基于k-means++的高炉铁水硅含量数据优选方法

• 作者: 尹林子 关羽吟 蒋朝辉 许雪梅
• 来源期刊: 化工学报
• 关键词: 预测 动态建模 神经网络 高炉炼铁 铁水硅含量 数据优选 k-means++ 深度学习
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 过程系统工程
• 页码范围: 3661-3670
• 页数: 9页
• 分类号: TP393.4
• 语种: 中文
• DOI: 10.11949/0438-1157.20191115

摘要

优质数据集是实现高炉铁水硅含量准确预报的基础。针对铁水硅含量数据记录不均衡，特别是部分样本周期内存在多个硅含量值且波动较大，难以与输入变量进行合理关联等难题，提出了一种基于k-means++聚类算法的铁水硅含量数据优选方法。该方法首先利用k-means++的快速聚类能力，将样本分簇，用以表征不同的炉况；其次统计各簇硅含量频数直方图，由此确定高频区间；最后以高频区间为标准，遴选与样本关联的最佳硅含量值。以某钢铁厂2650m3的高炉为例，分别建立基于多层感知器和LSTM的深度学习模型进行预测，结果表明，该优选方法处理的数据与传统均值法相比，均方误差可减少0.003，命中率提高10%以上，对铁水硅含量数据的预处理具有较好的指导意义。