The invention discloses a method for predicting a sliding window T based on S fuzzy neural network model of silicon content in hot metal, which belongs to the field of modeling and Simulation of industrial process monitoring and. First, select the T S fuzzy neural network prediction model as the basis; secondly, the sliding window model increase based on the neural network, can continuously update the training sample set, so that the change trend of silicon content tracking better; then selected 11 of the most influential parameters of silicon content in hot metal as a model the input is calculated according to the practical experience and mutual information, the silicon content of molten iron as the output of the model; finally, the training samples are normalized for the training model, the trained model is used to predict the production process of iron silicon content in water. In the process of ironmaking, the characteristics of time, dynamics, nonlinearity, strong inertia and multi scale of blast furnace lead to severe fluctuation of silicon content in molten iron and can not be foreseen. Compared with the existing invention, the invention has higher accuracy and smaller mean square error, and can be used for on-line real-time prediction.
【技术实现步骤摘要】
基于滑动窗口T-S模糊神经网络模型的铁水硅含量预测方法
本专利技术属于工业过程监控、建模和仿真领域,特别涉及一种改进型EMD-Elman神经网络预测铁水硅含量的方法。
技术介绍
高炉内复杂的传质传热、多相反应和密闭性,使得高炉具有复杂的时变、动态、非线性、强惯性和多尺度的特性,让高炉中的炼铁过程成为最复杂的工业生产过程之一。高炉内的高温高压、强腐蚀、强干扰的环境,使得我们很难直接测得炉内的热状况。但是,铁水中硅含量和炉温呈线性相关,可以反映铁水的品质,人们通常用铁水中硅含量的大小来表示炉温的高低。硅含量过高代表炉温过高,会消耗额外的燃料,并且会降低铁的产量;而硅含量低表示炉内温度较低,可能引发冻缸等事故。因此,为了高炉的稳定顺行,人们需要将炉温控制在一定的合理范围内,硅含量的预测就显得尤为重要。高炉内硅的变化主要由以下三个反应构成:1/2CO+O2=1/2CO2SiO2+CO=SiO(g)+CO2SiO(g)+C=Si+CO通过阿伦尼乌斯方程可知,温度和浓度对化学反应速率有很大的影响,在硅的相关反应中,可以看出温度、氧气浓度和一氧化碳浓度对铁水硅含量的影响最大。因此,有的学者通过动力学和热力学来建立了铁水硅含量预测的机理模型,他们关注反应过程中的热量和质量守恒。但是,因为高炉内复杂的传质传热、相变化和化学反应,使得机理建模很少能够准确的预测硅的含量。如今,检测手段的发展使得我们可以测得大量的数据,而电脑技术的迅猛发展使得我们可以在短时间内进行大量的运算,这些技术进步使得基于数据驱动的建模变得更加容易,也成为主流的建模方法。已经存在的基于数据驱动的模型有神经 ...
【技术保护点】
一种基于滑动窗口T‑S模糊神经网络的铁水硅含量预测方法,其特征在于,步骤如下:步骤一:选取T‑S模糊神经网络模型,并组合滑动窗口模型,用于硅含量的预测;步骤二:通过实际经验和互信息计算选取11个参数作为模型的输入,硅含量作为输出,所述的参数分别是顶压、炉顶温度、透气性、喷煤、富氧率、全塔压差、热风压力、热风温度、热风流量、空气湿度和前一炉硅含量;步骤三:将模型初始化后,用归一化的训练样本训练模型,将训练好的模型用于硅含量的预测;步骤一所述的T‑S模糊神经网络的结构如下:T‑S模糊神经网络由四层构成,分别是输入层、模糊化层、模糊规则计算层和输出层,其中输入是模糊的,而输出是确定的,这表示输出是输入的线性组合,T‑S模糊神经网络的定义如下:
【技术特征摘要】
1.一种基于滑动窗口T-S模糊神经网络的铁水硅含量预测方法,其特征在于,步骤如下:步骤一:选取T-S模糊神经网络模型,并组合滑动窗口模型,用于硅含量的预测;步骤二:通过实际经验和互信息计算选取11个参数作为模型的输入,硅含量作为输出,所述的参数分别是顶压、炉顶温度、透气性、喷煤、富氧率、全塔压差、热风压力、热风温度、热风流量、空气湿度和前一炉硅含量;步骤三:将模型初始化后,用归一化的训练样本训练模型,将训练好的模型用于硅含量的预测;步骤一所述的T-S模糊神经网络的结构如下:T-S模糊神经网络由四层构成,分别是输入层、模糊化层、模糊规则计算层和输出层,其中输入是模糊的,而输出是确定的,这表示输出是输入的线性组合,T-S模糊神经网络的定义如下:其中是模糊子集,yi是模糊规则的计算输出;⑴模糊化层是基于概率密度函数μ,其定义如下:式中xj是输入变量,和是概率密度函数的中心和宽度,k是输入参数的维度,n是模糊子集的数量;⑵模糊规则计算层由下式构成:⑶输出层由下式计算得到:2.根据权利要求1所述的方法,其特征在于,步骤一所述的T-S模糊神经网络的学习算法如下:⑴误差计算:其中yd是实际值,yc是预测值,e是两者之差;⑵系数修正:式中是T-S模糊神经网络的系数,而α是其学习率;⑶参数修正:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。