基于改进神经网络模型控制高炉炼铁过程数学建模论文.docx

PAGE 1 基于改进的神经网络模型的高炉炼铁预测控制 摘 要 高炉炼铁是钢铁工业的重要组成成分，高炉炉温控制是实际生产中的重要程序，建立可以进行炉温控制的炉温预报模型对实际生产具有重要意义。本文用铁水含硅量代表高炉炉温，通过建立多个模型并优化，对高炉炼铁铁水含硅量进行了动态预测。 针对问题一，要求建立一步和二步[Si]预测动态数学模型，首先对附件给出的数据进行预处理，修正了异常值。通过查阅文献得知喷煤量PML和鼓风量FL与铁水含硅量[Si]之间的关系具有滞后性，因而首先建立灰色关联度模型，得出喷煤量PML和鼓风量FL与铁水含硅量[Si]之间的关系皆相差6个炉次即12个小时。然后建立RBF神经网络模型，选取连续的m个样本学习对后一个样本进行一步预测；在二步预测过程中，以步长为二选取m个样本对之后第二个样本进行预测。 针对问题二，要求验证问题一建立的模型的预测成功率，自主选取数据编写MATLAB程序对问题一建立的RBF神经网络模型进行求解。分别得到各40组的一步预测和两步预测预测值，将预测值与真实值进行比较计算，得到一步预测和二步预测模型的预测数值成功率分别为84.36%和83.04%。再将铁水含硅量实际升降方向与预测方向比较计算得到一步预测和二步预测的预测方向成功率分别为81.58%和73.68%。本次建立的RBF神经网络模型验证结果较为良好，可用于高炉炼铁铁水硅含量的动态预测