基于模糊模型的高爐硅含量研究及預(yù)測(cè).pdf

1、高爐煉鐵是一個(gè)復(fù)雜的非線性的生產(chǎn)過(guò)程系統(tǒng)。在這個(gè)運(yùn)行過(guò)程中，有大量的輸入量和輸出量，且隨著時(shí)間的推移不斷發(fā)生變化，并有大噪聲和高度耦合等過(guò)程特點(diǎn)。為了確保高爐的穩(wěn)定運(yùn)行，爐溫控制是高爐高效生產(chǎn)的關(guān)鍵因素。然而，影響爐溫的因素有許多，且各因素間是有聯(lián)系的，并不是單獨(dú)起作用的。挖掘出影響高爐爐溫的潛在因素，并在此基礎(chǔ)上建立高爐模型，提高爐溫預(yù)測(cè)的準(zhǔn)確性，是當(dāng)前爐溫預(yù)測(cè)研究的主要方向。數(shù)據(jù)驅(qū)動(dòng)建模技術(shù)在試圖實(shí)現(xiàn)對(duì)高爐復(fù)雜冶煉過(guò)程的建模與優(yōu)化中

2、尚處于發(fā)展階段，從數(shù)據(jù)驅(qū)動(dòng)的角度建立高爐鐵水硅含量的預(yù)測(cè)模型，可以使硅含量的變化有更好的反饋，提高了模型的輸出值與實(shí)際值的吻合度。
　　本文以包鋼高爐為背景，深入學(xué)習(xí)高爐冶煉過(guò)程特點(diǎn)，研究基于數(shù)據(jù)驅(qū)動(dòng)的模型辨識(shí)算法建立高爐爐溫預(yù)測(cè)模型。具體研究?jī)?nèi)容如下：
　　1.為了建立更精確的模型，從包鋼高爐現(xiàn)場(chǎng)采集的大量數(shù)據(jù)中，有存在缺失值、異常值和不同采集量級(jí)的情況。同時(shí)根據(jù)專家經(jīng)驗(yàn)可以知道，影響爐溫的大部分因素都有一定的時(shí)間滯后性。

3、通過(guò)對(duì)數(shù)據(jù)的分析和預(yù)處理后，利用相關(guān)性分析法計(jì)算各參數(shù)之間的相關(guān)系數(shù)，選取對(duì)爐溫有影響的主要工藝參數(shù)，并分析計(jì)算其在高爐生產(chǎn)過(guò)程中的影響滯后時(shí)間。
　　2.將已選取出的五個(gè)工藝參數(shù)作為輸入，硅含量作為輸出，建立模糊T-S模型。本文將通過(guò)優(yōu)化的模糊聚類算法（FCM），對(duì)全部所用數(shù)據(jù)進(jìn)行劃分處理，以辨識(shí)模型的前件隸屬函數(shù)的參數(shù)；再采用遞推最小二乘算法，通過(guò)聚類后的數(shù)據(jù)及其隸屬度值，以辨識(shí)模型的后件線性方程的參數(shù)。這樣就建立起高爐的T-

4、S模糊模型，并結(jié)合高爐實(shí)際情況、采集的數(shù)據(jù)，建立起該系統(tǒng)的模糊規(guī)則。然后通過(guò)對(duì)相似和沖突模糊規(guī)則的刪除來(lái)調(diào)整所提取出的模糊規(guī)則。
　　3.通過(guò)ANFIS模糊神經(jīng)網(wǎng)絡(luò)的方法優(yōu)化模糊規(guī)則，根據(jù)訓(xùn)練后的網(wǎng)絡(luò)重新確定高爐模型的前件和后件參數(shù)，通過(guò)驗(yàn)證優(yōu)化后的規(guī)則，提高了高爐硅含量預(yù)測(cè)的命中率。
　　結(jié)束以上步驟后，再通過(guò)實(shí)際采集的數(shù)據(jù)進(jìn)行檢驗(yàn)所建模型的命中率。結(jié)果表明，基于數(shù)據(jù)驅(qū)動(dòng)的建模辨識(shí)算法能夠更好的實(shí)現(xiàn)建模的預(yù)期效果。本課題在