铁水含硅量预报中的模糊控制方法

合集下载

石钢高炉铁水含硅量神经网络预报模型

Ｇｏｊｎｕｕａｇｏｉ
（ｅｅＥｏｏｇ＆ＣｍｒｅＵｉｒｉ，Ｈｂｉｃｎｍｏｍｅｎｖｓｙｃｅｔ）
ＡｂｓｒｃＡｃｏｄｎｏｍｏｅｏｒｌｔｅｒｔａｔｃｒｉｇｔｄｍｃｎｔｏｈｏｙ，ｂａｔｕｎａｅｗａｅａｄｄａｕｔｐｅｉｕｉｌｕ — ｌｓｒｃｓｒｇｒｅｓａｍｌｉｌｎｐｔｓｎｇｅｏｔｆｐｔｓｓｅ．Ｃｏｕｙｔｍｍｂｉｄｗｉｈｔｅｐｏｕｔｎｅｐｒｅｃｎｅｔｈｒｄｃｉｘｅｉｎｅ，ｔＰｅｒｌｎｔｒｓｗｅｅｕｅｏｐｅｉｔｔｅｏｈｅＢｎｕａｅｗｏｋｒｓｄｔｒｄｃｈｃｎｅｔｏｉｉｌｓ－ｕｎｃｏｒｎＴｈａｉｉｙｏｏｖｒｅｃｓｉｒｖｄｗｉｈｉｔｏｕｉｇｄｎｍ－ｏｔｎｆＳｎｂａｔｆｒａｅｈｔｉｏ．ｅｒｐｄｔｆｃｎｅｇｎｅｗａｍｐｏｅｔｎｒｄｃｎｙａｉｔｐｓｚｎｎｒｉｌｃｅｆｃｅ，ａｄｔｅｐｅｉｔｏｒｃｓｏｓｉｐｏｅｔｎｒｄｃｎｇｍｏｉｅｃｓｅｉｅａｄｉｅｔａｏｆｉｉｎｔｎｈｒｄｃｉｎｐｅｉｉｎｗａｍｒｖｄｗｉｈｉｔｏｕｉｄｆｄｉｐｅｉｔｏｏｅ．Ｔｈｅｕｔｈｗｅｈｔｔｅｐｅｉｔｏａｕｓ８６ｒｄｃｉｎｍｄ１ｅｒｓｌｓｓｏｄｔａｈｒｄｃｉｎｖｌｅｗａ６．７％ｕｄｒｔｅｍｉｓｂｅｅｒｒｎｅｈｅｐｒｓｉｌｒｏ０．％．１Ｋｅｒｂａｔｆｒｃｙｗｏｄｓｌｓｕｎａｅ；ｃｎｅｔｏｉｉｔｉｏｏｔｎｆＳｎｈｏｒｎ；ｐｅｉｔｏｒｄｃｉｎ；ｎｕａｅｗｏｋｅｒｌｎｔｒ

高炉铁水硅含量自组织预测中的模式量化

高炉铁水硅含量自组织预测中的模式量化高炉铁水硅含量是高炉操作的一个重要参数，其测定和控制对于保证高炉正常运行和冶炼效果有着重要的影响。

传统的铁水硅含量预测方法多采用统计学方法，如回归分析、人工神经网络等，这些方法在一定程度上可以获得较好的预测效果，但对于描述高炉铁水硅含量预测的动态演化过程和多变量间的相互关系则显得无能为力。

近年来，随着自组织神经网络（Self-Organizing Neural Network，SONN）的提出和发展，一种基于神经网络的铁水硅含量自组织预测方法逐渐受到关注。

自组织神经网络具有自适应学习和动态调整网络结构的能力，能够很好地模拟和拟合铁水硅含量的演化过程和多变量间的相互关系。

模式量化方法是铁水硅含量自组织预测的一项重要技术，通过对铁水硅含量预测模式的分析和量化，可以揭示其中的规律和特点，为进一步优化和改进预测模型提供参考。

模式量化方法主要包括以下几个方面的内容：1.模式提取：通过对铁水硅含量历史数据的分析和处理，从中提取出具有代表性和重要性的模式，如周期性模式、趋势性模式和季节性模式等。

这些模式反映了铁水硅含量的变化规律和影响因素，是进行后续模式分析和量化的基础。

2.模式分析：对提取出的模式进行进一步分析，包括模式的频率分布、持续时间、变化幅度等指标的计算和统计，以及模式之间的关联和相互作用的探究。

通过模式分析可以深入理解铁水硅含量的演化过程和影响因素之间的关系，为建立预测模型提供基础。

3.模式量化：在对模式进行分析的基础上，可以对模式进行量化，即将模式的特征和规律用数值化的方式表示出来。

比如，可以通过计算不同模式的频率、持续时间和变化幅度的平均值、标准差等统计指标来度量不同模式的特征和规律。

同时，可以通过相关性分析等方法来衡量不同模式之间的关联程度和相互作用。

4.模式识别：在对模式进行量化之后，可以利用机器学习等方法进行模式的识别和分类，即将不同模式归纳到不同的类别中。

高炉炼铁过程中铁水含硅量动态预测研究与分析

函数作为传播函数。对于学习函数，考虑到样本的复杂性，我们选取
２学习函数的优化
在优化隐层函数及各层感知机个数之前，我们需要先确定最优的学习函数。由模型建立部分可得，我们将自适应，ｒＢ尸梯度递减训练函数，Ｌｅｖｅｎｂｅｒｇ— ＭａｒｑｕａｒｄｔＢＰ训练函数，动量及自适应ＩｒＢＰ梯度递减训练函数作为待选函数。在限定隐层为５层的条件下，我们可以明显发现，在其他参数相同的条件下，以Ｌｅｖｅｎｂｅｒｇ— ＭａｒｑｕａｒｄｔＢＰ训练函数为学习函数的神经网络模型在数值准确率和方向准确率上均有明显的优秀性能。因此，我们采用
０１７年第１３期
高炉炼铁过程中铁水含硅量动态预测研究与分析
牟方青 ’ ，许著龙，王言。１．西北工业大学电子信息学院，陕西西安７１Ｏ１２９２．西北工业大学力学与土木建筑学院，陕西西安７１０１２９３．西北工业大学计算机学院，陕西西安７１０１２９
所以为了得到最优的神经网络模型，我们需要确定的参数包括网络的隐层数目，每个隐层的神经元数目，学习函数，每层的传播函数，每个感知机的激励函数，迭代次数，学习率。我们可以发现，要得到一个性能优良的神经网络模型，需要调节的参数主要有８类，不便于优化。因此，我们根据题目进行参数的筛选，由初步试验得到，其中影响预测网络性能的主要因素为隐层数目，每个隐层的神经元数目，学习函数，激励函数。因此，我们将其余因素限定为合理数值，然后对于主要参数进行优化。对于传递函数，由于样本的输入矩阵为二维，而输出矩阵为一维，但是输入参数与输出参数的关系较为复杂，不宜采用简单线性函数，所以我们采用ｓ型对数

高炉铁水含硅量组合预报模型

第２第６期２００卷０８年１１月
ＶｏＪ１２０Ｎｏ．２０６０８．１１
嘉兴学院学报
ＪｕｎｌｆＪｘｎｎｖｒｔｏｒａａｉＵｉｓｙｏｉｇｅｉ
高炉铁水含硅量组合预报模型
龚淑华，渐令
（．嘉兴学院数学与信息工程学院，江嘉兴３４０；１浙１０１２．中国石油大学（东）数学与计算科学学院，山东东营２７６）华５０１
Ａｓｒｃ：ｈｉｒｅ（ｈｒｒｂｔｅｎｔｅｐｅｉｉａｅａｄｔｅａｔａｖｌｅｉ ±０１ｆｓｇｆｚｙｂｔａｔＴｅｈｔａｓｔｅｅｏｅｅｈｒｄｃｖｖｌｎｈｃｌａｓｔｒｗｔｅｕｕｕ．）ｏｉｚｕｎｕ
是，由于高炉冶炼过程的复杂性【，很难有一个单项预报模型能作出稳定一致的解释，而组合预报６］
模型却能综合各单项模型的信息，产生更好的预测效果．．本文建立了基于模糊贝叶斯网络和小波时间序列的高炉铁水含硅量组合预报模型，利用邯钢７号
ｂｙｓａｅｗｒｎａｅｅｉｅｅｄｌＯｐｅｉｔｔｅｓｉｏｏｔｎｎＢＦｍｏｔｎｉｏｒｅｐｃｉｅｙ８％ａｅｉｎｎｔｏｋａｄｗｖｌｔｔｍｅｓｒｓｍｏｅｒｄｃｈｉｃｎｃｎｅｔｉｌｒｎａｅｒｓｅｔｌ４ｉｔｌｅｖａｄ７％，ｗｉｈｂｓｃｌｅｌｃｈＦａｔａｒｄｃｉｎｎ６ｈｃａｉａｌｒｆｔｔｅＢｃｕｌｏｕｔ．Ａｆｒｄｔｉｄｃｍｐｒｏｎｎｌｓｓｏｅｔｒｄｃｙｅｐｏｔｅａｌｏａｉｎａｄａａｙｉｆｔｗｏｐｅｉ— ｅｅｓｈｔｎｒｓｌ，ｗｔｎｅｎｌＦｃａａｔｒｓｃｆｔｅｒａｔｎｍｅｈｎｓｉｅｕｔｏｓｉｉｔｒａｈｒｃｅｔｓｏｅｃｉｃａｉｍ，ａｃｍｂｎｄｆｒｃｓｉｇｍｏｅｒｐｓｄｈＢｉｉｈｏｏｉｅｏｅａｔｄｌｉｐｏｏｅ．Ａｄｎｓｎ

高炉铁水硅含量自组织预测中的模式量化

高炉铁水硅含量自组织预测中的模式量化
高炉铁水的硅含量是决定其品质的关键指标，因此掌握并准确预测高
炉铁水中硅含量变化趋势，对企业的生产过程有着不可忽视的作用。

传统的预测方法大多基于统计分析，其实践效果一般，此时引入模式
量化技术，可以有效提高预测精度。

模式量化可以有效获取复杂问题的解决方案，在高炉铁水硅含量预测
中也有着很好的应用。

基于供热方式、炉料品种和炉内特殊因素的不同，高炉硅含量发生的变化是复杂的，尤其是在高温通风过程中，硅
含量随气流动态变化较快，这要求我们把时变参数不断量化，并把量
化参数赋给高炉铁水量化模型，形成硅含量预测模型，然后通过数据
计算机模拟，就可以有效地预测高炉铁水中硅含量变化趋势。

模式量化是一种先进的方法，但也存在一定的困难，比如随着炉况参数、工艺参数变化而变化的模型参数传递，模型参数求解的及时性以
及模型的精度等问题，影响着模式量化的收敛性。

因此，我们在进行
模式量化自组织预测时，应该更加注重参数的采集和数据分析，在数
据量足够大的基础上，更好地优化模型参数，以确保预测的准确性。

总之，模式量化自组织预测技术在高炉铁水硅含量的预测中的应用，
能够有效地解决传统预测方法的缺陷，提升预测精度，提高生产效率，有利于企业的可持续发展。

高炉铁水硅质量分数的预测

高炉铁水硅质量分数的预测摘要本文主要研究高炉铁水硅质量分数预测问题，高炉铁水中硅质量分数的变动间接反应炉温的变化。

高炉热状态是衡量高炉运行状况的重要参数,它直接关系到高炉的稳定和顺行,与生产的各项技术经济指标紧密相关。

本题数据较多且存在数据缺失和异常，首先需要进行数据处理和筛选。

对于缺失的数据，我们直接丢弃含缺失项的所有数据，对剩下的数据采用统计方法对±以外的数据进行剔除。

经过上述处理得到了400组左右相对合理的数据进行3σ模型的建立与预测。

对于问题一，为了研究影响高炉铁水硅质量分数的主要因素及这些因素对铁水硅质量分数的影响程度,我们首先对数据进行标准化，以消除数量级和量纲的差距。

然后我们用SPASS进行了主成分分析，根据相关系数矩阵确定了影响硅质量分数的主要因素为S、风量、风温、料速、冶炼强度、2CO和利用系数，确定影响因素后我们进行接下来的建模。

对于问题二，建立硅质量的两种预测模型。

模型一，直接从数据出发，找到隐含在数据背后的关系，根据主成分分析，我们剔除利用系数用其余6个变量做多元统计回归，利用前50组数据先建立最普通的多元统计回归模型进行预测和拟合，效果虽较理想但没有考虑到数据的时间项，而且经计算发现统计量DW为0.496，不能通过D-W检验，即随机误差有相关性，模型不具有说服力。

考虑到这一点，我们对模型进行了改进，考虑了误差项的自相关性，通过引入自相关系数和进行DW检验对原始模型进行了改进,改进后DW等于1.8111,通过D-W检验。

假设误差率在10%以内为命中，对100组数据预测对比发现前者命中率为76%，而后者为84%，所以时间序列模型更具有说服力。

对于模型二，考虑到参数众多，综合考虑S、风量、风温、料速、冶炼强度、2CO和利用系数对铁水硅含量的影响，可以建立BP神经网络模型。

取50组数据对BP网络进行训练，对44组数据用来预测和检验。

将预测值与实际值对比，命中率达到88.6%，准确度较高。

铁水含硅量预报中的模糊控制方法

铁水含硅量预报中的模糊控制方法
刘竞;王凤莉;侯娟
【期刊名称】《石家庄职业技术学院学报》
【年(卷),期】2007(19)6
【摘要】对铁水含硅量及对应的响应量进行分级,利用模糊控制理论将语言控制规则表示为模糊关系,经过计算得出精确化的模糊控制表,适用于中、小型钢厂,可节省一定的人力、物力.
【总页数】3页(P28-29,73)
【作者】刘竞;王凤莉;侯娟
【作者单位】石家庄职业技术学院,基础教学部,河北,石家庄,050081;石家庄职业技术学院,基础教学部,河北,石家庄,050081;石家庄职业技术学院,基础教学部,河北,石家庄,050081
【正文语种】中文
【中图分类】TP273+.4
【相关文献】
1.预测铁水温度和铁水含硅量的模糊控制 [J], 王秉冠
2.基于GA优化LSSVM高炉铁水含硅量预报 [J], 王龙辉;高嵩;屈星;
3.基于GA优化LSSVM高炉铁水含硅量预报 [J], 王龙辉;高嵩;屈星
4.模拟退火免疫算法及其在铁水含硅量预报中的应用 [J], 郑德玲;梁瑞鑫;赵玉琴;郭国营
5.双层自校正预报方法及其在高炉铁水含硅量预报中的应用 [J], 张乃尧;张彦;晏龙华
因版权原因，仅展示原文概要，查看原文内容请购买。

铁水含硅量预报与控制模型的研究

ｅｄｌｒａｄｎｏ￣ａｔ１￣ｅｐｒｄｃｉｇｃｎｂｅｏｔｉｃＩｉｒｓｆｌｆｒｔｅｃｎｒｌｎｆｔｅｓｌｎｏｅｓｉｈｌｓｆｒ￣ｅａｅｎｌｌｃ１ｌｅｔａｂａｕｄ．ｔｓｍ０ｅｕｅｕｏｈｏｔｏｌｇｏｈｍｅｔｇｐｒｃｓｔｔｂａｌｔｓ２ｔ［ｉｎｉｉｔｅＬａｃ
经济生实用性强的控制技术仍是十分必要的
随着高炉冶炼技术的进步，国内外某些先进在的高炉上装设了“ 家系统 ” 开发了高炉过程控制专，新技术，高炉冶炼状况进行 பைடு நூலகம்报与控制，对取得了一些可喜的成果在诸多的控制技术中较为棱心的技
ｖｌａｌｎ。ｌｉｍｏｏｅｔｏｏａｉｔｏｆｔｅｓｌｕｃｕｔａｆｈｔｍｅａｒｅｅｏｅ＂ａＪｔｌ＂ｅｄｖｌｐｄＩｅｍ￣ｌｌｗｈｃｆｗｒｐｒｍｅｔｒｉｅｓｅ１ｅ，ｉｈｈｅｅａａｅｓ，ｓａｉｒ“
２１．． № １
文章编号：０１４—９６（０２０ —０１ —００７２２０）１０３３
铁水含硅量预报与控制模型的研究
那树人
（头钢铁学院材科与冶金工程系，蒙古包头包内０４／）１００
美键词：铁水含硅量；预报与控制；型模
是维持良好的稳定的炉况，获取最佳的经济效益所
必需的．
发表的有关文献上也能看出，近几年来对高炉“ 家专系统 ” 的问津少了许多．但是，炉冶炼过程的控制高技术还是要发展要前进的，究出适台我国国情的、研

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

‘ … ‘ ‘ ● 。 ’ ‘ ‘ ‘ ‘ … 。 ‘ ’ … ’ ‘ ‘ ‘ ’ ＿ ‘ ‘ ‘ 。 ‘ ‘ ● ‘ ‘ ‘ ‘ ● ‘ ＿ ‘ ‘ ‘ ‘ ‘ 一一一一一一一一 ‘ ‘ ‘ ‘ ● ‘ ‘ ‘ ‘ 一一一一＿一＿＿＿ ‘ ‘ ‘
０７５称为目标值．Ｋ＝一６将在［，１间变．７，取，１１］
则ｉ＝１．（．１而０１＋０２．５＋０４＋ … ＋１４）１＝．．５／０
制理论有机结合起来，于多重复合模糊蕴含命题的属推理模式Ｊ将模糊推理方法与专家系统结合形成的．模糊推理专家系统，能够模拟高炉生产的思维规则和精确数据的推理结果，通过采取相应的动作使铁水含硅量接近目标值，模糊控制器原理如图１．
０４０５，．，．５１Ｏ，．５１３，．５，，．，５０７０８，．０１１，．０１４｝ａ２
ａ … ，ｍ类似．０≤ Ｍ１０１则ｉ＝１０１ａ设＜．，；． ≤
Ｍ０＜０２，ｉ＝２；．５Ｍ００４则ｉ＝３．５则０２ ≤ ＜．，；０４≤ Ｍ００５，ｉ＝４ … ；．５≤ Ｍ０１５．＜．５则；１４＜．，
一
实际铁水硅含量与预测铁水硅含量的境界值密切相关．根据经验，可按最新铁水含硅量Ｍ０的大小
３，，，，，，，，时，言变量偏差表示一２一１０１２３４５｝语
成域Ｕ上模糊集的对应关系，表１见．
分成１０个区（区号为Ｊ．０≤ Ｍ００１）设＜．５为第１区，．５Ｍ００３０１ ≤ ＜．０为第２区，．０Ｍ００４０３ ≤ ＜．５为第３区，，．５≤ Ｍ＜１５ … １３．０为第１０区．对不同的区，有不同的预测铁水硅含量Ｍ，级的境界值等ａ其中＝１２ … ，０按预测铁水硅含量Ｍ１，，１．等
炉缸的热状态，从而采取相应措施控制炉温． … 模糊推理方法是根据人类思维的推理具有模糊性的特点，科学地将人类大脑思维分析过程与模糊控
级的境界值ａ求Ｍ１对应的铁水硅含量等级．所如对第１区境界值我们取ａ＝｛．，．５０１０２，
（家庄职业技术学院基础教学部，石河北石家庄
摘
００８）５０１
要：对铁水含硅量及对应的响应量进行分级，用模糊控制理论将语言控制规则表示为模糊关系，过计利经
算得出精确化的模糊控、力．适小可物
关键词：糊推理；糊控制器；大隶属原则模模最中图分类号：Ｐ７ ’ ４Ｔ２３．文献标识码：Ａ
在高炉生产过程中，炉生产过程复杂，高测量困难，因此，保持合理的炉温是高炉生产稳定运行的关键因素之一．实际中，般通过高炉铁水硅含量在一（学热）间接地反映炉内的温度变化，断高炉化来判
Ｉｅ２７）ｃ．００
第１第６期９卷
Ｖｏ．９Ｎｏ．ＩＩ６
文章编号：０９４７（０７０．０８０１０８３２０）６０２．２
铁水含硅量预报中的模糊控制方法
刘竞，王凤莉，侯娟
大一Ｎ６负较小一 № ，小一Ｎ，一Ｏ，，负零正小
圉ｌ模糊控制器原理圉
一
，
正较小一Ｐ正较大一Ｐ，大一，譬，６正这些
都是语言变量的取值．测铁水硅含量等级共分１预１
１准备工作
个等级，由这些等级构成论域Ｕ，＝｛，Ｕ＿５一４，
维普资讯
２００７年ｌ月２
石家庄职业技术学院学报
ＪｕｎｌｆＳｉａｈａｇＶｏａｉｎｌｃｎｌｇｎｔｕｅｏｒａｏｈｊｚｕｎｃｔａｈｏｏｙＩｓｉｔｉｏＴｅｔ
控制量Ｕ基准动作单位）可正可负，控制量（设
分成９档，成论域、，＝｛构厂Ｖ一４，，，，，一３一２一１０
１２３４，，，，｝模糊集定义见表２．
２．语言控制规则２・
化的变量与铁水硅含量等级变化为在［，］一５５间
变化的变量Ｋ．２求预测铁水硅含量等级所对应的基准动作单位
数２．观察量与控制量１
模糊控制器
由上面的分析知，测铁水硅含量等级是精确预量，而预测铁水硅含量的偏差（）是精确量，从ｅ也即可以作为观察量．其分为九档：大一，较将负负