基于區(qū)間小波神經(jīng)網(wǎng)絡(luò)的高爐爐溫預測.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)。爐溫的走勢最直接的反應(yīng)了高爐的運行狀況，而鐵水中硅的含量與爐溫成正比例關(guān)系。針對傳統(tǒng)智能算法所建立的模型抗擾性差、對數(shù)據(jù)的準確性敏感度過高等缺點，本文研究了區(qū)間神經(jīng)網(wǎng)絡(luò)算法彌補這些不足，對高爐鐵水硅含量進行預測，進而達到預測爐溫的目的。
　　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)研究高爐爐溫預測方法，主要工作有:
　　對區(qū)間神經(jīng)網(wǎng)絡(luò)進行了分析，重點研究了權(quán)值和閾值是區(qū)間值，輸入值是點值的區(qū)間神經(jīng)網(wǎng)絡(luò)算法，詳細分析了區(qū)間神經(jīng)網(wǎng)絡(luò)反向修改權(quán)值區(qū)間的方法，運用數(shù)值實驗對該算法進行仿真驗證。然后在此基礎(chǔ)上，針對高爐爐溫預測模型特點以及區(qū)間神經(jīng)網(wǎng)絡(luò)所具有的學習速率慢、容易陷入局部極小的缺點，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，仿真分析驗證了預測區(qū)間效果明顯改善。
　　建立了適用于預測高爐爐溫的區(qū)間神經(jīng)網(wǎng)絡(luò)和區(qū)間小波神經(jīng)網(wǎng)絡(luò)模型。基于PCA方法對多維輸入變量進行降維，將得到的新數(shù)據(jù)集用于網(wǎng)絡(luò)訓練。
　　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#高爐爐溫預測上，并分別計算了三種方法的命中率和相對誤差，驗證了本文所研究的算法在高爐爐溫預測應(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