一种基于集成学习的转炉炼钢终点碳温软测量方法

1.本发明公开一种基于集成学习的转炉炼钢终点碳温软测量方法，涉及转炉炼钢终点碳温软测量方法技术领域。


背景技术：

2.转炉炼钢是以铁水、废钢、铁合金为主要原料，依靠熔池中钢水本身和各种原料之间的物理化学反应产生的热量而实现升温除碳的过程。其关键技术在于终点控制，即在吹氧结束时，熔池中钢水的碳含量和各金属元素的含量和温度能同时达到出钢要求。因此实现对碳含量和温度的准确实时测量和控制，对提升一次倒炉的准确率，减少对原材料和能源的消耗，降低生产成本，并且提高产品的质量有重要价值和意义。
3.现有技术中，转炉吹炼过程中碳含量和温度的检测方法从测量原理的角度分为传统传感器类检测方法、光谱辐射检测、火焰图像处理与识别检测、以及过程数据驱动的软测量方法。传统的传感器检测方法主要包括副枪控制技术、炉气分析技术等技术；副枪控制技术是在钢水临近终点前直接使用专用探测枪头进行测量。而炉气分析技术是通过分析转炉炉气成分来预测吹炼过程中钢水中碳含量。但由于传统传感器的终点碳温检测方法或终点判断不连续等问题，或者设备的成本较高无法进行推广使用，或者依赖操作人员的经验有极大的主观性的问题。
4.随着计算机技术、光学技术及图像技术的发展，一些较为先进的终点检测技术被提出，以此来弥补传统方法精度不高、设备昂贵等缺点，分别包括光谱辐射检测法、火焰图像处理与识别检测等方法。但由于实际转炉炼钢生产环境较为恶劣，干扰因素较多，对所采集到的光谱辐射及火焰图像信息也有一定影响，会导致最终的预测结果误差较大。
5.为了降低前述的预测误差，领域人员采用软测量的方法来进行预测。其中，集成学习是广泛应用于复杂工业过程中的一种学习策略，但是转炉炼钢生产的实际工业过程是一个封闭式的动态过程，传统集成学习忽略待测样本间差异性而使用全部的子模型进行预测，各子模型间的性能优劣导致集成学习整体性能下降。
6.本

技术实现要素：

7.本发明目的在于，提供一种基于集成学习的转炉炼钢终点碳温软测量方法，解决现有技术中的集成学习软测量预估转炉炼钢终点结果精度不佳的问题。
8.为实现上述技术目的，达到上述技术效果，发明是通过以下技术方案实现：
9.一种基于集成学习的转炉炼钢终点碳温软测量方法，具体步骤包括：
10.步骤1、获取历史数据，
11.采集实际钢转炉炼钢生产过程中的历史数据；
12.步骤2、构建多样性基模型池，
13.根据多种不同数据划分特点的聚类算法对所述历史数据进行划分，获得若干划分特点不同的样本子集；
14.步骤3、融合待测样本与所述模型子集获得预估结果，
15.所述待测样本为待测钢转炉炼钢生产过程中的各项数据，将所述待测样本与所述历史数据的局部相似度转换为对应权重，通过加权融合获得终点碳温预测结果。
16.进一步的，所述步骤1具体包括：
17.步骤101、通过最大最小归一化原则，对所述历史数据进行标准化处理，消除数据量纲的影响；
18.步骤102、对标准化后的样本集进行清洗、特征选择；
19.步骤103、将所述历史数据进行划分后转化为样本集。
20.进一步的，所述步骤2具体包括：
21.步骤201、所述聚类算法包括自组织映射(self-organizing maps,som)算法、模糊c均值聚类(fuzzy c-means algorithm，fcm)算法、谱聚类(spectral clustering，spc)算法、高斯混合模型(gaussian mixture model，gmm)，通过4种所述聚类算法对所述样本集划分获得4组划分特点不同的所述数据子集；
22.步骤202、利用聚类的内部评价指标，轮廓系数sc衡量出每种聚类算法的最佳聚类数目
[0023][0024]
其中，a表示该样本与同一类簇中所有其他点之间的平均距离，b表示该样本与下一个距离最近的簇中的所有其他点之间的平均距离。轮廓系数越大，属于同类的样本相距越近，不同类样本相距越远；
[0025]
进一步的，所述步骤3具体包括：
[0026]
步骤301、通过标准欧式距离衡量所述待测样本与所述样本集的全局相似性globalsed。
[0027][0028]
其中v是两个特征向量的方差，如果将此方差的倒数看成是一个权重，那么这个公式可以看成是一种加权欧氏距离；
[0029]
步骤302、将所得到的全局相似性globalsed从大到小进行排序，并选取排名前1500的样本形成相似区域s；
[0030]
步骤303、选择符合相似性的的α个模型，进而获得其对待测样本xq的预测结果。
[0031]ypre,α
＝f
α
(xq,ω)；
[0032]
其中f(
·
)表示模型的函数关系，ω为模型参数；
[0033]
步骤304、经过选择后保留下来的基模型为m
new
＝[m1,m2,
…
,mα]，α∈[1,m],其对应的数据的样本子集为d
new
＝((x
1,i
,y
1,i
),(x
2,i
,y
2,i
),
…
,(x
α,i
,y
α,i
)}；α∈[1,m],i＝1,2,3,
…
,nm}
[0034]
步骤305、对所述待测样本(后用xq代表)，使用标准欧式距离衡量到各个所述样本子集中样本的距离，并以其均值来代表所述待测样本到对应的所述样本子集的距离，并作为每个基模型mα所对应的模型权重w
α
。
[0035]
[0036]
步骤306、最终该待测样本xq的加权融合的终点碳温预测输出结果为：
[0037][0038]
其中y
test
为待测样本真实值，y
prediction
为待测样本的预测值。
[0039]
进一步的，所述步骤2还包括步骤203：
[0040]
步骤203、对所述数据子集构建基模型池，对所述基模型池m中的若干基模型进行迭代优化后获得符合精度要求的优选模型。
[0041]
进一步的，所述步骤203包括2031-2036，
[0042]
步骤2031、首先要对模型进行初始化：
[0043][0044]
其中f表示gbdt模型，f0即模型的初始状态，n为训练样本的个数，yi是初始化的真实值，c为初始化的预测值，l(yi,c)为模型的损失函数，即想要找到一个最小的c使得所有样本的误差最小，在gbdt回归算法中常用的损失函数是最小二乘回归；
[0045]
步骤2032、初始化完成后，对于数据集d
′m中的训练样本i＝1,2,3,
…
,nm，计算第m棵树的响应值，即损失函数的负梯度：
[0046][0047]
步骤2033、然后利用cart回归树去拟合残差来获得第m棵回归树，其对应的叶子节点为r
m,j
，其中m表示第m棵树，j＝1,2,3,
…
,j为该树的叶子节点数；然后再对每个叶子结点，计算出最佳拟合值：
[0048][0049]
步骤2034、随后更新模型，在下一次迭代中使用m棵树来进行预测
[0050][0051]
其中δ为学习率，用来控制每一棵提升树的对gbdt模型的提升程度；
[0052]
步骤2035、循环步骤2032-2034，建立m棵分类回归树m＝1,2,3,
…
,m
[0053]
步骤2036、最终的m棵分类回归树的gbdt模型表达式为：
[0054][0055]
其中前一个σ表示对m棵提升树的累加，后一个σ是每棵提升树的所有叶子节点的最佳拟合值的累加，即为了获得最终的gbdt回归器，要以初始的回归器f0(x)，不断将所有的m棵树的叶子节点的最佳拟合值累加起来，所以gbdt模型的建立过程就是针对聚类后的样本子集d
′m增加一棵新的cart回归树去拟合之前所有树的预测值c与真实值yi之间的残差，而其预测结果就是建立好的所有树的预测值之和。
[0056]
进一步的，所述步骤3还包括步骤3031：
[0057]
步骤3031、计算所述基模型池m中的所有基模型在所述相似区域s上的预测精度accus(m)，通过计算结果筛选出最优的所述样本子集。
[0058]
进一步的，所述步骤3031包括步骤30311-30312：
[0059]
步骤30311、计算所述基模型池m中的所有所述基模型在相似区域s上的预测精度
accus(m)
[0060][0061][0062]
pe表示终点碳温的预测精度是否在误差范围(th)内，如果在，则表示命中并记为1，反之则记为0。其中碳含量预测误差范围th＝0.02％,温度的预测误差范围th＝10℃；
[0063]
步骤30312、对所述基模型的精度从大到小进行排序，若前α(α∈m)个模型的预测精度之和大于所设定的阈值，则选取前α个模型作为该待测样本的选择后的模型，也即后续参与集成融合的子模型。
[0064][0065]
进一步的，所述样本集为特征维度为6，样本数量为5500的实验数据，其中碳含量的6维特征分别是氧压31、兑铁时长、兑铁结束到开氧时间、铁水温度、兑铁开始与上炉出钢时长、装入废钢量；温度的6维特征为装入生铁量、铁水p、枪位22、氧压29、氧压11、枪位16，所述的5500条样本中，5000条做训练数据，500条做测试数据。
[0066]
进一步的，对下一个所述待测样本重复步骤3，获得所有待测样本的终点碳温预测结果。
[0067]
有益效果：
[0068]
本发明结合多种不同数据划分特点的聚类算法对数据集进行划分，构建具有多样性的基模型池，对基模型池中的基模型进行了迭代优化，结合自适应选择策略获得的利用与待测样本相关的相似区域建模，从基模型池中自适应选择符合精度要求的模型子集。通过前述步骤获得了更高精度的预估结果。
[0069]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0070]
图1为基于mc-das集成学习的转炉炼钢终点碳温软测量方法流程图；
[0071]
图2为步骤3中das集成学习算法图；
[0072]
图3为转炉炼钢终点碳含量预测值与真实值对比图；
[0073]
图4为转炉炼钢终点温度预测值与真实值对比图；
具体实施方式
[0074]
为了更清楚地说明本发明实施例的技术方案，下面将结合附图对实施例对本发明进行详细说明。
[0075]
实施例1
[0076]
现有技术中应用集成学习算法对终点碳温的准确预测并未考虑到转炉炼钢生产过程的特殊性质，这使得其预测的整体性能不佳，申请人基于转炉炼钢生产过程的特定，在
确保集成学习基模型多样性以及待测样本与先验数据之间的关联性的前提下进行预测，获得了一种预测精度更好的终点碳温软测量方法。
[0077]
本实施例所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，具体步骤包括：
[0078]
步骤1、获取历史数据，
[0079]
采集实际钢转炉炼钢生产过程中的历史数据。
[0080]
在一些实施例中，为了排除无效数据或者其他不必要数据的干扰，所述步骤1具体包括：
[0081]
步骤101、通过最大最小归一化原则，对所述历史数据进行标准化处理，消除数据量纲的影响。
[0082]
步骤102、对标准化后的样本集进行清洗、特征选择。
[0083]
步骤103、将所述历史数据进行划分后转化为样本集。
[0084]
在一具体实施例中，所述样本集划分的特征维度为6，样本数量为5500的实验数据，其中碳含量的6维特征分别是氧压31、兑铁时长、兑铁结束到开氧时间、铁水温度、兑铁开始与上炉出钢时长、装入废钢量；温度的6维特征为装入生铁量、铁水p、枪位22、氧压29、氧压11、枪位16，所述的5500条样本中，5000条做训练数据，500条做测试数据。
[0085]
通过最大最小归一化原则、标准化处理、清洗、特征选择的步骤，所获得的所述样本集是更具有参考性的，所述的样本集应用在后续的步骤中也能起到提高精度的作用。
[0086]
步骤2、构建多样性基模型池，
[0087]
根据多种不同数据划分特点的聚类算法对所述历史数据进行划分，获得若干划分特点不同的样本子集。
[0088]
不难理解的是，不同的聚类算法具有不同的划分特点，这有利于本实施例发明构建具有多样性的样本子集，通过这样的所述样本子集获得的预估结果具有更好的可靠性。
[0089]
在一具体实施例中，所述步骤2具体包括：
[0090]
步骤201、所述聚类算法包括自组织映射(self-organizing maps,som)算法、模糊c均值聚类(fuzzy c-means algorithm，fcm)算法、谱聚类(spectral clustering，spc)算法、高斯混合模型(gaussian mixture model，gmm)，通过4种所述聚类算法对所述样本集划分获得4组划分特点不同的所述数据子集。
[0091]
步骤202、利用聚类的内部评价指标，轮廓系数sc衡量出每种聚类算法的最佳聚类数目
[0092][0093]
其中，a表示该样本与同一类簇中所有其他点之间的平均距离，b表示该样本与下一个距离最近的簇中的所有其他点之间的平均距离。轮廓系数越大，属于同类的样本相距越近，不同类样本相距越远；
[0094]
步骤201-202所获得聚类后的数据子集是经过轮廓系数sc衡量后获得的，将这些数据子集同一作为评判依据有利于提高预估精度。
[0095]
步骤3、融合待测样本与所述模型子集获得预估结果，
[0096]
所述待测样本为待测钢转炉炼钢生产过程中的各项数据，将所述待测样本与所述
样本子集的局部相似度转换为对应权重，通过加权融合获得终点碳温预测结果。
[0097]
在一实施例中，所述步骤3具体包括：
[0098]
步骤301、通过标准欧式距离衡量所述待测样本与所述样本集的全局相似性globalsed。
[0099][0100]
其中v是两个特征向量的方差，如果将此方差的倒数看成是一个权重，那么这个公式可以看成是一种加权欧氏距离。
[0101]
步骤302、将所得到的全局相似性globalsed从大到小进行排序，并选取排名前1500的样本形成相似区域s。
[0102]
所述步骤302对所述的样本子集实际上是一种筛选过程，将相关性最高的样本作为后续预估的判断依据。
[0103]
步骤303、选择符合相似性的的α个样本模型，进而获得其对待测样本xq的预测结果。
[0104]ypre,α
＝f
α
(xq,ω)；
[0105]
其中f(
·
)表示模型的函数关系，ω为模型参数。
[0106]
步骤304、经过选择后保留下来的基模型为m
new
＝[m1,m2,
…
,mα]，α∈[1,m],其对应的数据的样本子集为d
new
＝{(x
1,i
,y
1,i
),(x
2,i
,y
2,i
),
…
,(x
α,i
,y
α,i
)}；α∈[1,m],i＝1,2,3,
…
,nm}
[0107]
步骤305、对所述待测样本(后用xq代表)，使用标准欧式距离衡量到各个所述样本子集中样本的距离，并以其均值来代表所述待测样本到对应的所述样本子集的距离，并作为每个基模型mα所对应的模型权重w
α
。
[0108][0109]
步骤306、最终该待测样本xq的加权融合的终点碳温预测输出结果为：
[0110][0111]
其中y
test
为待测样本真实值，y
prediction
为待测样本的预测值。
[0112]
通过步骤306获得最后的预估结果，考虑了所述样本子集与所述待测样本之间的关联，同时对多特征样本子集进行了选优，提高了结果的精度。
[0113]
实施例2
[0114]
结合实施例1中所述的对多特征样本子集进行了选优，申请人考虑到仅仅对关联性较高的样本子集选用可能效果不理想，需要对所述样本子集进行迭代优化取得最好的优选模型结果，因此在本实施例中，所述步骤2还包括步骤203：
[0115]
步骤203、对所述数据子集构建基模型池，对所述基模型池m中的若干基模型进行迭代优化后获得符合精度要求的优选模型。
[0116]
在一具体实施例中，所述步骤203包括2031-2036，
[0117]
步骤2031、首先要对模型进行初始化：
[0118]
[0119]
其中f表示gbdt模型，f0即模型的初始状态，n为训练样本的个数，yi是初始化的真实值，c为初始化的预测值，l(yi,c)为模型的损失函数，即想要找到一个最小的c使得所有样本的误差最小，在gbdt回归算法中常用的损失函数是最小二乘回归。
[0120]
步骤2032、初始化完成后，对于数据集d
′m中的训练样本i＝1,2,3,
…
,nm，计算第m棵树的响应值，即损失函数的负梯度：
[0121][0122]
步骤2033、然后利用cart回归树去拟合残差来获得第m棵回归树，其对应的叶子节点为r
m,j
，其中m表示第m棵树，j＝1,2,3,
…
,j为该树的叶子节点数；然后再对每个叶子结点，计算出最佳拟合值：
[0123][0124]
步骤2034、随后更新模型，在下一次迭代中使用m棵树来进行预测
[0125][0126]
其中δ为学习率，用来控制每一棵提升树的对gbdt模型的提升程度；
[0127]
步骤2035、循环步骤2032-2034，建立m棵分类回归树m＝1,2,3,
…
,m
[0128]
步骤2036、最终的m棵分类回归树的gbdt模型表达式为：
[0129][0130]
本实施例中，前一个σ表示对m棵提升树的累加，后一个σ是每棵提升树的所有叶子节点的最佳拟合值的累加，即为了获得最终的gbdt回归器，要以初始的回归器f0(x)，不断将所有的m棵树的叶子节点的最佳拟合值累加起来，所以gbdt模型的建立过程就是针对聚类后的样本子集d
′m增加一棵新的cart回归树去拟合之前所有树的预测值c与真实值yi之间的残差，而其预测结果就是建立好的所有树的预测值之和。
[0131]
实施例3
[0132]
结合实施例1-2中涉及的内容，申请人还考虑到应当结合真实结果与预测结果应当对所述基模型进行优选，所述步骤3还包括步骤3031：
[0133]
步骤3031、计算所述基模型池m中的所有基模型在所述相似区域s上的预测精度accus(m)，对所述基模型进行优选。
[0134]
在一实施例中，所述步骤3031包括步骤30311-30312：
[0135]
步骤30311、计算所述基模型池m中的所有所述基模型在相似区域s上的预测精度accus(m)
[0136][0137][0138]
pe表示终点碳温的预测精度是否在误差范围(th)内，如果在，则表示命中并记为1，反之则记为0。其中碳含量预测误差范围th＝0.02％,温度的预测误差范围th＝10℃；
[0139]
步骤30312、对所述基模型的精度从大到小进行排序，若前α(α∈m)个模型的预测
精度之和大于所设定的阈值，则选取前α个模型作为该待测样本的选择后的模型，也即后续参与集成融合的子模型。
[0140][0141]
在另一些实施例中，对下一个所述待测样本重复步骤3，获得所有待测样本的终点碳温预测结果。
[0142]
实施例4
[0143]
为了证明实施例1-3中所述的方法切实有效，在本实施例中，申请人与传统的集成学习方法对比，采用预测精度(prediction accuracy，pa)、均方根误差(root mean square error，rmse)及平均绝对百分比误差(mean absolute percentage error，mape)作为评价指标，根据仿真实验结果，本发明与传统集成学习方法对比表明，本文发明方法比现有技术具有更好的预测性能。具体情况参考表1。
[0144]
表1本发明与传统集成学习方法对比表
[0145][0146][0147]
以上仅是该申请的实施例部分，并非对该申请做任何形式上的限制。对以上实施例所做的任何简单的修改、等同变化及修饰，仍属于该申请技术方案保护的范围内。

技术特征：
1.一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，具体步骤包括：步骤1、获取历史数据，采集实际钢转炉炼钢生产过程中的历史数据；步骤2、构建多样性基模型池，根据多种不同数据划分特点的聚类算法对所述历史数据进行划分，获得若干划分特点不同的样本子集；步骤3、融合待测样本与所述模型子集获得预估结果，所述待测样本为待测钢转炉炼钢生产过程中的各项数据，将所述待测样本与所述样本子集的局部相似度转换为对应权重，通过加权融合获得终点碳温预测结果。2.根据权利要求1所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，所述步骤1具体包括：步骤101、通过最大最小归一化原则，对所述历史数据进行标准化处理，消除数据量纲的影响；步骤102、对标准化后的样本集进行清洗、特征选择；步骤103、将所述历史数据进行划分后转化为样本集。3.根据权利要求2所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，所述步骤2具体包括：步骤201、所述聚类算法包括自组织映射(self-organizing maps,som)算法、模糊c均值聚类(fuzzy c-means algorithm，fcm)算法、谱聚类(spectral clustering，spc)算法、高斯混合模型(gaussian mixture model，gmm)，通过4种所述聚类算法对所述样本集划分获得4组划分特点不同的所述数据子集；步骤202、利用聚类的内部评价指标，轮廓系数sc衡量出每种聚类算法的最佳聚类数目其中，a表示该样本与同一类簇中所有其他点之间的平均距离，b表示该样本与下一个距离最近的簇中的所有其他点之间的平均距离。轮廓系数越大，属于同类的样本相距越近，不同类样本相距越远。4.根据权利要求3所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，所述步骤3具体包括：步骤301、通过标准欧式距离衡量所述待测样本与所述样本集的全局相似性globalsed。其中v是两个特征向量的方差，如果将此方差的倒数看成是一个权重，那么这个公式可以看成是一种加权欧氏距离；步骤302、将所得到的全局相似性globalsed从大到小进行排序，并选取排名前1500的样本形成相似区域s；步骤303、选择符合相似性的的α个模型，进而获得其对待测样本x
q
的预测结果。y
pre，α
＝f
α
(x
q
，ω)；
其中f(
·
)表示模型的函数关系，ω为模型参数；步骤304、经过选择后保留下来的基模型为m
new
＝[m1,m2,
…
,mα]，α∈[1,m],其对应的数据的样本子集为d
new
＝{(x
1,i
,y
1,i
),(x
2,i
,y
2,i
),
…
,(x
α,i
,y
α,i
)}；α∈[1,m],i＝1,2,3,
…
,n
m
}步骤305、对所述待测样本(后用x
q
代表)，使用标准欧式距离衡量到各个所述样本子集中样本的距离，并以其均值来代表所述待测样本到对应的所述样本子集的距离，并作为每个基模型mα所对应的模型权重w
α
。步骤306、最终该待测样本x
q
的加权融合的终点碳温预测输出结果为：其中y
test
为待测样本真实值，y
prediction
为待测样本的预测值。5.根据权利要求3所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，所述步骤2还包括步骤203：步骤203、对所述数据子集构建基模型池，对所述基模型池m中的若干基模型进行迭代优化后获得符合精度要求的优选模型。6.根据权利要求5所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，所述步骤203包括2031-2036，步骤2031、首先要对模型进行初始化：其中f表示gbdt模型，f0即模型的初始状态，n为训练样本的个数，y
i
是初始化的真实值，c为初始化的预测值，l(y
i
,c)为模型的损失函数，即想要找到一个最小的c使得所有样本的误差最小，在gbdt回归算法中常用的损失函数是最小二乘回归；步骤2032、初始化完成后，对于数据集d
′
m
中的训练样本i＝1,2,3,
…
,n
m
，计算第m棵树的响应值，即损失函数的负梯度：步骤2033、然后利用cart回归树去拟合残差来获得第m棵回归树，其对应的叶子节点为r
m,j
，其中m表示第m棵树，j＝1,2,3,
…
,j为该树的叶子节点数；然后再对每个叶子结点，计算出最佳拟合值：步骤2034、随后更新模型，在下一次迭代中使用m棵树来进行预测其中δ为学习率，用来控制每一棵提升树的对gbdt模型的提升程度；步骤2035、循环步骤2032-2034，建立m棵分类回归树m＝1,2,3,
…
,m步骤2036、最终的m棵分类回归树的gbdt模型表达式为：
7.根据权利要求4所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，所述步骤3还包括步骤3031：步骤3031、计算所述基模型池m中的所有基模型在所述相似区域s上的预测精度accu
s
(m)，对所述基模型进行优选。8.根据权利要求7所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，所述步骤3031包括步骤30311-30312：步骤30311、计算所述基模型池m中的所有所述基模型在相似区域s上的预测精度accu
s
(m)(m)pe表示终点碳温的预测精度是否在误差范围(th)内，如果在，则表示命中并记为1，反之则记为0。其中碳含量预测误差范围th＝0.02％,温度的预测误差范围th＝10℃；步骤30312、对所述基模型的精度从大到小进行排序，若前α(α∈m)个模型的预测精度之和大于所设定的阈值，则选取前α个模型作为该待测样本的选择后的模型，也即后续参与集成融合的子模型。9.根据权利要求1所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，所述样本集划分为特征维度为6，样本数量为5500的实验数据，其中碳含量的6维特征分别是氧压31、兑铁时长、兑铁结束到开氧时间、铁水温度、兑铁开始与上炉出钢时长、装入废钢量；温度的6维特征为装入生铁量、铁水p、枪位22、氧压29、氧压11、枪位16，所述的5500条样本中，5000条做训练数据，500条做测试数据。10.根据权利要求4或8所述的一种基于集成学习的转炉炼钢终点碳温软测量方法，其特征在于，对下一个所述待测样本重复步骤3，获得所有待测样本的终点碳温预测结果。

技术总结
本发明公开的一种基于集成学习的转炉炼钢终点碳温软测量方法，具体步骤包括：步骤1、获取历史数据，采集实际钢转炉炼钢生产过程中的历史数据；步骤2、构建多样性基模型池，根据多种不同数据划分特点的聚类算法对所述历史数据进行划分，获得若干划分特点不同的样本子集；步骤3、融合待测样本与所述模型子集获得预估结果，所述待测样本为待测钢转炉炼钢生产过程中的各项数据，将所述待测样本与所述历史数据的局部相似度转换为对应权重，通过加权融合获得终点碳温预测结果。本发明构建具有多样性的基模型池，对基模型池中的基模型进行了迭代优化，自适应选择符合精度要求的模型子集。通过前述步骤获得了更高精度的预估结果。过前述步骤获得了更高精度的预估结果。过前述步骤获得了更高精度的预估结果。


技术研发人员：刘辉 邵彬 杨路 赵安
受保护的技术使用者：昆明理工大学
技术研发日：2023.03.13
技术公布日：2023/8/24