了傳統(tǒng)的神經網絡BP算法不再適用的技術缺陷。
【專利說明】一種基于矢量誤差的轉爐煉鋼溫度建模預測方法及系統(tǒng)
【技術領域】
[0001]本發(fā)明屬于建模及優(yōu)化控制【技術領域】，具體涉及一種基于矢量誤差的轉爐煉鋼溫度建模預測方法及系統(tǒng)。
【背景技術】
[0002]轉爐煉鋼(Basic oxygen furnace, B0F)是一個典型的包含復雜物理化學反應的批次生產過程。然而由于冶煉過程中缺乏有效的檢測手段，同時缺乏對鋼鐵冶煉過程的復雜性、波動性以及反應動態(tài)的精確了解，轉爐終點質量(成分和溫度)的預測與控制一直是困擾鋼鐵生產的難題。大部分鋼鐵企業(yè)轉爐的產品質量控制主要是依靠操作工的經驗或基于煉鋼過程機理的配料計算模型，由于鋼鐵生產的復雜性和多變性，現有的操作方式在吹煉終點往往難以獲得期望的產品品質，需要進行補吹或者改變產品規(guī)格，從而影響了鋼鐵企業(yè)生產的連續(xù)性，大大的增加了生產成本。因此，對煉鋼過程終點的溫度做出準確的預測并加以及時的調整，不但對轉爐裝置本身非常重要，而且對于平衡整個煉鋼-連鑄-連軋全流程的生產都具有重大意義。
[0003]過程控制中常用的建模方法基本可以分為三大類:白箱模型(機理模型)、黑箱模型(統(tǒng)計模型)、灰箱模型(機理和統(tǒng)計相結合的模型)。由于復雜過程的機理模型很難建立，基于精確數學模型的傳統(tǒng)優(yōu)化控制技術往往很難在實際生產中得到應用。隨著現代工業(yè)生產裝置的大型化、綜合化、復雜化，工業(yè)對象存在非線性、不確定性、大時滯、參數分布性和時變性，過程建模難度增大，需要綜合運用控制理論、信息處理、現代統(tǒng)計理論和優(yōu)化技術來實現流程工業(yè)過程建模。人工智能方法近年來在很多實際問題中的成功應用使得研究者們紛紛將其引入到煉鋼過程中來，期待能夠替代機理模型對煉鋼過程進行準確的預測和控制。由于神經網絡方法具有的對非線性過程擬合的能力以及易實現性，許多學者已經將其用于對轉爐煉鋼過程的建模(Cox et al., 2002;Tao et al.，2002;Fileti etal., 2006; Wang et al.，2006)，并取得了一定的成功；然而，鋼鐵冶煉過程是復雜的非線性過程，影響終點質量指標的因素眾多且很難用數學方程進行精確描述，傳統(tǒng)的基于標量誤差的數據建模方法只考慮了模型預測的絕對值誤差，從未考慮預測的方向性是否正確。在實際的生產過程控制中，預測模型的方向正確性也是非常重要的，即使預測值與目標值的誤差不大，但如果預測存在方向錯誤(比如預測溫度比目標溫度略高，但此時實際溫度比目標溫度低)，控制器會根據預測溫度與目標溫度的偏差進行調整，反而會引起誤操作導致產品質量變得更差。

【發(fā)明內容】

[0004]為了克服現有技術中存在的缺陷，本發(fā)明基于矢量誤差的轉爐煉鋼溫度建模預測方法及系統(tǒng)。本發(fā)明在傳統(tǒng)數據建模方法的基礎上，將目標值引入到鋼鐵冶煉過程的神經網絡模型訓練過程中，采用矢量誤差的方式對模型進行訓練，具體的技術方案如下:
[0005]一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，包括如下步驟:[0006]數據采集步驟:采集轉爐煉鋼過程中的歷史數據，并從中篩選出樣本數據；
[0007]神經網絡模型初始化步驟:建立一神經網絡模型并對神經網絡模型的參數進行初始化；
[0008]輸出計算步驟:將樣本數據輸入神經網絡模型，經過計算后輸出一預測值；
[0009]矢量誤差計算步驟:根據預測值、樣本數據的實際值以及目標值計算矢量誤差；根據矢量誤差，計算所有樣本數據的誤差評價函數值，對預測方向性錯誤的樣本數據進行加權懲罰；
[0010]神經網絡模型參數優(yōu)化步驟:對神經網絡的染色體進行變異，根據變異后的解依次執(zhí)行輸出計算步驟和矢量誤差計算步驟，獲得當前誤差評價函數值；將當前誤差評價函數值與最優(yōu)誤差評價函數值進行比較；若當前誤差評價函數值優(yōu)于最優(yōu)誤差評價函數值，則將當前誤差評價函數值作為最優(yōu)誤差評價函數值，用當前誤差評價函數值所對應的參數調整神經網絡模型的參數；判斷優(yōu)化后的神經網絡是否滿足需要，若不滿足需要則迭代執(zhí)行神經網絡模型參數優(yōu)化步驟，若已滿足需要則停止迭代，輸出神經網絡模型。
[0011]作為優(yōu)化方案，矢量誤差計算步驟進一步包括:
[0012]根據預測值和實際值之間的差值確定矢量誤差的絕對值，根據目標值、預測值以及實際值之間的相對位置確定矢量誤差的方向；矢量誤差的計算公式如下:
[0013]
【權利要求】
1.一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，包括如下步驟: 數據采集步驟:采集轉爐煉鋼過程中的歷史數據，并從中篩選出樣本數據； 神經網絡模型初始化步驟:建立一神經網絡模型并對所述神經網絡模型的參數進行初始化； 輸出計算步驟:將所述樣本數據輸入所述神經網絡模型，經過計算后輸出一預測值； 矢量誤差計算步驟:根據所述預測值、樣本數據的實際值以及目標值計算矢量誤差；根據所述矢量誤差，計算所有樣本數據的誤差評價函數值，對預測方向性錯誤的樣本數據進行加權懲罰； 神經網絡模型參數優(yōu)化步驟:對神經網絡的染色體進行變異，根據變異后的解依次執(zhí)行輸出計算步驟和矢量誤差計算步驟，獲得當前誤差評價函數值；將當前誤差評價函數值與最優(yōu)誤差評價函數值進行比較；若當前誤差評價函數值優(yōu)于最優(yōu)誤差評價函數值，則將當前誤差評價函數值作為最優(yōu)誤差評價函數值，用當前誤差評價函數值所對應的參數調整神經網絡模型的參數；判斷優(yōu)化后的神經網絡是否滿足需要，若不滿足需要則迭代執(zhí)行神經網絡模型參數優(yōu)化步驟，若已滿足需要則停止迭代，輸出神經網絡模型。
2.根據權利要求1所述的一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，所述矢量誤差計算步驟進一步包括: 根據所述預測值和所述實際值之間的差值確定所述矢量誤差的絕對值，根據所述目標值、所述預測值以及所述實際值之間的相對位置確定所述矢量誤差的方向；所述矢量誤差的計算公式如下:
3.根據權利要求2所述的一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，所述誤差評價函數包括誤差項和懲罰項，如公式(6)所示:
Fitnessglobal (S) = Error (S)+Penalty (S) (6) 其中，Fitnessgltjbal(S)為誤差評價函數，Error (S)為誤差項，Penalty (S)為懲罰項； 所述誤差項為預測值與實際值誤差絕對值的平方函數，如公式(7)所示:
4.根據權利要求1所述的一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，采用標準極值優(yōu)化算法對神經網絡模型參數進行優(yōu)化。
5.根據權利要求4所述的一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，所述對染色體進行變異操作具體為:依次改變染色體中的每個決策變量，如公式(10)所示: X1 = Xi + iV,(0,l)( 10 ) 其中力變異后的決策變量，Xi為原決策變量,Ni為符合正態(tài)分布且均值為O、方差為I的隨機擾動變量。
6.根據權利要求4或5所述的一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，所述參數優(yōu)化過程操作是基于實數編碼實現的，具體為:在對所述神經網絡的染色體進行變異之前，通過預置的對應關系將神經網絡的參數矩陣編碼成為極值優(yōu)化算法中所用的由實數串表示的染色體格式；在進行矢量誤差計算時，將極值優(yōu)化算法中使用的實數串表示的染色體解碼后組裝成為神經網絡中的參數矩陣。
7.根據權利要求1所述的一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，所述神經網絡是否滿足需要具體為:判斷神經網絡的預測精度及預測方向是否符合建模要求。
8.根據權利要求1所述的一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，所述神經網絡模型為前向三層神經網絡模型。
9.根據權利要求8所述的一種基于矢量誤差的轉爐煉鋼溫度建模預測方法，其特征在于，所述神經網絡模型參數包括連接權值和偏置系數。
10.一種基于矢量誤差的轉爐煉鋼溫度建模預測系統(tǒng)，其特征在于:包括: 數據采集單元:用于采集轉爐煉鋼過程中的歷史數據，并從中篩選出樣本數據； 神經網絡模型初始化單元:用于建立一神經網絡模型并對所述神經網絡模型的參數進行初始化； 輸出計算單元:用于將所述樣本數據輸入所述神經網絡模型，經過計算后輸出一預測值； 矢量誤差計算單元:用于根據所述預測值、樣本數據的實際值以及目標值計算矢量誤差；根據所述矢量誤差，計算所有樣本數據的誤差評價函數值，對預測方向性錯誤的樣本數據進行加權懲罰； 神經網絡模型參數優(yōu)化單元:用于對神經網絡的染色體進行變異，根據變異后的解，依次經由輸出計算單元和矢量誤差計算單元計算獲得當前誤差評價函數值；將當前誤差評價函數值與最優(yōu)誤差評價函數值進行比較，若當前誤差評價函數值優(yōu)于最優(yōu)誤差評價函數值，則將當前誤差評價函數值作為最優(yōu)誤差評價函數值，用當前誤差評價函數值所代表的參數調整神經網絡模型的參數；判斷優(yōu)化后的神經網絡是否滿足需要，若不滿足需要則迭代執(zhí)行神經網絡模型參數優(yōu)化步驟，若已滿足需要則停止迭代，輸出神經網絡模型。
【文檔編號】G06N3/02GK103778466SQ201310753234
【公開日】2014年5月7日 申請日期:2013年12月30日 優(yōu)先權日:2013年12月30日
【發(fā)明者】呂勇哉, 陳鵬, 施一眀, 潘再生 申請人:浙江中控研究院有限公司