本發(fā)明屬于工業(yè)過程監(jiān)控、建模和仿真領(lǐng)域，特別涉及一種改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)鐵水硅含量的方法。
背景技術(shù)：
：高爐內(nèi)復(fù)雜的傳質(zhì)傳熱、多相反應(yīng)和密閉性，使得高爐具有復(fù)雜的時(shí)變、動(dòng)態(tài)、非線性、強(qiáng)慣性和多尺度的特性，讓高爐中的煉鐵過程成為最復(fù)雜的工業(yè)生產(chǎn)過程之一。高爐內(nèi)的高溫高壓、強(qiáng)腐蝕、強(qiáng)干擾的環(huán)境，使得我們很難直接測(cè)得爐內(nèi)的熱狀況。但是，鐵水中硅含量和爐溫呈線性相關(guān)，可以反映鐵水的品質(zhì)，人們通常用鐵水中硅含量的大小來表示爐溫的高低。硅含量過高代表爐溫過高，會(huì)消耗額外的燃料，并且會(huì)降低鐵的產(chǎn)量；而硅含量低表示爐內(nèi)溫度較低，可能引發(fā)凍缸等事故。因此，為了高爐的穩(wěn)定順行，人們需要將爐溫控制在一定的合理范圍內(nèi)，硅含量的預(yù)測(cè)就顯得尤為重要。高爐內(nèi)硅的變化主要由以下三個(gè)反應(yīng)構(gòu)成：1/2CO+O2＝1/2CO2SiO2+CO＝SiO(g)+CO2SiO(g)+C＝Si+CO通過阿倫尼烏斯方程可知，溫度和濃度對(duì)化學(xué)反應(yīng)速率有很大的影響，在硅的相關(guān)反應(yīng)中，可以看出溫度、氧氣濃度和一氧化碳濃度對(duì)鐵水硅含量的影響最大。因此，有的學(xué)者通過動(dòng)力學(xué)和熱力學(xué)來建立了鐵水硅含量預(yù)測(cè)的機(jī)理模型，他們關(guān)注反應(yīng)過程中的熱量和質(zhì)量守恒。但是，因?yàn)楦郀t內(nèi)復(fù)雜的傳質(zhì)傳熱、相變化和化學(xué)反應(yīng)，使得機(jī)理建模很少能夠準(zhǔn)確的預(yù)測(cè)硅的含量。如今，檢測(cè)手段的發(fā)展使得我們可以測(cè)得大量的數(shù)據(jù)，而電腦技術(shù)的迅猛發(fā)展使得我們可以在短時(shí)間內(nèi)進(jìn)行大量的運(yùn)算，這些技術(shù)進(jìn)步使得基于數(shù)據(jù)驅(qū)動(dòng)的建模變得更加容易，也成為主流的建模方法。已經(jīng)存在的基于數(shù)據(jù)驅(qū)動(dòng)的模型有神經(jīng)網(wǎng)絡(luò)、線性回歸、混沌和支持向量機(jī)模型等，它們?cè)谀承┓矫娑加凶约焊髯缘拈L(zhǎng)處。例如，Jiang提出的混沌粒子群優(yōu)化算法能夠很好地預(yù)測(cè)制藥工業(yè)中連續(xù)反應(yīng)釜中的溫度。但是，這些模型都是建立在確定的數(shù)據(jù)集上，不適用于工業(yè)在線預(yù)測(cè)。T-S模糊神經(jīng)網(wǎng)絡(luò)擁有很強(qiáng)的自適應(yīng)能力，能夠自動(dòng)更新模型結(jié)構(gòu)參數(shù)，并能修正模糊子集的隸屬度函數(shù)，可以很好地用來預(yù)測(cè)控制煉鐵過程中的鐵水硅含量。通過結(jié)合滑動(dòng)窗口模型，模型能夠隨時(shí)更新訓(xùn)練樣本集，進(jìn)而更新T-S模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)和系數(shù)?；瑒?dòng)窗口T-S模糊神經(jīng)網(wǎng)絡(luò)能夠很好地適應(yīng)煉鐵過程的動(dòng)態(tài)、非線性和強(qiáng)慣性的特點(diǎn)，在鐵水硅含量的預(yù)測(cè)上表現(xiàn)出很好的性能。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有硅含量預(yù)測(cè)模型的不足之處，提出了一種基于滑動(dòng)窗口T-S模糊神經(jīng)網(wǎng)絡(luò)的鐵水硅含量預(yù)測(cè)方法。該方法選用滑動(dòng)窗口模型和T-S模糊神經(jīng)網(wǎng)絡(luò)模型建模，并選取11個(gè)主要參數(shù)作為模型的輸入，將硅含量作為模型的輸出。該方法具有較高的命中率和較小的均方誤差，能夠?yàn)楦郀t的操作人員提供準(zhǔn)確的預(yù)測(cè)，幫助他們提前操作高爐，使高爐穩(wěn)定順行。該方法由以下步驟組成：步驟一：選取T-S模糊神經(jīng)網(wǎng)絡(luò)模型，并組合滑動(dòng)窗口模型，用于硅含量的預(yù)測(cè)。步驟二：通過實(shí)際經(jīng)驗(yàn)和互信息計(jì)算選取11個(gè)參數(shù)作為模型的輸入，硅含量作為輸出。步驟三：將模型初始化后，用歸一化的訓(xùn)練樣本訓(xùn)練模型，將訓(xùn)練好的模型用于硅含量的預(yù)測(cè)。步驟一所述的T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下：T-S模糊神經(jīng)網(wǎng)絡(luò)由四層構(gòu)成，分別是輸入層、模糊化層、模糊規(guī)則計(jì)算層和輸出層。其中輸入是模糊的，而輸出是確定的，這表示輸出是輸入的線性組合。T-S模糊神經(jīng)網(wǎng)絡(luò)的定義如下：其中是模糊子集，yi是模糊規(guī)則的計(jì)算輸出。⑴模糊化層是基于概率密度函數(shù)μ，其定義如下：式中xj是輸入變量，和是概率密度函數(shù)的中心和寬度，k是輸入?yún)?shù)的維度，n是模糊子集的數(shù)量。⑵模糊規(guī)則計(jì)算層由下式構(gòu)成：⑶輸出層由下式計(jì)算得到：步驟一所述的T-S模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下：⑴誤差計(jì)算：其中yd是實(shí)際值，yc是預(yù)測(cè)值，e是兩者之差。⑵系數(shù)修正：式中是T-S模糊神經(jīng)網(wǎng)絡(luò)的系數(shù)，而α是其學(xué)習(xí)率。⑶參數(shù)修正：步驟一所述的滑動(dòng)窗口模型原理如下：滑動(dòng)窗口模型是建立在一種假設(shè)上，即當(dāng)前的輸出依賴于當(dāng)前的輸入，而輸入輸出之間的映射規(guī)則可以通過歷史數(shù)據(jù)得到。根據(jù)這個(gè)假設(shè)，我們預(yù)先設(shè)定一定量的訓(xùn)練集樣本，然后不斷地更新樣本數(shù)據(jù)并舍棄最早的數(shù)據(jù)點(diǎn)。隨著窗口的滑動(dòng)，T-S模糊神經(jīng)網(wǎng)絡(luò)會(huì)不斷更新其結(jié)構(gòu)參數(shù)并給出最新的預(yù)測(cè)值。步驟二所述的輸入變量的選取過程如下：互信息是檢驗(yàn)變量相關(guān)性的一種重要方法，Kraskov提出了一種k-NN方法可以很方便的用來計(jì)算互信息，具體步驟如下所述：式中k是一開始給定的近鄰的個(gè)數(shù)，ψ是Digamma函數(shù)可以表示為：ψ(x)＝Γ(x)-1dΓ(x)/dx它服從以下迭代關(guān)系：ψ(x+1)＝ψ(x)+1/xΨ(1)＝-C,C＝0.5772156...為了得到nx和ny，需要計(jì)算樣本zi和zj之間的距離di,j：di,j＝||zi-zj||:di,j1≤di,j2≤di,j3...||zi-zj||＝max{||xi-xj||,||yi-yj||}當(dāng)ε(i)＝max{εx(i),εy(i)}，ε(i)/2被當(dāng)作zi和k階近鄰的距離。顯然，nx(i)是到xi距離小于ε(i)/2的點(diǎn)的個(gè)數(shù)，ny(i)是到y(tǒng)i距離小于ε(i)/2的點(diǎn)的個(gè)數(shù)。通過現(xiàn)場(chǎng)操作工程師的實(shí)際經(jīng)驗(yàn)建議，我們選取了11個(gè)變量作為模型的輸入，它們分別是頂壓、爐頂溫度、透氣性、噴煤、富氧率、全塔壓差、熱風(fēng)壓力、熱風(fēng)溫度、熱風(fēng)流量、空氣濕度和前一爐硅含量。步驟三所述的歸一化方法如下：本發(fā)明具有以下優(yōu)點(diǎn)：1、針對(duì)煉鐵過程中高爐的時(shí)變、動(dòng)態(tài)、非線性、強(qiáng)慣性和多尺度的特性，選用了具有很強(qiáng)自適應(yīng)性的T-S模糊神經(jīng)網(wǎng)絡(luò)，它具有很強(qiáng)的學(xué)習(xí)能力，能夠找出輸入輸出之間的潛在聯(lián)系。此外，通過添加滑動(dòng)窗口，模型能夠很好地跟蹤鐵水硅含量的變化趨勢(shì)，提高了預(yù)測(cè)的精度。2、通過操作經(jīng)驗(yàn)和互信息計(jì)算，選用了頂壓、爐頂溫度、透氣性、噴煤、富氧率、全塔壓差、熱風(fēng)壓力、熱風(fēng)溫度、熱風(fēng)流量、空氣濕度和前一爐硅含量等對(duì)當(dāng)前硅含量影響最大的11個(gè)參數(shù)作為模型的輸入變量，能夠充分利用機(jī)理建模和數(shù)據(jù)驅(qū)動(dòng)建模的各自優(yōu)點(diǎn)。附圖說明圖1是T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖，圖2是滑動(dòng)窗口的示意圖，圖3是1000爐的鐵水硅含量，圖4是本方法對(duì)鐵水硅含量的預(yù)測(cè)結(jié)果。具體實(shí)施方式本發(fā)明提出了一種基于滑動(dòng)窗口T-S模糊神經(jīng)網(wǎng)絡(luò)的鐵水硅含量預(yù)測(cè)方法，該方法由以下步驟組成：步驟一：選取T-S模糊神經(jīng)網(wǎng)絡(luò)模型(如圖1)，并組合滑動(dòng)窗口模型(如圖2)，用于硅含量的預(yù)測(cè)。步驟二：通過實(shí)際經(jīng)驗(yàn)和互信息計(jì)算選取11個(gè)參數(shù)作為模型的輸入，硅含量作為輸出。步驟三：將模型初始化后，用歸一化的訓(xùn)練樣本訓(xùn)練模型，將訓(xùn)練好的模型用于硅含量的預(yù)測(cè)(如圖4)。步驟一所述的T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下：T-S模糊神經(jīng)網(wǎng)絡(luò)由四層構(gòu)成，分別是輸入層、模糊化層、模糊規(guī)則計(jì)算層和輸出層。其中輸入是模糊的，而輸出是確定的，這表示輸出是輸入的線性組合。T-S模糊神經(jīng)網(wǎng)絡(luò)的定義如下：其中是模糊子集，yi是模糊規(guī)則的計(jì)算輸出。⑴模糊化層是基于概率密度函數(shù)μ，其定義如下：式中xj是輸入變量，和是概率密度函數(shù)的中心和寬度，k是輸入?yún)?shù)的維度，n是模糊子集的數(shù)量。⑵模糊規(guī)則計(jì)算層由下式構(gòu)成：⑶輸出層由下式計(jì)算得到：步驟一所述的T-S模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法如下：⑴誤差計(jì)算：其中yd是實(shí)際值，yc是預(yù)測(cè)值，e是兩者之差。⑵系數(shù)修正：式中是T-S模糊神經(jīng)網(wǎng)絡(luò)的系數(shù)，而α是其學(xué)習(xí)率。⑶參數(shù)修正：步驟一所述的滑動(dòng)窗口模型原理如下：滑動(dòng)窗口模型是建立在一種假設(shè)上，即當(dāng)前的輸出依賴于當(dāng)前的輸入，而輸入輸出之間的映射規(guī)則可以通過歷史數(shù)據(jù)得到。根據(jù)這個(gè)假設(shè)，我們預(yù)先設(shè)定一定量的訓(xùn)練集樣本，然后不斷地更新樣本數(shù)據(jù)并舍棄最早的數(shù)據(jù)點(diǎn)。隨著窗口的滑動(dòng)，T-S模糊神經(jīng)網(wǎng)絡(luò)會(huì)不斷更新其結(jié)構(gòu)參數(shù)并給出最新的預(yù)測(cè)值。步驟二所述的輸入變量的選取過程如下：互信息是檢驗(yàn)變量相關(guān)性的一種重要方法，Kraskov提出了一種k-NN方法可以很方便的用來計(jì)算互信息，具體步驟如下所述：式中k是一開始給定的近鄰的個(gè)數(shù)，ψ是Digamma函數(shù)可以表示為：ψ(x)＝Γ(x)-1dΓ(x)/dx它服從以下迭代關(guān)系：ψ(x+1)＝ψ(x)+1/xΨ(1)＝-C,C＝0.5772156...為了得到nx和ny，需要計(jì)算樣本zi和zj之間的距離di,j：di,j＝||zi-zj||:di,j1≤di,j2≤di,j3...||zi-zj||＝max{||xi-xj||,||yi-yj||}當(dāng)ε(i)＝max{εx(i),εy(i)}，ε(i)/2被當(dāng)作zi和k階近鄰的距離。顯然，nx(i)是到xi距離小于ε(i)/2的點(diǎn)的個(gè)數(shù)，ny(i)是到y(tǒng)i距離小于ε(i)/2的點(diǎn)的個(gè)數(shù)。步驟三所述的歸一化方法如下：實(shí)施例在鋼鐵生產(chǎn)過程，高爐煉鐵都是極其重要好的環(huán)節(jié)，其消耗的能耗占整個(gè)流程的70％，因此高爐的穩(wěn)定順行是整個(gè)生產(chǎn)過程安全高效運(yùn)行的保障。因?yàn)楦郀t內(nèi)的環(huán)境極其惡劣，高溫高壓強(qiáng)腐蝕，使得常規(guī)的測(cè)量手段很難實(shí)施，操作人員很難知曉高爐內(nèi)的實(shí)際熱狀況，出鐵時(shí)，鐵水損失大量熱量也不能反應(yīng)實(shí)際爐溫。人們通常利用鐵水硅含量來反應(yīng)爐內(nèi)的實(shí)際狀況，因而鐵水硅含量的預(yù)測(cè)就顯得極其重要，準(zhǔn)確的預(yù)測(cè)不僅能幫助操作人員合理的調(diào)節(jié)操作參數(shù)，還能指導(dǎo)高爐穩(wěn)定順行。我們通過研究柳鋼2號(hào)高爐的1000組數(shù)據(jù)(圖3所示)，驗(yàn)證提出的模型的準(zhǔn)確性。下面，我們結(jié)合具體過程對(duì)實(shí)施步驟進(jìn)行詳細(xì)的闡述：步驟一：選取T-S模糊神經(jīng)網(wǎng)絡(luò)模型，并組合滑動(dòng)窗口模型，用于硅含量的預(yù)測(cè)。步驟二：通過實(shí)際經(jīng)驗(yàn)和互信息計(jì)算選取11個(gè)參數(shù)作為模型的輸入，硅含量作為輸出。步驟三：將模型初始化后，用歸一化的訓(xùn)練樣本訓(xùn)練模型，將訓(xùn)練好的模型用于硅含量的預(yù)測(cè)。通過現(xiàn)場(chǎng)操作工程師的實(shí)際經(jīng)驗(yàn)建議，我們選取了11個(gè)變量作為模型的輸入，它們分別是頂壓、爐頂溫度、透氣性、噴煤、富氧率、全塔壓差、熱風(fēng)壓力、熱風(fēng)溫度、熱風(fēng)流量、空氣濕度和前一爐硅含量。計(jì)算它們與當(dāng)前硅含量的互信息值，得到如下結(jié)果：編號(hào)變量單位互信息1頂壓kPa0.122爐頂溫度℃0.223透氣性m3/min·kPa0.144噴煤t/h0.295富氧率vol％0.216全塔壓差kPa0.107熱風(fēng)壓力kPa0.158熱風(fēng)溫度℃0.329熱風(fēng)流量m3/min0.1310空氣濕度vol％0.0811前一爐硅含量wt％0.45互信息值介于0到1，越大表示兩個(gè)變量相關(guān)性越強(qiáng)。從表中可以看出前一爐硅含量與當(dāng)期硅含量聯(lián)系最大，但其余的變量的影響也不能忽略。步驟三所述的歸一化方法如下：我們?cè)O(shè)定訓(xùn)練數(shù)據(jù)的樣本量為400，測(cè)試數(shù)據(jù)集為50。用預(yù)測(cè)命中率J和均方誤差MSE兩個(gè)指標(biāo)來驗(yàn)證模型預(yù)測(cè)的精度：在實(shí)際生產(chǎn)過程中，預(yù)測(cè)誤差小于0.1即可滿足要求。我們提出的模型的命中率達(dá)到90％，均方誤差為0.0023。具有很高的精度，完全能滿足實(shí)際生產(chǎn)的需求。上述實(shí)施例用來解釋說明本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明做出的任何修改和改變，都屬于本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3