一種基于Adaboost-PLS-ELM的LF爐終點溫度預報方法
【專利摘要】針對LF爐終點鋼水溫度預報的問題，提出了基于AdaBoost的ELM-PLS方法的溫度預報模型。介紹了Adaboost算法的方法與優(yōu)勢，集成梯度數據ELM-PLS方法中過程數據時段分解、均值求取、回歸模型建立等關鍵內容，并將建立的預報模型用LF爐溫度預報中。實驗和仿真表明,基于Adaboost-ELM-PLS預報方法模型有效地提高LF爐鋼水溫度預報精度,為LF爐鋼水溫度控制提供了模型依據,并且其維護費用低、實時性好、可靠性及精度高。
【專利說明】-種基于Adaboost-PLS-ELM的LF爐終點溫度預報方法
【技術領域】
[0001] 本發(fā)明涉及一種LF爐終點溫度預報算法，實時性好，可靠性和精度高。
【背景技術】
[0002] LF爐即為鋼包精煉爐，是鋼鐵生產中主要的爐外精煉設備.LF爐擁有如下特點： 設備結構簡單，具備多種有效的爐外精煉手段，還可以提高鋼液的純度并滿足連鑄對鋼液 成分及溫度的要求，協(xié)調煉鋼與連鑄的節(jié)奏.現在LF爐生產過程已全面實現自動化，鋼水 的加熱設定由計算機根據不同的鋼種和生產要求自動確定，數字化的電極控制盤可監(jiān)視重 要參數，實現復雜的算法，控制精度大大提高，提高了熱效率，降低了能耗.LF終點溫度精 確控制對于鋼的質量和連鑄操作的順行十分重要.然而，LF操作過程影響終點溫度的因素 比較復雜，許多影響因素無法準確測量，加之，各爐鋼水進站時的鋼水重量不同、鋼包冷熱 狀態(tài)不同等均會對鋼水終點溫度的準確預報造成一定影響，所以，很難用準確的數學方程 進行描述.本發(fā)明提出一種基于Adaboost-PLS-ELM的LF爐終點溫度預報方法。
【發(fā)明內容】
[0003] 本發(fā)明的目的，是提供一種基于Adaboost-PLS-ELM的LF爐終點溫度預報方法，該 方法模型維護費用低，實時性好，精度高. 在求取LF爐的溫度時，將圖1中所包含的元素作為模型里面的輸入與輸出，使用 Adaboost-PLS-ELM算法來學習它們之間的映射關系，求取權值，從而最終得到LF爐終點溫 度預報模型. ⑴PLS算法 PLS方法主要對自變量和因變量采用成分提取，利用提取的成分建立回歸模型，這樣既 充分的體現了自變量與因變量之間的關系，又降低了建模的復雜性。假定有P個自變量和 Q個因變量，N個樣本點，這樣構成的自變量數據矩陣為X={Xi，，，XP}和因變量數據矩陣為 Υ={Υρ，，Yq}。利用偏最小二乘算法分別從X和Y提取主成分，其中&是Xi，，，XP的線 性組合，^是I，，，Y,的線性組合。此外在提取主成分的時要滿足兩點要求：主成分的代表 性，8卩h和 Ul應最大可能的攜帶各自變量系統(tǒng)中的變異信息；主成分的相關性，即h和Ul 的相關程度達到最大，也就是h對因變量系統(tǒng)有很強的解釋能力。該要求表明，自變量成分 h和因變量成分Ul應最大可能地代表相應的數據矩陣，同時h又要盡可能好的解釋Ul。分 別實施自變量X、Y因變量對提取的成分h、 Ul的回歸分析建立回歸方程，并計算X、Y提取 成分后的殘差矩陣&、t。以此類推，通過判斷是否達到預設精度，對殘差矩陣進行成分提 取，直到滿足預設精度為止。假設最后對X提取了 m個成分&......tm，通過實施yk(k=l，，，q) 對乜的偏最小二乘回歸分析，將因變量ΥΗΥρ,,Υ,)表達成關于自變量ΧΗΧρ，，XP} 的回歸方程。這樣就完成了偏最小二乘回歸建模. (2) ELM算法 傳統(tǒng)的前饋神經網絡（譬如BP網絡）在訓練中采用梯度學習算法，網絡中的參數需要 迭代更新，不僅訓練時間長，而且容易導致局部極小和過度訓練等問題，另外其多隱層的結 構也導致了樣本訓練速度慢，訓練誤差大.針對上述問題，黃某等人提出了一種單隱層前 饋神經網絡的新算法一-ELM. 任意選取N個樣本，Α) e (RnXRn)，這里Xi e Γ為輸入，yi e Γ為目標輸出。 如果一個有L個隱含層節(jié)點的SLFN能以0誤差來逼近這個N樣本，則存在，有βρ ai，k
【權利要求】
1. 一種基于Adab〇〇St-PLS-ELM的LF爐終點溫度預報方法其特征是：基于利用PLS去 除噪聲及變量相關性的特點以及ELM學習機快速學習的特點，應用集成梯度數據ELM-PLS 方法進行建模，本發(fā)明的集成梯度數據ELM-PLS建模方法與線性PLS方法不同之處在于采 用ELM建立內部非線性模型，集成梯度數據ELM-PLS方法保留了線性外部模型，通過PLS提 取過程的特征信息，消除了數據的共線性.再由于ELM算法具有不穩(wěn)定性，每次計算的誤差 較大的缺點，本算法又引進了 Adaboost算法來對ELM進行學習，形成新的強學習機來預報 溫度，大大的減小了誤差，提高了溫度預報的精度。 2. Adaboost-PLS-ELM的建模與測試步驟如下： (1) ELM-PLS建模：利用交叉檢驗法確定潛變量個數，采用線性PLS方法計算建模樣本 A、八的得分向量矩陣A和心及負載向量矩陣八和W (2) 設定ELM隱含層節(jié)點數和激活函數（如sigmoid函數），采用ELM建立內部模型Γ 和V之間的非線性模型，可求得(7)，式中/()為ELM表示的非線性函數； (3) 利用步驟（1)中確定的潛變量個數，對測試樣本^、廠進行線性PLS外部模型分解， 得到得分向量矩陣7；、^和負載向量矩陣Λ、0 ; (4) 將6帶入步驟（2)建立的ELM模型中，求得= ,利用；= 求得測試 樣本的預測值； (5) 將建模好的數據帶入ELM中計算，并將多組ELM學習機通過Adaboost進行學習，最 后得出強學習機來預報溫度。
【文檔編號】G06F19/00GK104050380SQ201410292952
【公開日】2014年9月17日 申請日期:2014年6月26日 優(yōu)先權日:2014年6月26日
【發(fā)明者】肖冬, 張賢哲, 高旭陽 申請人:東北大學