基于维度缩减的合金加料智能预测模型的研究.docVIP

2009年　8月 第 25卷第 4期  炼　钢 Steelmaking  　　　　　　　　　　 Vol . 25　No . 465?  基于维度缩减的合金加料智能预测模型的研究 王希娟1 ,崔建华1 ,冯京晓2 (1 .洛阳师范学院物理与电子信息学院 ,河南洛阳 471022 ; 2 .洛阳矿山机械工程设计研究院 ,河南洛阳 471039) 摘　要 :合金加料预测模型作为炼钢精炼环节重要的工艺模型 ,其准确性对合金加料以及精炼环节的 进一步自动化起着非常重要的作用。在实际数据的基础上 ,运用维度缩减同 RB F神经网络相结合的方 法建立合金加料智能预测模型 ,结果证明维度缩减后的合金加料模型具有较好的预测效果。 关键词 :维度缩减 ;合金加料 ; RB F神经网络 1 . School of Physical and Elect rical Informatio n , L uoyang Normal U niver sit y , L uoyang 471022 , China ; 2 . L uoyang Mining Machinery Engineering Design Research Instit ute , L uoyang 471039 , China) ing model fo r t he steel refinement p rocess it s accuracy will play a very important role in natio n of dimensio n decrement wit h t he RB F nerve network. The result show s t hat t he alloy charging mo del is of bet ter p redictive performance after dimensio n decrement Key words : dimensio n decrement ; alloy charging ; RB F nerve net work 　　L F作为转炉、电炉的精炼设备 ,其主要工作系统具有最佳解释能力的新综合变量。该方法 之一就是对所来的钢液成分进行微调 ,合金加料不但克服了变量之间的相关性 ,而且有效地区 的准确与否直接影响着成品钢的性能。在实际生分系统的信息与噪声 ,可提高系统建模的准确 产中 ,由于存在很多非线性因素以及合金加料模性 ,相对增加样本数目。主成分分析可以在基 型的不同输入变量之间存在多重相关性 ,影响到本保持原数据信息的基础上 ,对高维变量空间 加料模型的准确性 ,而且样本数据过多又导致模进行降维处理 ,使得人们能够更直观地看到数 型复杂 ,建模速度慢 ,影响到模型的实用性。本文 以横向课题“天津某钢厂 110 t L F精炼炉控制系篇幅有限 ,主成分分析计算方法在这里不再赘 , 统的研制”为背景 ,以实际采集大量数据为基础 ,详见参考文献 [ 1 ]。 采用主成分分析与 RB F神经网络相结合的方法 , 1 . 2　模型输入的主成分分析 针对合金加料模型展开了研究。 钢自变量数据 (钢液的初始温度、钢液的重量、钢 液中各种不同的合金含量和成品钢中要求的对应 1 . 1　主成分分析的目标与计算方法的各种不同合金含量)进行处理 ,得出其主成分 , 主成分分析是维度缩减的重要方法 ,它是对为同因变量进行 RB F网络建模打下基础。经过 变量信息重新进行综合筛选 ,从中选取若干对计算得出结果如下 : 作者简介 :王希娟 (1980 - ) ,女 ,洛阳师范学院物理与电子信息学院 ,讲师 ,硕士 ,从事自动化的研究。 　?6　6　  炼　钢  第 25卷  ( 1)输出协差阵 V ( 8阶方阵)的 8个特征根 : 2 . 205 6 , 1 . 507 1 , 1 . 171 4 , 0 . 953 5 , 0 . 798 4 , 0 . 582 8 , 0 . 472 3 , 0 . 308 9。 ( 2)输出各个特征根占特征根总和的百分比 (即各主成分的贡献率 ) : 27 . 569 8 , 18 . 838 3 , 14 . 642 9 , 12 . 918 5 , 11 . 980 2 , 6 . 285 5 , 4 . 903 9 , 2 . 860 9。其中前 5个主成分贡献率之 和达到85 . 95 % ,因此前 5个主成分分析已经可  图 1　径向基函数神经网络结构 以达到要求 (第 8个特征根贡献率相对较小 ,数据 处理过程中处理掉)。 Фi ( X) = exp - ‖X - ci‖2 2 , i = 1 ,2 ,…, m ( 3)