基于LNN-DPC加权集成学习的转炉炼钢终点碳温软测量方法

来源：计算机集成制造系统杂志2022年第12期北京时间：

作者：熊倩, 刘辉, 刘旭琛

单位：1.昆明理工大学信息工程与自动化学院2.昆明理工大学云南省人工智能重点实验室

摘要：转炉炼钢终点控制的关键是碳温准确预报。针对实际生产中因原料品质差异导致的炉次样本波动性较大所造成全局单一模型无法精确预测终点碳温的问题,提出一种局部最近邻密度峰值聚类算法(LNN-DPC)加权集成学习软测量方法。首先,采用改进的峰值密度聚类算法划分降维后的训练数据形成局部样本子集,构建子集与原始数据间的一一对应关系生成高斯过程回归子模型,并在原始数据子集下度量得到熵值加权的子集“质心”;其次,通过灰色关联分析选择与测试样本关联度较强的模型作为局部模型,提出关联度加权集成策略输出碳温预测结果。在实际转炉炼钢生产过程数据仿真结果下,碳含量在±0.02%的误差范围内精度达到85.2%,温度在±10℃的误差范围内精度达到84.8%。

关键词：转炉炼钢,集成学习,t-分布随机邻域嵌入算法,局部最近邻密度峰值聚类算法,灰色关联分析,高斯过程回归

基金资助：国家自然科学基金资助项目(61863018,62263016);云南省科技厅应用基础研究面上资助项目(202001AT070038)。