高炉铁水硅含量预测模型.doc

高炉铁水硅含量的预测模型 摘要 本文针对高炉炼铁的实际问题，综合考虑料速，透气性指数，铁量差，风温，风量等对铁水硅含量影响，根据资料和数据分析提取主要参数，建立了BP神经网络和RBF网络的组合预报模型对铁水硅含量进行预测。 首先，建立BP神经网络模型，根据提取出来的主要因素，确定高炉铁水硅含量的三层网络模型，利用题目给出的近期某高炉的159组生产数据，将数据标准化，进行归一化处理，然后采用前109组数据对BP神经网络进行训练，最后用后50组数据进行数据预测，运用SPSS软件将预测结果与实际结果进行对比，结果显示此网络模型对铁水硅含量的预测命中率达到74%。 其次，针对BP神经网络收敛速度慢和易于陷入极小值的问题，应用RBF网络模型对其进行改进，引用高斯函数来替代隐含层的经验计算公式，运用MATLAB软件对前109组数据进行函数逼近，增加神经元数量，经过逐次逼近，到达预期的精确度。然后再用此网络后50组数据进行预测，把预测结果与真实结果相比较，得到相应的比较图，结果表明RBF网络模型的预测结果比BP神经网络模型精度提高了很多，命中率达到了82%，基本可以反映高炉的生产实际。 最后，本文把BP神经网络模型和RBF网络模型的预测结果进行了对比，同时根据高炉内部反应机理的特点，结合两个模型优势，建立了组合预报模型，即把两种方法预测出来的结果取平均值。将组合预报模型预测的铁水硅含量与实际值相对比，结果显示命中率提高到了90%，使预测模型更加具有生产实际应用价值。 关键词：BP神经网络 归一化 RBF网络 组合预报 MATLAB SPSS 一 问题的重述 高炉炼铁是应用焦炭、含铁矿石和溶剂（石灰石、白云石）在竖式反应器——高炉内连续生产液态生铁的方法。它是现代钢铁生产的重要环节。高炉一个非常复杂高度藕合的非线性系统影响铁水硅含量的因素很多，大体上分为两大类：状态参数和控制参数。状态参数料速、透气性、风口状况、铁水与炉渣成分等控制参数炉原料的性质(成分、比重、配料比等)、装料方式风量、风温、富氧量等，各个因素之间也存在交互影响。能反映高炉炉温的变化。在正常状态下，炉温向凉时，风量会有所上升、风压平稳逐步下降、料速增大、透气性指数增大。料速是判断高炉炉况的一个重要参数。料速的变化可以反映炉温的状态。当炉温向热时，料速由快变慢，。透气性指数是判断炉温与炉况顺行的一个重要参数它的值在某一范围内，表示炉况顺行，小于某一数值，表示炉况难行，更小时就表明炉子悬料。铁量差指的是理论出铁量与实际出铁量之差。当铁量差为一个较大的正值时，说明炉缸里还有一定量的铁水未出尽使铁水硅含量升高。如果铁量差保持在较小的范围内，表示炉缸保持热平衡状态。当铁量差为较大的负值时，炉缸的热平衡被打破，导致铁水硅含量降低。的含量的增减，以及煤气流分布的变化，都会影响到煤气能的利用程度和炉况顺行情况，这也表示对高炉内直接还原和间接还原的比例有一定的影响，这些都会影响到炉缸温度。 表中给出近期某高炉的生产数据，试根据生产数据建立铁水硅含量与各影响参数的数学预测模型。 二 问题的分析 此题是一个数学预测模型，根据近期某高炉的生产数据，建立合理的模型来预测铁水硅含量，从而通过控制铁水硅含量来控制控制铁水数量和质量。 首先，我们需要找出影响铁水硅含量的各影响因素。根据题意可以提取出影响铁水硅的主要因素为料速，透气性指数，铁量差，风温，风量，而表格中给出的数据却没有直接的数据。因此需要查阅资料分析计算得到这些参数。 其次，综合考虑影响铁水硅含量的相关因素，对数据进行处理，建立模型并求解。具体可分三步进行： ⑴ 建立基本模型BP神经网络模型，取前109组数据进行学习训练，后50组数据用来预测铁水硅含量。 ⑵ 分析BP神经网络模型的缺陷，在此基础上将计算隐含层经验函数用高斯函数，即为RBF网络模型，使训练时间减少，并提高预测精度。 ⑶ 综合上述两个改进模型，提出组合预报模型，综合两个模型的优点，得出更精确的预测。 三 模型的假设 1、假设铁水硅含量可以很好的反应高炉炉温，可以代表炉温。 2、假设影响铁水硅含量的主要因素就是料速，透气性指数，铁量差，风温，风量，其他因素影响很小，可以忽略不计。 3、假设采集到的近期某高炉的数据皆合理可行。 4、假设高炉生产在正常情况下进行，不存在设备损坏等情况。 四 符合的说明 符号 说明 隐含层神经元个数 输入层神经元个数 输出层神经元个数