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技术

本发明专利技术公开了一种基于滑动窗口T‑S模糊神经网络模型的铁水硅含量预测方法，属于工业过程监控、建模和仿真领域。首先，选取T‑S模糊神经网络作为预测的基础模型；其次，在这个神经网络的基础上增加了滑动窗口模型，可以不断地更新训练样本集，以便更好的跟踪硅含量的变化趋势；然后根据实际经验和互信息计算选取了11个对铁水硅含量影响最大的参数作为模型的输入，铁水硅含量作为模型的输出；最后，将训练样本归一化后用于训练模型，将训练好的模型用于生产过程中铁水硅含量的预测。炼铁过程中高炉的时变、动态、非线性、强惯性和多尺度的特性，造成了铁水硅含量的剧烈波动并且不可预见。本发明专利技术相比于现有的发明专利技术具有更高的精度、更小的均方误差，并且可用于线上实时预测。

Method for prediction of silicon content in hot metal sliding window T fuzzy neural network model based on S

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网络、线性回归、混沌和支持向量机模型等，它们在某些方面都有自己各自的长处。例如，Jiang提出的混沌粒子群优化算法能够很好地预测制药工业中连续反应釜中的温度。但是，这些模型都是建立在确定的数据集上，不适用于工业在线预测。T-S模糊神经网络拥有很强的自适应能力，能够自动更新模型结构参数，并能修正模糊子集的隶属度函数，可以很好地用来预测控制炼铁过程中的铁水硅含量。通过结合滑动窗口模型，模型能够随时更新训练样本集，进而更新T-S模糊神经网络的参数和系数。滑动窗口T-S模糊神经网络能够很好地适应炼铁过程的动态、非线性和强惯性的特点，在铁水硅含量的预测上表现出很好的性能。
技术实现思路
针对现有硅含量预测模型的不足之处，提出了一种基于滑动窗口T-S模糊神经网络的铁水硅含量预测方法。该方法选用滑动窗口模型和T-S模糊神经网络模型建模，并选取11个主要参数作为模型的输入，将硅含量作为模型的输出。该方法具有较高的命中率和较小的均方误差，能够为高炉的操作人员提供准确的预测，帮助他们提前操作高炉，使高炉稳定顺行。该方法由以下步骤组成：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。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：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：步骤一所述的滑动窗口模型原理如下：滑动窗口模型是建立在一种假设上，即当前的输出依赖于当前的输入，而输入输出之间的映射规则可以通过历史数据得到。根据这个假设，我们预先设定一定量的训练集样本，然后不断地更新样本数据并舍弃最早的数据点。随着窗口的滑动，T-S模糊神经网络会不断更新其结构参数并给出最新的预测值。步骤二所述的输入变量的选取过程如下：互信息是检验变量相关性的一种重要方法，Kraskov提出了一种k-NN方法可以很方便的用来计算互信息，具体步骤如下所述：式中k是一开始给定的近邻的个数，ψ是Digamma函数可以表示为：ψ(x)＝Γ(x)-1dΓ(x)/dx它服从以下迭代关系：ψ(x+1)＝ψ(x)+1/xΨ(1)＝-C,C＝0.5772156...为了得到nx和ny，需要计算样本zi和zj之间的距离di,j：di,j＝||zi-zj||:di,j1≤di,j2≤di,j3...||zi-zj||＝max{||xi-xj||,||yi-yj||}当ε(i)＝max{εx(i),εy(i)}，ε(i)/2被当作zi和k阶近邻的距离。显然，nx(i)是到xi距离小于ε(i)/2的点的个数，ny(i)是到yi距离小于ε(i)/2的点的个数。通过现场操作工程师的实际经验建议，我们选取了11个变量作为模型的输入，它们分别是顶压、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。步骤三所述的归一化方法如下：本专利技术具有以下优点：1、针对炼铁过程中高炉的时变、动态、非线性、强惯性和多尺度的特性，选用了具有很强自适应性的T-S模糊神经网络，它具有很强的学习能力，能够找出输入输出之间的潜在联系。此外，通过添加滑动窗口，模型能够很好地跟踪铁水硅含量的变化趋势，提高了预测的精度。2、通过操作经验和互信息计算，选用了顶压、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等对当前硅含量影响最大的11个参数作为模型的输入变量，能够充分利用机理建模和数据驱动建模的各自优点。附图说明图1是T-S模糊神经网络的结构示意图，图2是滑动窗口的示意图，图3是1000炉的铁水硅含量，图4是本方法对铁水硅含量的预测结果。具体实施方式本专利技术提出了一种基于滑动窗口T-S模糊神经网络的铁水硅含量预测方法，该方法由以下步骤组成：步骤一：选取T-S模糊神经网络模型(如图1)，并组合滑动窗口模型(如图2)，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。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(如图4)。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：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模糊神经网络的系本文档来自技高网...

【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：

【专利技术属性】
技术研发人员：杨春节，周恒，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33