基于维度缩减的合金加料智能预测模型的研究.docVIP

炼钢Steelmaking2009年 8月 第25卷第4 炼钢Steelmaking 基于维度缩减的合金加料智能预测模型的研究 王希娟】,崔建华I ,冯京晓2 （1 ?洛阳师范学院物理与电了?信息学院，河南洛阳471022;2.洛阳矿山机械工程设计硏究院.河南洛阳471039） 摘要：合金加料预测模型作为炼钢将炼环节垂要的工艺模烈，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RBF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；RBF神经网络 ? School of Physical and Elect rical In for mat io n , L uoya ng Normal U niver sit y ,L uoyang47I022 , China ; 2 ? L uoyang Mining Machinery Engineering Design Research Instil 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 dime nsio n decreme nt wit h t he RB F n erve netw ork. 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 LF作为转炉、电炉的粘炼设备，英丄耍工作系统具有最佳解释能丿J的新综合变量。该方法 之一就是対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 的准确与否宜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 产屮，由于存在很多沖线性因素以及合金加料模件，相对增加样本数目。丄成分分析可以在棊 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，对髙维变量空间 加料模型的准确性，而U样本数据过多又导致模进行降维处理，使得人们能够更巴观地看到数 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1I01LF?炼炉控制系篇幅有限，丄成分分析计算方法在这里不再赘， 统的研制为背景，以实际采集人量数据为慕础，详见参考文献［1 ］o I . 1主成分分析的冃标与计算方法的各种不同合金含量）进行处理，得出英主成分， I . 1主成分分析的冃标与计算方法的各种不同合金含量）进行处理，得出英主成分， 丄成辭沸昵维關减I底献标识砥 沱慮章琮咼因取廛適权2（］^稠酬络邈模打下皋础。经过 变量信息重新进行综合筛选，从屮选取若于对计算得出结果如下： 作者简介：王希妈（1980-）,女.洛阳师范学院物理与电子信息学院，讲师，硕上.从事自动化的研究。 采用主成分分析与RBF神经网络相结合的方法， 针对合金加料模型展开了研究。 1模型输入的维度缩减 1.2模型输入的主成分分析 运用主成分分析理论对现场采集200组20 钢口变量数据（钢液的初始温度、钢液的重量、钢 液屮各种不同的合金含量和成品钢屮耍求的对应 输出协差阵V( 8阶方阵)的8个特征根： 2.205 6 , I . 507 1 , 1 . 171 4,0.953 5,0.798 4 , 0.582 8,0.472 3,0.308 90 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, 12.9185, 11 . 980 2 , 6.285 5 , 4.903 9,2.860 9o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 以达到耍求(第8个特征根贡献率相对较小，数据 处理过程中处理掉)。 主成分表达式的确立。下边矩阵5列就 是前5个主成分在原来8个变量上的系数。 0.377 8 - 0.362 5 0.1479-0.5257 0.321 5 0.2277 0.365 5 0.484 0 0.097 9 0.622 9 0. 1146 -0.7172 0.0907 0.0835 0.103 5 0.4119 -0.154 5 0.0279 0.6530 0.