基于稀疏化鲁棒LS--SVR与多目标优化的铁水硅含量软测量建模.pdf

丁程科学学报 ，第38卷，第9期：1233-1241，2016年9月 ChineseJournalofEngineering，Vo1．38，No．9：1233—1241，September2016 DOI：10．13374／j．issn2095—9389．2016．09．006；http：／／journals．ustb．edu．cn 基于稀疏化鲁棒 LS-SVR与多 目标优化的铁水硅含量 软测量建模 郭东伟 ，，周 平 ，囡 1)东北大学流程T业综合 自动化国家重点实验室，沈阳 110819 2)矿冶过程 自动控制技术 国家重点实验室，北京 102628 因 通信作者，E-mail：zhouping@mail．neu．edu．cn 摘 要 针对高炉炼铁过程的关键T艺指标——铁水硅含量[si]难 以直接在线检测且化验过程滞后的问题，提出一种基于 稀疏化鲁棒最小二乘支持向量机 (R—s—LS—SVR)与多 目标遗传参数优化的铁水 [si]动态软测量建模方法．首先，针对标准 最小二乘支持向量机(LS—SVR)的拉格朗 日乘子与误差项成正比导致最终解缺少稀疏性的问题，提取样本数据在特征空间映 射集的极大无关组来实现训练样本集的稀疏化，降低建模的计算复杂度：其次，标准最小二乘支持向量机的目标函数鲁棒性 不足的问题将 IGGIII加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进．得到鲁棒性较强的稀疏化鲁棒最 小二乘支持向量机模型；最后，针对常规均方根误差评价模型性能的不足，提出从建模误差与估计趋势评价建模性能的多 目 标评价指标．在此基础上．利用非支配排序的带有精英策略的多 目标遗传算法优化模型参数，从而获得具有最优参数的铁水 S『i]在线软测量模型．工业实验及 比较分析验证了所提方法的有效性和先进性． 关键词 炼铁；硅含量 ；建模；最小二乘法；支持向量机；多 目标优化 分类号 TP18 Soft—sensormodelingofsilicon contentinhotmetalbasedon sparserobustLS——SVR andmulti—objectiveoptimization GUO Dong—wei’ ZHOUP ， ， 1)StateKeyLaboratoryofSyntheticalAutomationforProcessIndustries，NortheasternUniversity，Shenyang110819，China 2)StateKeyLaboratoryofProcessAutomationinMining＆Metallurgy，Beijing102628，China 囡 Correspondingauthor，E—mail：zhouping@ mail．neu．edu．CB ABSTRACT Tosolvetheproblemthattheparameterofsiliconcontent([si])inhotmentalisdifficulttobedirectlydetectedand obtainedbymanualanalysiswithlargetimedelay，amethodofsparseandrobustleastsquaressupportvectorregression (R—S—LS— SVR)wasproposedtoestablishadynamicmodelof[Si]withthehelpofthemulti—objectivegeneticoptimizationofmodelparame— ters．First，owingtotheissuethattheLagrangemultiplierofthestandardleastsquaressupportvectormachine(LS—SVR)isdirectly proportionaltotheerrorterm andsolvesthelackofsparsity，themaximalindependentsetofsampledatainthefeaturespacemapping setwasextractedtorealizethesparseofthetrainingsamplesetandreducethecomputationalcomplexityofmodeling．Next，inviewof theproblem thatthestandardleastsquaressupportvectormachinehasnoregularizationte