基于模糊分布式模型的高爐爐溫預(yù)測研究.pdf

1、高爐煉鐵過程是一個高度復雜的非線性過程系統(tǒng),在其運行過程中,爐況隨時間的推移不斷發(fā)生變化。爐溫控制是使高爐能夠穩(wěn)定運行并達到高效生產(chǎn)的關(guān)鍵。高爐生產(chǎn)過程數(shù)據(jù)量大,存在噪聲大,高度耦合,數(shù)據(jù)間存在矛盾等過程特點,導致采用單一模型難以建立準確的高爐爐溫預(yù)測模型。課題在包鋼高爐冶煉過程特點的背景下,基于數(shù)據(jù)驅(qū)動建模技術(shù),結(jié)合模糊理論,利用分布式建模的思想建立模糊分布式神經(jīng)網(wǎng)絡(luò)高爐爐溫預(yù)測模型,該模型針對高爐不同的狀態(tài)分別建立子模型,最后對子模

2、型進行組合連接,提高了模型的預(yù)測精度。具體研究內(nèi)容如下:
　　1.高爐現(xiàn)場采集的數(shù)據(jù)存在缺失值和異常值,由于高爐是大滯后系統(tǒng),影響爐溫的工藝參數(shù)大多存在時間滯后性。為了建立更精確的模型,對現(xiàn)場數(shù)據(jù)進行預(yù)處理,對缺失值和異常值采取平滑處理,采用相關(guān)性分析計算各工藝參數(shù)的相關(guān)系數(shù),選取對爐溫有較大影響的參數(shù)為模型的輸入變量,并探討分析其在高爐生產(chǎn)過程中對輸出變量影響的滯后時間。
　　2.由于鐵水硅含量和鐵水溫度都能反映高爐爐溫的

3、變化,因此,將鐵水硅含量和鐵水溫度分別作為輸出變量,已選中的工藝參數(shù)作為輸入變量,建立模糊分布式神經(jīng)網(wǎng)絡(luò)模型。采用改進的模糊聚類算法,對輸入輸出樣本數(shù)據(jù)進行模糊劃分,再對劃分出的子空間進行神經(jīng)網(wǎng)絡(luò)訓練建立神經(jīng)網(wǎng)絡(luò)子網(wǎng)模型,再根據(jù)樣本集對各個子空間的隸屬度進行子網(wǎng)模型的組合連接,建立模糊分布式神經(jīng)網(wǎng)絡(luò)高爐預(yù)測模型,結(jié)合高爐實際情況,對比鐵水硅含量和鐵水溫度的預(yù)測效果,選擇預(yù)測效果更好的鐵水溫度為輸出變量。
　　3.模糊分布式神經(jīng)網(wǎng)絡(luò)

4、模型的聚類算法和神經(jīng)網(wǎng)絡(luò)建模方法可以存在多種不同的方法,因此,聚類算法采用模糊C均值算法和自組織神經(jīng)網(wǎng)絡(luò)聚類算法,子模型建模采用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò),兩方面兩兩組合,建立四種不同的模糊分布式神經(jīng)網(wǎng)絡(luò)模型,對比各個模型的預(yù)測效果,基于FCM的分布式BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果更好。
　　4.為了得到更好的預(yù)測效果,采用粒子群算法對基于FCM的分布式BP神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化,重新確定神經(jīng)網(wǎng)絡(luò)子網(wǎng)模型的權(quán)值和閾值,通過準確性驗證,模