基于K-ELM的回轉窯喂煤量趨勢預測.pdf

1、回轉窯是工業(yè)上生產(chǎn)氧化鋁的重要熱工設備，其操作參數(shù)多且具有大滯后、非線性、強耦合、多干擾等特點?；剞D窯的燒結是整個回轉窯系統(tǒng)中的關鍵工序。燒結過程中的窯內工況，燒結溫度，煤粉質量對窯前喂煤量影響很大，因此即使經(jīng)驗豐富的操作工人也難以在這么復雜的環(huán)境下進行準確地加減煤判斷。在人工比較難把握加減煤趨勢的情況下，如果對其建模并能準確預測出喂煤量的趨勢方向，則可以穩(wěn)定窯內工況，提高熟料的產(chǎn)量和質量。
　　 根據(jù)這個思路，把喂煤量作為主要

2、的研究對象，提取窯前基于時序的熱工數(shù)據(jù)的變化趨勢，總結出熱工數(shù)據(jù)趨勢特征和喂煤趨勢方向的關系，提出一種基于核函數(shù)的極限學習機(K-ELM)模型，實現(xiàn)對喂煤量變化趨勢進行預測。
　　 對于窯前的熱工數(shù)據(jù)，采用基于加煤或減煤的關鍵點方法對整個時序進行分段線性化壓縮，然后提取每一小段熱工數(shù)據(jù)的變化趨勢，建立喂煤量變化趨勢的訓練測試數(shù)據(jù)庫?？紤]到窯前熱工數(shù)據(jù)噪聲大、受干擾因素多等特點，一般的神經(jīng)網(wǎng)絡進行訓練受到影響比較大，預測精度較低。

3、為此，本文引進了魯棒性較強的K-ELM神經(jīng)網(wǎng)絡模型。在對標準數(shù)據(jù)庫中幾組數(shù)據(jù)集加噪聲的情況下，對幾種神經(jīng)網(wǎng)絡模型進行了比較，并分析其結果。
　　 目前的研究資料中還沒有形成固定的算法來選擇K-ELM的參數(shù)。本文采用了交叉驗證算法對其參數(shù)進行尋優(yōu)，在一定程度上避免了神經(jīng)網(wǎng)絡的過學習問題。用前面提取得到的喂煤趨勢數(shù)據(jù)庫，對ELM、SVM及K-ELM三個模型訓練測試，并對結果進行分析。
　　 兩次實驗結果都表明基于K-ELM的