第2期 何飞等：基于正交信号校正和稳健回归的带钢酸洗浓度预测模型 247. 1.52%降低到1.17%，氢离子模型的预测相对误差从 OSC与IRLS结合的结果优于与MLR结合的结果 5.10%降低到4.73%；两个模型的复测定系数变化不 综上所述：在利用MLR、IRLS、OSC-MLR 大；OSC处理后的模型交叉验证系数a和b均明显 和OSC-IRLS四个方法得到的酸浓度模型中，MLR 优于未经OSC处理的模型，尤其是交互验证系数 模型的预测能力最弱；OSC-MLR模型的预测能力 b,均降低了约50%，说明经OSC处理后预测值和 与IRLS模型的结果大体一致，且两者均明显优于 真实值更加接近 LR模型：OSC-IRIS模型的预测能力最强.说明 表2MLR、IRLS、OSC-MLR和OSC-IRLS酸浓度模型预 迭代加权最小二乘和正交信号校正均可以降低噪声 测结果对比 的干扰，提高模型预测精度.此外，将两者结合能进 Table 2 Prediction results by MLR,IRLS,OSC-MLR,and 一步增强了模型抵抗噪声和无关成分的能力，提高 OSC-IRLS models 了模型的鲁棒性.现给出OSC-IRLS模型的预测结 模型 预测方法 R2 er/% b 果和相对预测误差如图4所示，为了清晰地显示结 MLR 0.9557 1.82 0.8743 0.0732 果，图形中只给出了部分预测结果.从图4(c)可以 氯化亚铁 IRLS 0.9461 1.52 0.92000.0609 看出，在正常生产情况下，氢离子质量浓度在55 OSC-MLR 0.9457 1.54 0.9101 0.0621 OSC-IRLS0.95651.17 0.95170.0311 gL1上下波动，但在有些时候酸液浓度变化较大. MLR 0.9541 5.87 0.8539 0.0659 这是因为现场酸浓度控制采用手动方式，尤其当处 氯化氢 IRLS 0.9452 5.10 0.89450.0478 于停机后重启或换酸后，因酸液浓度检测不及时， OSC-MLR 0.9441 5.08 0.9080 0.0433 存在时间滞后问题，一旦发现酸液浓度过高就会及 0SC-IRLS0.96594.730.92970.0284 时在短时间内降低酸浓度，导致酸浓度控制波动范 (3)OSC-MLR模型与OSC-IRLS模型结果对 围很大.所以，在带钢酸洗过程中酸浓度的软测量 比.从表2中可以看出，OSC-IRLS相对预测误差 方法显得尤为重要，为实现实时控制提供可能.从 明显小于OSC-MLR的相对预测误差，复测定系数 图4(a)和(c)中也可以看到本文提出的方法即使在 变化亦不大，但OSC-IRLS交叉验证系数a和b均 酸液浓度急剧变化中也可以准确预测其浓度值，说 明显优于OSC-MLR模型，且变化幅度很大，说明 明方法的有效性 130 125 120 115 2 110 105 D 0% 1 50100150200250300 50100150200.250300 样本编号 样本编号 (a) (b) % 40 50 100150200250300 50100150200250300 样本编号 样本编号 (c) (d) 图4 OSC-IRLS预测结果.(a)氯化亚铁模型预测结果；(b)氯化亚铁模型预测相对误差：(c)氯化氢模型预测结果；()氯化氢模 型预测相对误差 Fig.4 Prediction results of OSC-IRLS models:(a)prediction results of the ferrous chloride model;(b)relative prediction error of the ferrous chloride model;(c)prediction results of the hydrogen chloride model:(d)relative prediction error of the hydrogen chloride model