神經(jīng)網(wǎng)絡(luò)建模方法及數(shù)據(jù)挖掘在煤造氣過程中的應(yīng)用.pdf

1、以煤為原料的造氣爐，氣化層溫度和狀態(tài)是造氣爐提高制氣能力以及降低能耗的關(guān)鍵參數(shù)，對這些變量的測量或預(yù)測是使其實現(xiàn)閉環(huán)控制的前提條件。由于造氣工藝中工況復(fù)雜、檢測環(huán)境惡劣，直接測溫法往往比較困難，難以實現(xiàn)。因此，針對間接反映氣化層溫度的上行溫度、下行溫度以及上下行溫度之和，本文提出了將數(shù)據(jù)挖掘與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對其進行建模研究。主要工作如下:
　　1、實際工業(yè)中，造氣過程產(chǎn)生的數(shù)據(jù)具有不規(guī)律、變化小、含有噪聲以及各變量間存在耦合

2、等復(fù)雜特點。針對這類數(shù)據(jù)，本文提出了將數(shù)據(jù)挖掘與BP神經(jīng)網(wǎng)絡(luò)以及RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的動態(tài)線性建模方法。一方面使用系統(tǒng)模型的動態(tài)描述以便更準(zhǔn)確地反映氣化層溫度的大小以及變化趨勢，另一方面有效利用系統(tǒng)中可以控制的變量。該算法基本思想是先對數(shù)據(jù)進行相關(guān)性分析，根據(jù)分析結(jié)果建立動態(tài)線性模型，而動態(tài)線性模型與真實數(shù)據(jù)之間的差值則由神經(jīng)網(wǎng)絡(luò)建模描述。
　　2、研究了一些常用的建模方法，包括ARMAX模型、多元線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、

3、RBF神經(jīng)網(wǎng)絡(luò)模型、基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)模型(PCA-BP)以及多元線性回歸與BP及RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型。此外，通過對層次聚類理論知識的學(xué)習(xí)和研究，針對造氣過程中丟失的數(shù)據(jù)，提出了一種基于層次聚類的數(shù)據(jù)補償算法，并進行了仿真驗證。
　　3、利用某造氣廠的實際生產(chǎn)運行數(shù)據(jù)，對造氣系統(tǒng)中的上行溫度、下行溫度以及上下行溫度之和進行了建模方法的大量仿真研究，將本文提出的算法與BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、PCA-BP模型、A