基于區(qū)間小波神經(jīng)網(wǎng)絡(luò)的高爐爐溫預(yù)測(cè).pdf

1、鋼鐵行業(yè)是我國工業(yè)的支柱產(chǎn)業(yè)，在國民經(jīng)濟(jì)持續(xù)高速發(fā)展過程中發(fā)揮了及其重要的作用。高爐是煉鐵的核心設(shè)備，在高爐冶煉過程中，爐溫控制是最為重要，是高爐過程控制的基礎(chǔ)與核心技術(shù)。爐溫的走勢(shì)最直接的反應(yīng)了高爐的運(yùn)行狀況，而鐵水中硅的含量與爐溫成正比例關(guān)系。針對(duì)傳統(tǒng)智能算法所建立的模型抗擾性差、對(duì)數(shù)據(jù)的準(zhǔn)確性敏感度過高等缺點(diǎn)，本文研究了區(qū)間神經(jīng)網(wǎng)絡(luò)算法彌補(bǔ)這些不足，對(duì)高爐鐵水硅含量進(jìn)行預(yù)測(cè)，進(jìn)而達(dá)到預(yù)測(cè)爐溫的目的。
　　本文以鞍鋼鲅魚圈1#

2、高爐為背景，基于區(qū)間小波神經(jīng)網(wǎng)絡(luò)研究高爐爐溫預(yù)測(cè)方法，主要工作有:
　　對(duì)區(qū)間神經(jīng)網(wǎng)絡(luò)進(jìn)行了分析，重點(diǎn)研究了權(quán)值和閾值是區(qū)間值，輸入值是點(diǎn)值的區(qū)間神經(jīng)網(wǎng)絡(luò)算法，詳細(xì)分析了區(qū)間神經(jīng)網(wǎng)絡(luò)反向修改權(quán)值區(qū)間的方法，運(yùn)用數(shù)值實(shí)驗(yàn)對(duì)該算法進(jìn)行仿真驗(yàn)證。然后在此基礎(chǔ)上，針對(duì)高爐爐溫預(yù)測(cè)模型特點(diǎn)以及區(qū)間神經(jīng)網(wǎng)絡(luò)所具有的學(xué)習(xí)速率慢、容易陷入局部極小的缺點(diǎn)，將小波引入?yún)^(qū)間神經(jīng)網(wǎng)絡(luò)中。分別夠造了松散型和緊致型兩種區(qū)間小波神經(jīng)網(wǎng)絡(luò)，給出了權(quán)值w、伸縮因子

3、a和平移因子b的參數(shù)修正方式，仿真分析驗(yàn)證了預(yù)測(cè)區(qū)間效果明顯改善。
　　建立了適用于預(yù)測(cè)高爐爐溫的區(qū)間神經(jīng)網(wǎng)絡(luò)和區(qū)間小波神經(jīng)網(wǎng)絡(luò)模型?；赑CA方法對(duì)多維輸入變量進(jìn)行降維，將得到的新數(shù)據(jù)集用于網(wǎng)絡(luò)訓(xùn)練。
　　將所研究的區(qū)間小波神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在鲅魚圈1#高爐爐溫預(yù)測(cè)上，并分別計(jì)算了三種方法的命中率和相對(duì)誤差，驗(yàn)證了本文所研究的算法在高爐爐溫預(yù)測(cè)應(yīng)用中的效果和可行性。通過三種方法的比較，表明了緊致型區(qū)間小波神經(jīng)網(wǎng)絡(luò)在高爐爐溫預(yù)