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.
高炉炼铁、多元铁水质量、灰色关联分析法、核密度估计方法、均方根误差概率加权、数据驱动建模
37
国家自然科学基金项目;中央高校基本科研业务项目
2020-06-15(万方平台首次上网日期,不代表论文的发表时间)
共12页
987-998