基于神經網絡的高爐鐵水硅含量建模.pdf

1、鋼鐵冶金行業(yè)作為我國基礎性原材料的源頭產業(yè)，一直是我國國民經濟的支柱產業(yè)。高爐煉鐵作為鋼鐵制造主體的上游工序，是鋼鐵工業(yè)的重要構成環(huán)節(jié)，對行業(yè)整體的降耗節(jié)能與發(fā)展都起到至關重要的作用。爐況是否順行直接關系到整個煉鐵過程的節(jié)能減排，而高爐爐溫則是鑒別高爐爐況，保證高爐爐況順行的一個重要指標。鐵水硅含量作為爐熱狀態(tài)的表征指標，建立其可靠的預報模型以指導高爐煉鐵人員進行爐溫控制不僅具有重要的理論研究價值，而且對關鍵的生產實踐具有重要的指導意義

2、。然而，高爐冶煉的過程異常復雜，在建模方面的主要難點表現(xiàn)在運行機制時常伴有非線性、大噪聲、分布參數(shù)等特征。而神經網絡作為自學習網絡的一種，能夠比較很好地解決非線性、大噪聲的問題。到目前為止，神經網絡已經在模式識別、預測控制、函數(shù)逼近等領域得到廣泛的應用。本文針對鐵水硅含量建模這一關鍵問題，利用神經網絡方法進行建模研究，具體研究內容如下。
　　首先，針對高爐冶煉過程中的相關數(shù)據(jù)進行分析處理。利用專家經驗和數(shù)據(jù)統(tǒng)計分析相結合的方法確定

3、鐵水硅含量的相關輸入變量，進而利用多元線回歸法確定滯后時間序列的相關系數(shù)。所有數(shù)據(jù)均進行了一次和二次處理，且進行了歸一化處理。
　　其次，針對BP神經網絡算法容易陷入局部最優(yōu)的缺點，提出了改進方案。仿真數(shù)據(jù)按照所提出的方案進行了分析處理，其對比仿真驗證了改進BP神經網絡在鐵水硅含量建模上的優(yōu)勢。
　　最后，提出了新的基于正則化方法的極值學習機算法，本算法可以克服常規(guī)極限學習機的缺點。進而利用該算法對對高爐爐溫進行建模。實驗仿