1.一种转炉炼钢终点智能控制方法，其特征在于，所述的控制方法由如下子系统实现：数据预处理子系统、钢水终点预测子系统、吹氧量和辅料计算子系统和模型更新子系统；

1)数据预处理子系统：从数据库中采集数据，并进行数据预处理，通过独立性和相关性分析，确定终点碳含量和温度预测子系统模型的输入变量，保证模型精度；

2)钢水终点预测子系统：采用基于小波权重的非平行支持向量回归机算法，对转炉炼钢的终点碳含量和终点温度进行预测；

3)吹氧量和辅料计算子系统：结合鲸群优化算法和增量计算方法，根据预测模型的输出反馈计算优化误差，在保证优化误差最小的前提下，计算出吹炼阶段所需的吹氧量、石灰和轻烧白云石等辅料加入量；

4)模型更新子系统：根据实际生产情况，定期对预测子系统进行更新升级；

所述的数据预处理子系统的数据预处理方法具体包括如下步骤：Step 1‑1：从数据库中读取n组转炉数据，对其进行预处理，剔除熔炼号、班别、炉长姓名等无关信息，得到n组具有m个特征变量的转炉数据集；

Step 1‑2：依据n组转炉数据，m个特征变量构造评价问题，确定参考序列和比较序列；

原评价矩阵为：

其中，Fi＝[fi(1),...,fi(k),...,fi(n)]为第i个特征变量的比较序列，fi(k)为第k组转炉数据的第i个特征变量；

根据评价目的和指标情况，确定参考序列R0：

R0＝(r0(1),...,r0(k),...,r0(n))        (2)对于转炉数据，R0指模型的输出序列，即终点碳含量数据yC或终点温度数据yT，r0(k)为第k组转炉数据的输出变量；

Step 1‑3：标准化处理参考序列R0和比较序列F，得到矩阵无量纲数据Y；

其中，Y0＝(y0(1),...,y0(k),...,y0(n))为标准化后的参考序列；

Step 1‑4：计算差值序列Ω；差值序列为每个比较序列的元素与对应的参考序列的元素的差值的绝对值，即Step 1‑5：确定差值序列中的最大值p和最小值v，即Step 1‑6：计算每个比较序列与参考序列对应元素的关联系数，即yi(k)和y0(k)之间的关联系数其中，ρ∈(0,1)是一个可调节参数；

Step 1‑7：计算每个特征的关联系数的平均值，形成关联序列，即关联系数越大，说明相应的输入因素对输出变量的影响越大；

Step 1‑8：按照灰色关联度系数γ0(i)从大到小的顺序进行排列，选择对输出变量影响较大的l(l≤m)个特征，初步作为相应的输入变量；

Step 1‑9：采用偏相关分析的方法，对得到的l输入变量进行独立性分析，以保证各输入变量之间相互独立或存在较小的相关性；任意两个输入变量xi和xj之间的g(g≤l‑2)阶偏相关系数 可以通过下列式子计算：其中，等式(8)的右侧均代表的是g‑1的偏相关系数；偏相关系数是真正能够反映两个变量之间相关性的统计量；如果两个变量之间的偏相关系数较小，说明两个变量之间的相关性较小，甚至不相关；

Step 1‑10：通过机理分析，结合相关性和独立性分析，最终可以确定d(d≤l)个影响因T d×1素作为终点碳含量yC或终点温度yT预测模型的输入变量，定义为x＝[x1,x2,...,xd] ∈R ；

终点碳含量或终点温度作为预测模型的输出变量；

所述的钢水终点预测子系统中，对转炉炼钢的终点碳含量和终点温度进行预测的方法具体包括以下步骤：Step 2‑1：读取Step 1‑10的转炉炼钢输入数据，终点碳含量数据和终点温度数据，通过均匀采样的方式，确定训练样本数量L1(L1

Step 2‑2：建立具有抗噪声性能的转炉炼钢终点信息预测模型；该模型以NPSVR为基础，引入参数v1和v2的同时，考虑了样本之间的权重；假设一数据集为T n

为高斯核函数，令 为输入训练样本，y＝[y1,...,yn] ∈R 为输出训练样本， 为第i个训练样本，则算法的目标函数可描述为：

其中，ci(i＝1,...,4)≥0是惩罚参数，v1,v2,ε1,ε2,ε≥0为可调节参数，η1, ξ1,η2,n×1和ξ2是松弛变量，W∈R 为样本的权重向量，[w1；b1]和[w2；b2]为增广向量，e＝[1,T n×1

1,...,1]∈R ；

以目标函数(9)为例进行解释说明，目标函数(10)具有和(9)相似的解释；约束条件中的第一项和第二项的目的是确定两个超平面 和 使得训练样本尽可能多的位于两个超平面中间；目标函数的第一项是正则化项，源自于标准的SVR；约束条件第三项的目的是使训练样本到下边界超平面 的距离至少为ε1，换句话说，使得训练样本尽可能的位于 的上侧；目标函数的第二项和第三项用于最小化松弛因子η1, 和ξ1，以及ε1管道的宽度，系数向量W为松弛因子的惩罚向量；

对上述模型进行推导，可获得相应的对偶问题：

T T T

其中，α1＝[α11,....,α1n] , β1＝[β11,...,β1n] ,α2＝[α21,....,α2n] ,T和β2＝[β21,...,β2n]为拉格朗日乘子向量；

T

Step2‑3：基于小波变换理论，确定样本的权重向量W＝[d1,d2,···,dn] ，di表示权重系数，可由下式获得：其中，exp(·)为e指数函数，δ为高斯函数的标准差，ri是原始数据与小波变换降噪后数据之间的距离；

Step 2‑4：初始化Step 2‑2的转炉炼钢终点信息预测模型的参数ci(i＝1,...,4),v1,v2,ε1,ε2,ε和δ；

Step 2‑5：利用转炉炼钢训练样本集进行训练；通过求解式(11)和(12)，可得到最优解向量α1, β1,α2, 和β2；

Step 2‑6：将最优解代入下列式子(14)和(15)，可求出w1,b1和w2,b2；

式中，|Sk|表示支持向量的个数；

Step 2‑7：将w1,b1和w2,b2的结果代入式(16)，即可得到终点碳含量回归函数fC(x)或温度回归函数fT(x)；

Step 2‑8：将训练样本代入回归函数fC(x)或fT(x)，得到终点碳含量或终点温度的预测值；计算模型精度和终点命中率等指标，如果指标达到设定值，模型建立完成，否则更新Step 2‑2的转炉炼钢终点信息预测模型的参数c1,c2,c3,c4,v1,v2,ε1,ε2,ε,δ，重复Step 2‑5到Step 2‑7，直到指标达到设定值，模型建立完成；

所述的吹氧量和辅料计算子系统的吹氧量和辅料计算方法具体包括如下步骤：Step 3‑1：建立如下氧料加入量优化问题的目标函数为：2

式中，ffit(x)＝(fC/T(x)‑DC/T) 称为适应度函数，x是由吹氧量、石灰加入量和轻烧白云石加入量等变量组成的输入向量，fC/T(x)为Step2‑8中的预测子系统的碳温预测值，DC/T为终点碳含量或终点温度的目标值；

Step 3‑2：设置鲸群的数量j和最大的迭代次数Nmax；将吹氧量和石灰加入量等变量作为优化变量，对各变量进行归一化处理，映射到[1,‑1]区间，根据设置的鲸群数量j生成等量的初始随机解；

Step3‑3：将各组初始解变量与一炉铁水初始信息合并得到x，分别代入Step2‑8中的预测子系统，得到碳含量和温度的预测值fC/T(x)；

Step3‑4：根据公式(17)中的适应度函数ffit(x)，计算每组解的适合度，保存当前适应*度最小的最优向量x；

Step3‑5：利用公式(18)的鲸群优化策略，如果当前迭代次数小于Nmax，则更新a,r1,E,η,k和p，确定下次迭代所需的解，检测是否存在超出搜索空间的解，如果有则将其映射到可行域中的随机位置，重复步骤Step 3‑4和Step 3‑5；否则，返回最优解，完成氧料量的鲸群优* *化，得到吹氧量和辅料加入量的最优向量B＝invnorm(x)，invnorm表示反归一化处理；

式中，t是当前迭代数，x(t)表示当前座头鲸的位置向量，λ＝|2r1·xrand‑x(t)|，xrand是*鲸鱼的随机位置，r1是[‑1,1]区间内的随机向量，η是一个常数，E是系数向量，x(t)表示当前最优解的位置向量，λz表示鲸鱼和猎物之间的距离，a是一个从2下降到0的变量，k是[‑1,

1]区间内的随机向量，z表示概率变量；

Step 3‑6：利用式(17)，建立增量计算模型，设置吹氧量的搜索间隔为[M1,N1]，步长为l1；设置辅料加入量的搜索间隔为[M2,N2]，步长为l2；

Step 3‑7：将鲸群优化的同一组样本中的吹氧量和辅料加入量的初始值设置为[M1,M2]，然后与铁水信息合并得到模型输入向量x，代入Step 2‑8中的预测子系统，得到碳含量*和温度的预测值fC/T(x)；根据公式(17)求出适应度值 保存向量C＝x；

Step 3‑8：按照搜索间隔l1和l2逐步更新吹氧量和辅料加入量的数值，形成新的模型输出变量xnew，代入Step2‑8中的预测子系统，得到碳含量和温度的预测值fC/T(xnew)；根据公式*(17)求出适应度值ffit(xnew)，如果 则保存向量C ＝xnew和适应度值当吹氧量达到N1、辅料加入量达到N2时，执行Step 3‑9，否则重复Step3‑

8；

* *

Step 3‑9：从Step 3‑5和Step 3‑8得到的最优解B 和C中提取出吹氧量和辅料加入量等元素组成新的向量 和 代入公式 得到吹氧量和辅料加入量的最优向量A，其中，K1和K2为权重系数；

*

Step3‑10：通过调整K1和K2的数值，得到最终的吹氧量和辅料加量A ；将吹氧量和辅料计算子系统中的最终结果传输到数据库中，然后PLC系统从数据库中读取数据，根据最优结果确定吹炼方式与停吹时间，最后向转炉执行机构发出控制指令完成整个吹炼过程；

所述的模型更新子系统的更新升级方法具体步骤包括如下：

0 T

Step4‑1：当新增冶炼数据量达到L2时，设置鲸群的种群向量Ω ＝[Ω1,...,Ωl] ，其T中，Ωi＝[c1,i,c2,i,c3,i,c4,i,ε1,i,ε2,i,εi,δi] ,i＝1,...,l，设置最大的迭代次数Tmax；定义模型参数优化适应度函数为：式中， Size(U,1)表示矩阵U中向量xi的个数， 是碳含量和温度的预测值，y(xi)是碳含量和温度的实际值，τ是误差上界，L1为Step 2‑1中确定的训练样本的数量；

Step 4‑2：利用公式(19)，对于每组参数 计算适应度 得到当前最优* * *

适应度f(Ω)以及最优参数Ω；

*

Step 4‑3：如果当前迭代次数小于Tmax，更新Ω ，获得下一组参数Ωi，利用公式(19)，计算适应度f(Ωi)；

* * *

Step 4‑4：如果f (Ω)≤f(Ωi)，则令Ω＝Ωi和 返回Step 4‑3；否则，直接返回Step 4‑3；

*

Step 4‑5：如果当前迭代次数等于Tmax，则输出全局最优参数Ω；完成模型的更新。