基于ICEEMDAN-KPCA-RVM的铁水温度预测

作者：许威; 何朝辉; 杨凯; 李文岗; 肖清泰^*

来源：冶金自动化, 2023, 1-14.

• 铁水温度
• 智能预测
• 相关向量机
• 改进的自适应噪声完备集合经验模态分解
• 核主成分分析

为解决高炉铁水温度传统单一预测模型存在的模型精度不高、鲁棒性差等难题，提出了一种融合改进的自适应噪声完备集合经验模态分解（intrinsic computing expressive empirical mode decomposition with adaptive noise，ICEEMDAN）、核主成分分析（kernel principal component analysis，KPCA）和相关向量机（relevance vector machine，RVM）的组合模型来精准和稳定预测铁水温度。首先，利用ICEEMDAN对铁水温度时间序列进行分解，以获取若干本征模态函数。其次，利用KPCA对钢铁生产过程中的多维关键变量进行降维处理，提取关键变量的主要特征。最后，利用RVM对降维后的变量分别预测铁水温度时间序列，得到铁水温度的累加预测结果。结果表明，相较于传统的自适应噪声完备集合经验模态分解模型（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN），新模型的均方根误差（root mean square error，RMSE）减少了13.0%，训练速度提升了10.9%，能够更好地理解铁水温度的动态变化规律；相较于单一的RVM等传统模型，新模型的平均绝对误差（mean absolute error，MAE）减少了2.47，训练时间缩短了0.463 s，具有模型精度更高和速度更快的优势。因此，新模型为高炉温度实时调控提供了理论支持，对保证高炉冶炼稳定性、实施冶金过程智能化具有实际意义。

• 单位
  昆明理工大学