基于改进神经网络模型控制高炉炼铁过程.docx

毕业设计 *** 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。 针对问题三，要求建立质量指标[S]的优化数学模型，并且讨论优化后的[Si]预测控制的预期效果。在RBF模型的基础上，建立粒子群模型对质量指标参数[S]进行优化，从而得到满足期望[S]参数。基于优化后的数据，选取样本编写MATLAB程序对RBF神经网络模型进行求解，将得到的数据与真实值进行比较计算，得到优化后的预测数值成功率达到99.04%，效果较好。证明经过优化后的质量指标对于[Si]的准确预测控制更加准确。 本文建立多个模型并对预测模型进行优化，得到了合理且准确率高的铁水硅含量预测模型，并且对模型的优缺点进行了合理的评价，对控制高炉炼铁炉温操作具有十分重要的参考价值。 关键词：滞后性；动态预测；RBF神经网络；粒子群；MATLAB *** 1. 问题重述 炼铁过程生产指标产量、能耗、铁水质量等指标都与冶炼过程的一项控制性中间指标——炉温，即铁水含硅量[Si]（铁水含硅质量百分数）密切相关。对2小时后或4小时后高炉炉温上升或下降的预测，即[Si]时间序列的预测关系着当前高炉各项操作参数的调控方向。因此，[Si]的准确预测控制建模成为冶炼过程优化与预测控制的关键技术。本项目仅提供由铁水含硅量[Si]、含硫量[S]、喷煤量PML和鼓风量FL组成的数据库作为数学建模分析和数据挖掘的基础。试求解以下问题： 从给定数据表中[Si]-[S]-FL-PML依序号排列的1000炉生产大数据中，自主选取学习样本和算法，建立[Si]预测动态数学模型，包括一步预测模型和二步预测模型。 自主选取验证样本，验证你所建立的数学模型的预测成功率，并且讨论其动态预测控制的可行性。 以质量指标铁水含硫量[S]为例，含硫量低，铁水质量好，可以生产优质钢，制造优质装备。试建立质量指标[S]的优化数学模型，并且讨论按照优化模型计算结果进行[Si]预测控制的预期效果。 2. 模型假设 假设除题中给出的影响因素的其他影响因素影响忽略不计。 假设给出数据的高炉运行情况良好，无异常运行。 3. 通用符号说明 序号 符号 符号说明 1 数据标准偏差 2 变量之间的关系滞后了m个序列 3 数据样本的平均值 4 高炉铁水[si]含量实际值 5 高炉铁水[si]含量预测值 4.铁水含硅量动态预测模型的建立 4.1问题分析 本文要求解答预测[Si]动态数学模型，在查阅有关炼铁的文献时发现存在着大滞后的现象，即喷煤量PML和鼓风量FL与铁水含硅量[Si]之间的关系具有滞后性，且滞后性不尽相同。因而建立灰色关联度模型，求解出喷煤量PML和鼓风量FL与铁水含硅量[Si]之间分别的滞后时间。拟建立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，打算以步长为二选取m个样本对之后第二个样本进行预测。 4.2模型准备 异常值的存在直接影响到建模准确率和预测精度，因此对异常值进行合理、有效的修正。利用Excel画出原始样本铁水含硅量、铁水含硫量、风量和喷煤量的时间序列曲线图，如图1、2、3、4。 图1 原始样本铁水含硅量的时间序列曲线 图2 原始样本铁水含硫量的时间序列曲线 图3 原始样本集中喷煤量的时间序列曲线 图4 原始样本风量的时间序列曲线 由图1、2、3、4可得每一时刻点的铁水含硅量、铁水含硫量、风量和喷煤量，对波动较大的数据，予以剔除处理。 采用依拉达准则（准则）