基于K-ELM的回轉(zhuǎn)窯喂煤量趨勢(shì)預(yù)測(cè).pdf

1、回轉(zhuǎn)窯是工業(yè)上生產(chǎn)氧化鋁的重要熱工設(shè)備，其操作參數(shù)多且具有大滯后、非線性、強(qiáng)耦合、多干擾等特點(diǎn)?；剞D(zhuǎn)窯的燒結(jié)是整個(gè)回轉(zhuǎn)窯系統(tǒng)中的關(guān)鍵工序。燒結(jié)過(guò)程中的窯內(nèi)工況，燒結(jié)溫度，煤粉質(zhì)量對(duì)窯前喂煤量影響很大，因此即使經(jīng)驗(yàn)豐富的操作工人也難以在這么復(fù)雜的環(huán)境下進(jìn)行準(zhǔn)確地加減煤判斷。在人工比較難把握加減煤趨勢(shì)的情況下，如果對(duì)其建模并能準(zhǔn)確預(yù)測(cè)出喂煤量的趨勢(shì)方向，則可以穩(wěn)定窯內(nèi)工況，提高熟料的產(chǎn)量和質(zhì)量。
　　 根據(jù)這個(gè)思路，把喂煤量作為主要

2、的研究對(duì)象，提取窯前基于時(shí)序的熱工數(shù)據(jù)的變化趨勢(shì)，總結(jié)出熱工數(shù)據(jù)趨勢(shì)特征和喂煤趨勢(shì)方向的關(guān)系，提出一種基于核函數(shù)的極限學(xué)習(xí)機(jī)(K-ELM)模型，實(shí)現(xiàn)對(duì)喂煤量變化趨勢(shì)進(jìn)行預(yù)測(cè)。
　　 對(duì)于窯前的熱工數(shù)據(jù)，采用基于加煤或減煤的關(guān)鍵點(diǎn)方法對(duì)整個(gè)時(shí)序進(jìn)行分段線性化壓縮，然后提取每一小段熱工數(shù)據(jù)的變化趨勢(shì)，建立喂煤量變化趨勢(shì)的訓(xùn)練測(cè)試數(shù)據(jù)庫(kù)?？紤]到窯前熱工數(shù)據(jù)噪聲大、受干擾因素多等特點(diǎn)，一般的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練受到影響比較大，預(yù)測(cè)精度較低。

3、為此，本文引進(jìn)了魯棒性較強(qiáng)的K-ELM神經(jīng)網(wǎng)絡(luò)模型。在對(duì)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)中幾組數(shù)據(jù)集加噪聲的情況下，對(duì)幾種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比較，并分析其結(jié)果。
　　 目前的研究資料中還沒(méi)有形成固定的算法來(lái)選擇K-ELM的參數(shù)。本文采用了交叉驗(yàn)證算法對(duì)其參數(shù)進(jìn)行尋優(yōu)，在一定程度上避免了神經(jīng)網(wǎng)絡(luò)的過(guò)學(xué)習(xí)問(wèn)題。用前面提取得到的喂煤趨勢(shì)數(shù)據(jù)庫(kù)，對(duì)ELM、SVM及K-ELM三個(gè)模型訓(xùn)練測(cè)試，并對(duì)結(jié)果進(jìn)行分析。
　　 兩次實(shí)驗(yàn)結(jié)果都表明基于K-ELM的