本發(fā)明涉及一種燒結(jié)礦性能預(yù)測(cè)及評(píng)價(jià)方法，尤其是涉及一種用于燒結(jié)礦性能指標(biāo)預(yù)測(cè)及綜合質(zhì)量評(píng)價(jià)方法。
背景技術(shù)：
：鋼鐵生產(chǎn)是一個(gè)復(fù)雜的流程工業(yè)生產(chǎn)過(guò)程，生產(chǎn)過(guò)程的核心是高爐煉鐵，燒結(jié)生產(chǎn)作為高爐煉鐵生產(chǎn)的前工序，是煉鐵生產(chǎn)的原料準(zhǔn)備環(huán)節(jié)，燒結(jié)礦的質(zhì)量直接影響著高爐煉鐵的產(chǎn)量、質(zhì)量及生產(chǎn)能耗，對(duì)燒結(jié)礦生產(chǎn)性能的準(zhǔn)確預(yù)測(cè)是優(yōu)化鋼鐵生產(chǎn)的前提，對(duì)鋼鐵生產(chǎn)具有重要的指導(dǎo)意義。燒結(jié)過(guò)程工藝機(jī)理復(fù)雜，既包括多道工序，且各工序之間又相互關(guān)聯(lián)、相互影響。燒結(jié)過(guò)程的基本原理是將有用的礦物粉末(含鐵原料、熔劑、燃料、水等)按照一定比例進(jìn)行配料，并加入適當(dāng)?shù)乃?，?jīng)混合制粒后，鋪到燒結(jié)機(jī)臺(tái)車上，燒結(jié)料經(jīng)表面點(diǎn)火后，在下部風(fēng)箱強(qiáng)制抽風(fēng)作用下，料層內(nèi)燃料自上而下燃燒并放熱，混合料在高溫作用下發(fā)生一系列物理、化學(xué)反應(yīng)，并產(chǎn)生一定的液相，隨著料層溫度降低冷卻，液相將礦粉顆粒固結(jié)成塊。燒結(jié)生產(chǎn)性能指標(biāo)的影響因素眾多，性能指標(biāo)與影響性能指標(biāo)的各變量之間呈現(xiàn)出很強(qiáng)的非線性特征，因此需要預(yù)測(cè)模型具有強(qiáng)大的非線性處理能力。在現(xiàn)有的燒結(jié)礦生產(chǎn)性能預(yù)測(cè)模型中，以單一的預(yù)測(cè)模型為主，而在實(shí)際燒結(jié)生產(chǎn)中，單一的預(yù)測(cè)模型不能滿足不同性能指標(biāo)的差異化特點(diǎn)。經(jīng)過(guò)對(duì)現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，燒結(jié)礦性能預(yù)測(cè)研究較多。在中國(guó)專利“燒結(jié)礦轉(zhuǎn)股強(qiáng)度預(yù)測(cè)方法”(公開(kāi)號(hào)CN103258130A)中，宋強(qiáng)等提出一種采用灰色殘差修成模型的組合預(yù)測(cè)方法，提高了預(yù)測(cè)的精度和泛化性。在中國(guó)專利“小樣本貧信息下的燒結(jié)礦化學(xué)成分預(yù)測(cè)與智能控制系統(tǒng)”(公開(kāi)號(hào)：CN102156405A)中，王愛(ài)民等提出一種灰熵支持向量機(jī)的運(yùn)算方法，在小樣本貧信息的條件下對(duì)燒結(jié)礦化學(xué)成分做出比較準(zhǔn)確的預(yù)測(cè)。但已有相關(guān)研究中沒(méi)有全面考慮燒結(jié)礦生產(chǎn)各個(gè)不同參數(shù)對(duì)燒結(jié)礦性能的影響，缺少能適用于不同燒結(jié)礦性能指標(biāo)的預(yù)測(cè)模型。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種用于燒結(jié)礦性能指標(biāo)預(yù)測(cè)及綜合質(zhì)量評(píng)價(jià)方法。本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：一種用于燒結(jié)礦性能指標(biāo)預(yù)測(cè)及綜合質(zhì)量評(píng)價(jià)方法，該方法包括如下步驟：(1)確定用于燒結(jié)礦綜合質(zhì)量評(píng)價(jià)的所有性能指標(biāo)，根據(jù)灰色關(guān)聯(lián)度法確定每個(gè)性能指標(biāo)對(duì)應(yīng)的重要影響參數(shù)；(2)對(duì)每個(gè)性能指標(biāo)分別建立兩個(gè)獨(dú)立的預(yù)測(cè)模型，所述的預(yù)測(cè)模型用于對(duì)各個(gè)性能指標(biāo)值進(jìn)行預(yù)測(cè)；(3)對(duì)于每個(gè)性能指標(biāo)，基于信息熵的方法確定兩個(gè)獨(dú)立的預(yù)測(cè)模型得出的預(yù)測(cè)值的權(quán)重，進(jìn)而得到綜合兩個(gè)預(yù)測(cè)模型的燒結(jié)礦的各個(gè)性能指標(biāo)的預(yù)測(cè)值；(4)對(duì)得到的綜合兩個(gè)預(yù)測(cè)模型的燒結(jié)礦的各個(gè)性能指標(biāo)的預(yù)測(cè)值進(jìn)行綜合評(píng)價(jià)得到燒結(jié)礦的質(zhì)量等級(jí)。所述的兩個(gè)獨(dú)立的預(yù)測(cè)模型包括灰色預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，所述的灰色預(yù)測(cè)模型為基于時(shí)間序列的預(yù)測(cè)模型，所述的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸入為相應(yīng)的性能指標(biāo)對(duì)應(yīng)的重要影響參數(shù)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸出為對(duì)應(yīng)的性能指標(biāo)預(yù)測(cè)值。步驟(1)根據(jù)灰色關(guān)聯(lián)度法確定每個(gè)性能指標(biāo)對(duì)應(yīng)的重要影響參數(shù)具體為：(101)獲取待確定的性能指標(biāo)對(duì)應(yīng)的原始參考序列X0：X0＝{x0(1),x0(2),...,x0(n)}，X0中的元素記作x0(t)，t為采樣時(shí)刻，t＝1,2……n，x0(t)為t采樣時(shí)刻的性能指標(biāo)值；(102)獲取待確定的性能指標(biāo)的所有影響參數(shù)，第i個(gè)影響參數(shù)比較序列為Xi：Xi＝{xi(1),xi(2),...,xi(n)}，Xi中的元素記作xi(t)，t為采樣時(shí)刻，t＝1,2……n，xi(t)為第i個(gè)影響參數(shù)在t采樣時(shí)刻的數(shù)值，i＝1,2……P，P為影響參數(shù)的總個(gè)數(shù)；(103)對(duì)原始參考序列X0進(jìn)行標(biāo)準(zhǔn)化處理，得到Y(jié)0：其中，Y0中的元素記作y0(t)，(104)對(duì)比較序列Xi進(jìn)行標(biāo)準(zhǔn)化處理，得到Y(jié)i，Yi中的元素記作yi(t)，t＝1,2……n；(105)計(jì)算灰色度關(guān)聯(lián)系數(shù)，在t＝k時(shí)刻，y0(t)與yi(t)的灰色關(guān)聯(lián)系數(shù)為：式中，Δ0i(k)＝|yi(k)-y0(k)|，Δmax、Δmin分別為Δ0i(k)的最大值與最小值，ρ為分辨系數(shù)，ρ∈(0,1)，k＝1,2……n；(106)求取第i個(gè)影響參數(shù)比較序列與原始參考序列的灰色關(guān)聯(lián)度r0i：(107)對(duì)P個(gè)影響參數(shù)對(duì)應(yīng)的灰色關(guān)聯(lián)度從大到小排序，灰色關(guān)聯(lián)度越大，對(duì)應(yīng)的影響參數(shù)對(duì)待確定的性能指標(biāo)影響越為重要，選取灰色關(guān)聯(lián)度大于設(shè)定值的影響參數(shù)作為待確定的性能指標(biāo)的重要影響參數(shù)?；疑A(yù)測(cè)模型建立方法為：(201)獲取待建立灰色預(yù)測(cè)模型的性能指標(biāo)的歷史數(shù)據(jù)構(gòu)成原始序列X(0)：X(0)＝(x(0)(1),x(0)(2),...x(0)(n))，該序列中的元素記作x(0)(t)，x(0)(t)表示t時(shí)刻待建立灰色預(yù)測(cè)模型的性能指標(biāo)的指標(biāo)值，t為采樣時(shí)刻，t＝1,2……n；(202)對(duì)原始序列X(0)進(jìn)行一次累加生成，得到累加生成序列X(1)：X(1)＝(x(1)(1),x(1)(2),...x(1)(n))，其中，(203)對(duì)累加生成后序列X(1)建立對(duì)應(yīng)的白化微分方程：x(1)(1)＝x(0)(1)，其中，a、b為灰色預(yù)測(cè)模型參數(shù)；(204)對(duì)白化微分方程求解得到：(205)將步驟(204)中的解進(jìn)行離散化，得到累加生成序列的離散預(yù)測(cè)值：t＝0,1,2……n；(206)采用最小二乘估計(jì)求得參數(shù)a的估計(jì)值及參數(shù)b的估計(jì)值(207)采用步驟(205)中公式求取待建立灰色預(yù)測(cè)模型的性能指標(biāo)一次累加序列預(yù)測(cè)值然后將進(jìn)行一次累減還原得到原始序列X(0)的預(yù)測(cè)式為：t＝0,1,2……n，所述的原始序列X(0)的預(yù)測(cè)式即為待建立灰色預(yù)測(cè)模型的性能指標(biāo)所對(duì)應(yīng)的基于時(shí)間序列的灰色預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型采用3層BP神經(jīng)網(wǎng)絡(luò)，每個(gè)神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，輸入層神經(jīng)元為步驟(1)確定的性能指標(biāo)的重要影響參數(shù)，輸出層神經(jīng)元為待預(yù)測(cè)的性能指標(biāo)的指標(biāo)值，隱含層神經(jīng)單元轉(zhuǎn)移函數(shù)采用對(duì)數(shù)S型函數(shù)。步驟(3)具體為：(301)計(jì)算待分配權(quán)重的性能指標(biāo)采用第m個(gè)獨(dú)立預(yù)測(cè)模型得到的預(yù)測(cè)值中采樣時(shí)刻為k時(shí)的預(yù)測(cè)相對(duì)誤差的比重pmk：其中，emk為采用第m個(gè)獨(dú)立預(yù)測(cè)模型得到的預(yù)測(cè)值中采樣時(shí)刻為k時(shí)的預(yù)測(cè)相對(duì)誤差；(302)計(jì)算第m個(gè)獨(dú)立預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差的熵值：(303)計(jì)算第m個(gè)獨(dú)立預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差的變異程度系數(shù)dm：dm＝1-Em,m＝1,2；(304)計(jì)算第m個(gè)獨(dú)立預(yù)測(cè)模型預(yù)測(cè)值的權(quán)重ωm：進(jìn)而對(duì)于該分配好權(quán)重的性能指標(biāo)的燒結(jié)礦k時(shí)刻性能指標(biāo)綜合預(yù)測(cè)值為其中，為相應(yīng)的性能指標(biāo)采用第m個(gè)獨(dú)立預(yù)測(cè)模型得到的采樣時(shí)刻為k時(shí)的預(yù)測(cè)值。步驟(4)具體為：(401)確定第j個(gè)燒結(jié)礦質(zhì)量等級(jí)的經(jīng)典域Rj和節(jié)閾物元矩陣Rp：Mj表示所劃分的第j個(gè)燒結(jié)礦質(zhì)量等級(jí)，ck表示第j個(gè)質(zhì)量等級(jí)條件下第k個(gè)性能指標(biāo)，xjk為Mj關(guān)于性能指標(biāo)ck所取得的取值范圍，即第j個(gè)燒結(jié)礦質(zhì)量等級(jí)的取值區(qū)間，ajk、bjk分別為該取值區(qū)間的上限和下限，j＝1,2……J，J為燒結(jié)礦質(zhì)量等級(jí)總個(gè)數(shù)，P表示燒結(jié)礦質(zhì)量等級(jí)的全體，Ck表示第k個(gè)性能指標(biāo)，xpk為P關(guān)于Ck的取值范圍，apk、bpk分別為xpk的上限和下限，k＝1,2……K，K為性能指標(biāo)總個(gè)數(shù)；(402)根據(jù)步驟(3)得到的性能指標(biāo)預(yù)測(cè)值確定待評(píng)價(jià)的燒結(jié)礦的評(píng)價(jià)矩陣R0：其中，P0為待評(píng)價(jià)的燒結(jié)礦的質(zhì)量等級(jí)，Ck表示第k個(gè)性能指標(biāo)，xk表示第k個(gè)性能指標(biāo)預(yù)測(cè)值，k＝1,2……K，K為性能指標(biāo)總個(gè)數(shù)；(403)分別對(duì)Rj和R0進(jìn)行歸一化處理得到R'j和R'0：(404)確定待評(píng)價(jià)的燒結(jié)礦的第k個(gè)性能指標(biāo)的權(quán)重ωk(X)：其中，dkmax＝max{|xk-apk|,|bpk-xk|}，dkmin＝min{|xk-apk|,|bpk-xk|}，α為變權(quán)因子，取α＝-1；(405)分別計(jì)算待評(píng)價(jià)的燒結(jié)礦對(duì)應(yīng)于第j個(gè)燒結(jié)礦質(zhì)量等級(jí)的貼近度Nj(p0)：其中，Dj(x'k)為歸一化后待評(píng)價(jià)的燒結(jié)礦的第k個(gè)性能指標(biāo)與第j個(gè)歸一化后的經(jīng)典域R'j中第k個(gè)性能指標(biāo)的距離：x'k＝xk/bpk，a'jk＝ajk/bpk，b'jk＝bjk/bpk，k＝1,2……K；(406)獲取Nj'(p0)＝max{Nj(p0)}，則該待評(píng)價(jià)的燒結(jié)礦的燒結(jié)礦質(zhì)量等級(jí)屬于Nj'(p0)所對(duì)應(yīng)的燒結(jié)礦質(zhì)量等級(jí)。所述的步驟(406)后還包括求取待評(píng)價(jià)的燒結(jié)礦屬于步驟(406)確定的燒結(jié)礦質(zhì)量等級(jí)的等級(jí)變量特征值j*，具體為：表示j＝1,2……J時(shí)對(duì)應(yīng)的Nj(p0)中的最小值，表示j＝1,2……J時(shí)對(duì)應(yīng)的Nj(p0)中的最大值，J為燒結(jié)礦質(zhì)量等級(jí)總個(gè)數(shù)；j*越小，待評(píng)價(jià)的燒結(jié)礦越符合步驟(406)確定的燒結(jié)礦質(zhì)量等級(jí)。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)：(1)本發(fā)明全面考慮了對(duì)燒結(jié)礦性能指標(biāo)的影響因素，對(duì)每個(gè)性能指標(biāo)均建立各自的預(yù)測(cè)模型，避免了單一模型不能適用于不同性能指標(biāo)的局限性，客觀地對(duì)燒結(jié)礦質(zhì)量做出評(píng)價(jià)；(2)本發(fā)明通過(guò)灰色關(guān)聯(lián)度法確定每個(gè)性能指標(biāo)對(duì)應(yīng)的重要影響參數(shù)，從而對(duì)生產(chǎn)過(guò)程中的各種參數(shù)進(jìn)行篩選，去除一些影響很小的影響參數(shù)，降低計(jì)算復(fù)雜度，同時(shí)也做到篩選的合理可靠，并非盲目去除，進(jìn)而提高后續(xù)通過(guò)重要影響參數(shù)進(jìn)行性能指標(biāo)預(yù)測(cè)的精確度；(3)不同的預(yù)測(cè)模型對(duì)性能指標(biāo)預(yù)測(cè)值的預(yù)測(cè)性能有所差別，本發(fā)明對(duì)每個(gè)性能指標(biāo)均建立灰色預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型兩種預(yù)測(cè)模型，并對(duì)兩種預(yù)測(cè)模型得到的預(yù)測(cè)值進(jìn)行權(quán)重分配，從而得到性能指標(biāo)綜合預(yù)測(cè)值，結(jié)合了兩種預(yù)測(cè)模型的優(yōu)點(diǎn)，其預(yù)測(cè)性能優(yōu)于單一的預(yù)測(cè)模型；(4)本發(fā)明通過(guò)物元可拓模型和變權(quán)理論進(jìn)行計(jì)算得到待評(píng)價(jià)的燒結(jié)礦與設(shè)定的燒結(jié)礦的質(zhì)量等級(jí)之間的貼近度來(lái)確定待評(píng)價(jià)的燒結(jié)礦的質(zhì)量等級(jí)，評(píng)價(jià)結(jié)果可靠；(5)本發(fā)明通過(guò)燒結(jié)礦質(zhì)量等級(jí)的等級(jí)變量特征值j*可以確定屬于同一燒結(jié)礦質(zhì)量等級(jí)的燒結(jié)礦樣本的質(zhì)量好壞程度，j*值越小，其更加符合該燒結(jié)礦質(zhì)量等級(jí)的要求，從而提供了更深一步的燒結(jié)礦質(zhì)量好壞的評(píng)價(jià)。附圖說(shuō)明圖1為本發(fā)明用于燒結(jié)礦性能指標(biāo)預(yù)測(cè)及綜合質(zhì)量評(píng)價(jià)方法的流程圖；圖2為本實(shí)施例轉(zhuǎn)鼓指數(shù)的預(yù)測(cè)結(jié)果曲線圖；圖3為本實(shí)施例FeO含量的預(yù)測(cè)結(jié)果曲線圖。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。實(shí)施例如圖1所示，一種用于燒結(jié)礦性能指標(biāo)預(yù)測(cè)及綜合質(zhì)量評(píng)價(jià)方法，該方法包括如下步驟：步驟(1)：確定用于燒結(jié)礦綜合質(zhì)量評(píng)價(jià)的所有性能指標(biāo)，根據(jù)灰色關(guān)聯(lián)度法確定每個(gè)性能指標(biāo)對(duì)應(yīng)的重要影響參數(shù)；步驟(2)：對(duì)每個(gè)性能指標(biāo)分別建立兩個(gè)獨(dú)立的預(yù)測(cè)模型，所述的預(yù)測(cè)模型用于對(duì)各個(gè)性能指標(biāo)值進(jìn)行預(yù)測(cè)，本實(shí)施例中兩個(gè)獨(dú)立的預(yù)測(cè)模型包括灰色預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，所述的灰色預(yù)測(cè)模型為基于時(shí)間序列的預(yù)測(cè)模型，所述的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸入為相應(yīng)的性能指標(biāo)對(duì)應(yīng)的重要影響參數(shù)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸出為對(duì)應(yīng)的性能指標(biāo)預(yù)測(cè)值；步驟(3)對(duì)于每個(gè)性能指標(biāo)，基于信息熵的方法確定兩個(gè)獨(dú)立的預(yù)測(cè)模型得出的預(yù)測(cè)值的權(quán)重，進(jìn)而得到綜合兩個(gè)預(yù)測(cè)模型的燒結(jié)礦的各個(gè)性能指標(biāo)的預(yù)測(cè)值；步驟(4)對(duì)得到的綜合兩個(gè)預(yù)測(cè)模型的燒結(jié)礦的各個(gè)性能指標(biāo)的預(yù)測(cè)值進(jìn)行綜合評(píng)價(jià)得到燒結(jié)礦的質(zhì)量等級(jí)。其中，步驟(1)根據(jù)灰色關(guān)聯(lián)度法確定每個(gè)性能指標(biāo)對(duì)應(yīng)的重要影響參數(shù)具體為：(101)獲取待確定的性能指標(biāo)對(duì)應(yīng)的原始參考序列X0：X0＝{x0(1),x0(2),...,x0(n)}，X0中的元素記作x0(t)，t為采樣時(shí)刻，t＝1,2……n，x0(t)為t采樣時(shí)刻的性能指標(biāo)值；(102)獲取待確定的性能指標(biāo)的所有影響參數(shù)，第i個(gè)影響參數(shù)比較序列為Xi：Xi＝{xi(1),xi(2),...,xi(n)}，Xi中的元素記作xi(t)，t為采樣時(shí)刻，t＝1,2……n，xi(t)為第i個(gè)影響參數(shù)在t采樣時(shí)刻的數(shù)值，i＝1,2……P，P為影響參數(shù)的總個(gè)數(shù)；(103)對(duì)原始參考序列X0進(jìn)行標(biāo)準(zhǔn)化處理，得到Y(jié)0：其中，Y0中的元素記作y0(t)，(104)對(duì)比較序列Xi進(jìn)行標(biāo)準(zhǔn)化處理，得到Y(jié)i，Yi中的元素記作yi(t)，t＝1,2……n；(105)計(jì)算灰色度關(guān)聯(lián)系數(shù)，在t＝k時(shí)刻，y0(t)與yi(t)的灰色關(guān)聯(lián)系數(shù)為：式中，Δ0i(k)＝|yi(k)-y0(k)|，Δmax、Δmin分別為Δ0i(k)的最大值與最小值，ρ為分辨系數(shù)，ρ∈(0,1)，k＝1,2……n；(106)求取第i個(gè)影響參數(shù)比較序列與原始參考序列的灰色關(guān)聯(lián)度r0i：(107)對(duì)P個(gè)影響參數(shù)對(duì)應(yīng)的灰色關(guān)聯(lián)度從大到小排序，灰色關(guān)聯(lián)度越大，對(duì)應(yīng)的影響參數(shù)對(duì)待確定的性能指標(biāo)影響越為重要，選取灰色關(guān)聯(lián)度大于設(shè)定值的影響參數(shù)作為待確定的性能指標(biāo)的重要影響參數(shù)?；疑A(yù)測(cè)模型建立方法為：(201)獲取待建立灰色預(yù)測(cè)模型的性能指標(biāo)的歷史數(shù)據(jù)構(gòu)成原始序列X(0)：X(0)＝(x(0)(1),x(0)(2),...x(0)(n))，該序列中的元素記作x(0)(t)，x(0)(t)表示t時(shí)刻待建立灰色預(yù)測(cè)模型的性能指標(biāo)的指標(biāo)值，t為采樣時(shí)刻，t＝1,2……n；(202)對(duì)原始序列X(0)進(jìn)行一次累加生成，得到累加生成序列X(1)：X(1)＝(x(1)(1),x(1)(2),...x(1)(n))，其中，(203)對(duì)累加生成后序列X(1)建立對(duì)應(yīng)的白化微分方程：x(1)(1)＝x(0)(1)，其中，a、b為灰色預(yù)測(cè)模型參數(shù)；(204)對(duì)白化微分方程求解得到：(205)將步驟(204)中的解進(jìn)行離散化，得到累加生成序列的離散預(yù)測(cè)值：t＝0,1,2……n；(206)采用最小二乘估計(jì)求得參數(shù)a的估計(jì)值及參數(shù)b的估計(jì)值(207)采用步驟(205)中公式求取待建立灰色預(yù)測(cè)模型的性能指標(biāo)一次累加序列預(yù)測(cè)值然后將進(jìn)行一次累減還原得到原始序列X(0)的預(yù)測(cè)式為：t＝0,1,2……n，所述的原始序列X(0)的預(yù)測(cè)式即為待建立灰色預(yù)測(cè)模型的性能指標(biāo)所對(duì)應(yīng)的基于時(shí)間序列的灰色預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型采用3層BP神經(jīng)網(wǎng)絡(luò)，每個(gè)神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，輸入層神經(jīng)元為步驟(1)確定的性能指標(biāo)的重要影響參數(shù)，輸出層神經(jīng)元為待預(yù)測(cè)的性能指標(biāo)的指標(biāo)值，隱含層神經(jīng)單元轉(zhuǎn)移函數(shù)采用對(duì)數(shù)S型函數(shù)。步驟(3)具體為：(301)計(jì)算待分配權(quán)重的性能指標(biāo)采用第m個(gè)獨(dú)立預(yù)測(cè)模型得到的預(yù)測(cè)值中采樣時(shí)刻為k時(shí)的預(yù)測(cè)相對(duì)誤差的比重pmk：其中，emk為采用第m個(gè)獨(dú)立預(yù)測(cè)模型得到的預(yù)測(cè)值中采樣時(shí)刻為k時(shí)的預(yù)測(cè)相對(duì)誤差；(302)計(jì)算第m個(gè)獨(dú)立預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差的熵值：(303)計(jì)算第m個(gè)獨(dú)立預(yù)測(cè)模型預(yù)測(cè)相對(duì)誤差的變異程度系數(shù)dm：dm＝1-Em,m＝1,2；(304)計(jì)算第m個(gè)獨(dú)立預(yù)測(cè)模型預(yù)測(cè)值的權(quán)重ωm：進(jìn)而對(duì)于該分配好權(quán)重的性能指標(biāo)的燒結(jié)礦k時(shí)刻性能指標(biāo)綜合預(yù)測(cè)值為其中，為相應(yīng)的性能指標(biāo)采用第m個(gè)獨(dú)立預(yù)測(cè)模型得到的采樣時(shí)刻為k時(shí)的預(yù)測(cè)值。步驟(4)具體為：(401)確定第j個(gè)燒結(jié)礦質(zhì)量等級(jí)的經(jīng)典域Rj和節(jié)閾物元矩陣Rp：Mj表示所劃分的第j個(gè)燒結(jié)礦質(zhì)量等級(jí)，ck表示第j個(gè)質(zhì)量等級(jí)條件下第k個(gè)性能指標(biāo)，xjk為Mj關(guān)于性能指標(biāo)ck所取得的取值范圍，即第j個(gè)燒結(jié)礦質(zhì)量等級(jí)的取值區(qū)間，ajk、bjk分別為該取值區(qū)間的上限和下限，j＝1,2……J，J為燒結(jié)礦質(zhì)量等級(jí)總個(gè)數(shù)，P表示燒結(jié)礦質(zhì)量等級(jí)的全體，Ck表示第k個(gè)性能指標(biāo)，xpk為P關(guān)于Ck的取值范圍，apk、bpk分別為xpk的上限和下限，k＝1,2……K，K為性能指標(biāo)總個(gè)數(shù)；(402)根據(jù)步驟(3)得到的性能指標(biāo)預(yù)測(cè)值確定待評(píng)價(jià)的燒結(jié)礦的評(píng)價(jià)矩陣R0：其中，P0為待評(píng)價(jià)的燒結(jié)礦的質(zhì)量等級(jí)，Ck表示第k個(gè)性能指標(biāo)，xk表示第k個(gè)性能指標(biāo)預(yù)測(cè)值，k＝1,2……K，K為性能指標(biāo)總個(gè)數(shù)；(403)分別對(duì)Rj和R0進(jìn)行歸一化處理得到R'j和R'0：(404)確定待評(píng)價(jià)的燒結(jié)礦的第k個(gè)性能指標(biāo)的權(quán)重ωk(X)：其中，dkmax＝max{|xk-apk|,|bpk-xk|}，dkmin＝min{|xk-apk|,|bpk-xk|}，α為變權(quán)因子，取α＝-1；(405)分別計(jì)算待評(píng)價(jià)的燒結(jié)礦對(duì)應(yīng)于第j個(gè)燒結(jié)礦質(zhì)量等級(jí)的貼近度Nj(p0)：其中，Dj(x'k)為歸一化后待評(píng)價(jià)的燒結(jié)礦的第k個(gè)性能指標(biāo)與第j個(gè)歸一化后的經(jīng)典域R'j中第k個(gè)性能指標(biāo)的距離：x'k＝xk/bpk，a'jk＝ajk/bpk，b'jk＝bjk/bpk，k＝1,2……K；(406)獲取Nj'(p0)＝max{Nj(p0)}，則該待評(píng)價(jià)的燒結(jié)礦的燒結(jié)礦質(zhì)量等級(jí)屬于Nj'(p0)所對(duì)應(yīng)的燒結(jié)礦質(zhì)量等級(jí)。所述的步驟(406)后還包括求取待評(píng)價(jià)的燒結(jié)礦屬于步驟(406)確定的燒結(jié)礦質(zhì)量等級(jí)的等級(jí)變量特征值j*，具體為：表示j＝1,2……J時(shí)對(duì)應(yīng)的Nj(p0)中的最小值，表示j＝1,2……J時(shí)對(duì)應(yīng)的Nj(p0)中的最大值，J為燒結(jié)礦質(zhì)量等級(jí)總個(gè)數(shù)；j*越小，待評(píng)價(jià)的燒結(jié)礦越符合步驟(406)確定的燒結(jié)礦質(zhì)量等級(jí)。以某年產(chǎn)650萬(wàn)噸鋼規(guī)模的鋼鐵聯(lián)合企業(yè)為例，其2×380m2規(guī)模燒結(jié)生產(chǎn)線年產(chǎn)成品燒結(jié)礦836萬(wàn)噸，作業(yè)率94％，利用系數(shù)為1.40t/m2·h。隨機(jī)選取2010-2011年730天中的150組燒結(jié)生產(chǎn)歷史數(shù)據(jù)進(jìn)行分析建模，并取150組作為測(cè)試分析，仿真實(shí)驗(yàn)在MATLAB2013a平臺(tái)上實(shí)現(xiàn)，具體包括以下步驟：如上述步驟(1)：燒結(jié)礦的性能指標(biāo)主要有質(zhì)量指標(biāo)和生產(chǎn)指標(biāo)，根據(jù)各個(gè)指標(biāo)的特點(diǎn)在本實(shí)施例中選擇產(chǎn)量、轉(zhuǎn)鼓指數(shù)、FeO含量、S含量、堿度、TFe含量作為代表，驗(yàn)證模型的有效性。其中轉(zhuǎn)鼓指數(shù)代表燒結(jié)礦的物理性能，F(xiàn)eO含量、S含量、TFe含量合堿度代表化學(xué)性能，產(chǎn)量代表生產(chǎn)指標(biāo)。根據(jù)燒結(jié)生產(chǎn)工藝流程及長(zhǎng)期的燒結(jié)生產(chǎn)實(shí)踐，燒結(jié)礦的生產(chǎn)性能主要受三類參數(shù)的影響：原料參數(shù)、狀態(tài)參數(shù)和操作參數(shù)。由于燒結(jié)礦過(guò)程遵循物料守恒原理，原料參數(shù)對(duì)燒結(jié)礦性能的影響非常大，因此在性能影響因素篩選時(shí)只需要對(duì)狀態(tài)參數(shù)和操作參數(shù)應(yīng)用灰色關(guān)聯(lián)度進(jìn)行計(jì)算。狀態(tài)參數(shù)包括5個(gè)風(fēng)箱的負(fù)壓值和溫度值，操作參數(shù)包括點(diǎn)火嘴的溫度，以及料層厚度，根據(jù)灰色關(guān)聯(lián)度計(jì)算步驟，得到所有影響參數(shù)的關(guān)聯(lián)度如表1所示，表中，產(chǎn)量、轉(zhuǎn)鼓指數(shù)、FeO/％、SS％、堿度、TFe/％為性能指標(biāo)，所有影響參數(shù)包括12個(gè)，如表中第一列給出的12個(gè)影響參數(shù)。表1影響參數(shù)的關(guān)聯(lián)度比較12個(gè)影響參數(shù)的的灰色關(guān)聯(lián)度大小，最終選擇了7個(gè)影響參數(shù)作為重要影響參數(shù)。因此，燒結(jié)礦性能預(yù)測(cè)模型的輸入分別為：點(diǎn)火嘴溫度、料層厚度、4#、5#風(fēng)箱溫度，3#、4#、5#風(fēng)箱負(fù)壓以及12種原料的配比值。如上述步驟(2)根據(jù)灰色預(yù)測(cè)模型(GM(1,1)模型)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(BPNN模型)方法分別建立產(chǎn)量、轉(zhuǎn)鼓指數(shù)、FeO含量、S含量、堿度、TFe含量的預(yù)測(cè)模型。如上述步驟(3)，根據(jù)信息熵的計(jì)算方法，首先對(duì)每一個(gè)性能指標(biāo)分別分配兩種獨(dú)立預(yù)測(cè)模型預(yù)測(cè)值的權(quán)重，求得GM(1,1)模型和BPNN模型的權(quán)重如表2所示，進(jìn)而通過(guò)集成模型求得燒結(jié)礦k時(shí)刻性能指標(biāo)綜合預(yù)測(cè)值為集成模型即考慮GM(1,1)模型和BPNN模型以及相應(yīng)的權(quán)重來(lái)求取燒結(jié)礦性能指標(biāo)綜合預(yù)測(cè)值。以轉(zhuǎn)鼓指數(shù)和鐵品位為例，圖2和圖3分別為轉(zhuǎn)鼓指數(shù)和FeO含量的預(yù)測(cè)結(jié)果曲線圖，包括GM(1,1)模型、BPNN模型、分配權(quán)重后的集合模型的轉(zhuǎn)鼓指數(shù)和FeO含量的預(yù)測(cè)值以及真實(shí)值。表2GM(1,1)模型和BPNN模型的權(quán)重產(chǎn)量轉(zhuǎn)鼓指數(shù)FeOS堿度TFew10.44530.49250.53890.39670.49690.5399w20.55470.50750.46110.60330.50310.4601采用以下三種評(píng)價(jià)指標(biāo)分別對(duì)不同模型的性能指標(biāo)進(jìn)行計(jì)算。(1)均方誤差(MSE)：為燒結(jié)礦k時(shí)刻性能指標(biāo)綜合預(yù)測(cè)值，yk為燒結(jié)礦k時(shí)刻性能指標(biāo)真實(shí)值。MSE能夠放大誤差的影響，其值越大說(shuō)明誤差越大，該項(xiàng)指標(biāo)是評(píng)價(jià)模型性能最常用。(2)均方根誤差(RMSE)：RMSE均方根誤差放大了誤差，可以更加準(zhǔn)確的衡量不同預(yù)測(cè)模型相互之間的細(xì)微差別，在對(duì)模型評(píng)價(jià)過(guò)程中，均方根誤差越小說(shuō)明模型性能越好。(3)精度(Er)：精度Er直接反應(yīng)模型的預(yù)測(cè)效果。根據(jù)上述3種模型評(píng)價(jià)指標(biāo)，對(duì)燒結(jié)礦6個(gè)重要性能指標(biāo)預(yù)測(cè)結(jié)果進(jìn)行分析，具體結(jié)果如表3所示，驗(yàn)證了集成預(yù)測(cè)模型的有效性。表3燒結(jié)礦6個(gè)重要性能指標(biāo)預(yù)測(cè)結(jié)果從預(yù)測(cè)結(jié)果可以看出集成預(yù)測(cè)模型的預(yù)測(cè)結(jié)果相對(duì)于GM(1,1)模型和BPNN模型的預(yù)測(cè)結(jié)果較優(yōu)。針對(duì)不同的指標(biāo)參數(shù)，灰色系統(tǒng)模型與BPNN模型得到的預(yù)測(cè)性能有差別。針對(duì)于檢測(cè)結(jié)果較穩(wěn)定的性能指標(biāo)來(lái)說(shuō)，GM(1,1)模型的預(yù)測(cè)效果要優(yōu)于BPNN模型的預(yù)測(cè)效果；而對(duì)于波形較劇烈的性能指標(biāo)來(lái)說(shuō)，BPNN模型則更好，集成預(yù)測(cè)模型結(jié)合了兩者的優(yōu)點(diǎn)，其預(yù)測(cè)性能優(yōu)于獨(dú)立的預(yù)測(cè)模型。執(zhí)行上述步驟(4)，按照燒結(jié)礦國(guó)家技術(shù)標(biāo)準(zhǔn)(YB/T421-2005)，選擇燒結(jié)礦的物理性能指標(biāo)轉(zhuǎn)鼓指數(shù)和化學(xué)性能指標(biāo)FeO含量、S含量、堿度及TFe含量作為評(píng)定指標(biāo)來(lái)確定燒結(jié)礦質(zhì)量的等級(jí)。其中國(guó)家標(biāo)準(zhǔn)規(guī)定的是FeO的穩(wěn)定率，而實(shí)際生產(chǎn)數(shù)據(jù)中檢測(cè)到的是FeO的含量，因此把國(guó)家標(biāo)準(zhǔn)與該鋼鐵企業(yè)的實(shí)際生產(chǎn)要求相結(jié)合，得出燒結(jié)礦質(zhì)量的評(píng)定指標(biāo)分類標(biāo)準(zhǔn)如表4所示，實(shí)測(cè)樣本數(shù)據(jù)見(jiàn)表5。表4燒結(jié)礦質(zhì)量的評(píng)價(jià)指標(biāo)分類標(biāo)準(zhǔn)類別轉(zhuǎn)鼓指數(shù)/％FeO/％S/％堿度/％TFe/％一級(jí)品72～1000～9.00～0.031.7～1.7857～100二級(jí)品68～729.0～11.00.03～0.061.62～1.7,1.78～1.8656.5～57合格品65～6811.0～12.00.06～0.081.58～1.62,1.86～1.9056～56.5廢品0～6512.0～1000.08～1000～1.58,1.9～2.50～56表5樣本實(shí)測(cè)值(a)確定經(jīng)典域，節(jié)域和待評(píng)物元。根據(jù)表4的燒結(jié)礦質(zhì)量評(píng)價(jià)指標(biāo)分類標(biāo)準(zhǔn)，其中堿度的二級(jí)品、合格品和廢品存在兩個(gè)取值區(qū)間，為方便計(jì)算把燒結(jié)礦質(zhì)量分為7個(gè)等級(jí)，即燒結(jié)礦質(zhì)量等級(jí)總個(gè)數(shù)J＝7，其中等級(jí)1代表一級(jí)品，等級(jí)2和3代表二級(jí)品，等級(jí)4和5代表合格品，等級(jí)6和7代表廢品。得到各質(zhì)量等級(jí)的經(jīng)典域和節(jié)域如下。對(duì)經(jīng)典域、節(jié)域及樣本數(shù)據(jù)做歸一化處理，表6為樣本實(shí)測(cè)值歸一化后的結(jié)果，其中性能指標(biāo)總個(gè)數(shù)K＝5。表6歸一化樣本實(shí)測(cè)值以樣本1為例，待評(píng)物元即待評(píng)價(jià)燒結(jié)礦為：(b)確定待評(píng)價(jià)的燒結(jié)礦的第k個(gè)性能指標(biāo)的權(quán)重ωk(X)，采用步驟(404)中公式計(jì)算得到ωk(X)，見(jiàn)表7。表7待評(píng)價(jià)的燒結(jié)礦的第k個(gè)性能指標(biāo)的權(quán)重(c)貼近度函數(shù)值的計(jì)算及等級(jí)評(píng)定。首先計(jì)算待評(píng)價(jià)燒結(jié)礦R0與經(jīng)典域的距離Dj(x'k)，樣本1的結(jié)果如表8所示。表8樣本1等級(jí)距離Dj(x'k)然后根據(jù)步驟(405)中公式計(jì)算待評(píng)價(jià)的燒結(jié)礦對(duì)應(yīng)于第j個(gè)燒結(jié)礦質(zhì)量等級(jí)的貼近度Nj(p0)，并根據(jù)(406)確定待評(píng)價(jià)的燒結(jié)礦的燒結(jié)礦質(zhì)量等級(jí)，最后確定的燒結(jié)礦質(zhì)量等級(jí)的等級(jí)變量特征值j*，結(jié)果如表9所示。表9各性能指標(biāo)的貼近度值、等級(jí)變量特征值及燒結(jié)礦質(zhì)量等級(jí)評(píng)定結(jié)果通過(guò)變權(quán)物元可拓模型實(shí)現(xiàn)對(duì)燒結(jié)礦質(zhì)量等級(jí)的評(píng)定，樣本1，2，3，5都為一級(jí)品，雖然樣本2和樣本3中觀察實(shí)測(cè)值可以得出樣本2中TFe含量屬于二級(jí)品的區(qū)間，樣本3中FeO含量也屬于二級(jí)品的區(qū)間，但并不影響燒結(jié)礦質(zhì)量的綜合等級(jí)。在實(shí)際生產(chǎn)中，如果因?yàn)楠?dú)立指標(biāo)的影響而降低燒結(jié)礦質(zhì)量等級(jí)，進(jìn)行返礦處理或者廢棄則造成了損失。根據(jù)等級(jí)變量特征值j*的大小，可以得出樣本3的燒結(jié)礦比樣本1，2，5更符合一級(jí)品的標(biāo)準(zhǔn)，5個(gè)樣本的質(zhì)量由好到差依次為樣本3、樣本5、樣本1、樣本2、樣本4。當(dāng)前第1頁(yè)1 2 3