轉(zhuǎn) 基于RBF神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼終點預(yù)報.pdf

《轉(zhuǎn) 基于RBF神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼終點預(yù)報.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、第9卷第4期中國有色金屬學(xué)報1999年12月Vol.9No.4TheChineseJournalofNonferrousMetalsDec.1999文章編號:1004-0609(1999)04-0868-051基于RBF神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼終點預(yù)報1122柴天佑謝書明杜斌任德祥(1.東北大學(xué)自動化研究中心,沈陽1100062.寶山鋼鐵公司自動化研究所,上海201900)摘要:轉(zhuǎn)爐煉鋼終點溫度和成分是轉(zhuǎn)爐煉鋼的控制目標(biāo),它與吹氧量、鐵水加入量等多個變量之間存在著嚴重的非線性關(guān)系,且無法在線連續(xù)測量。作者提出了基于RBF神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼終點溫度及碳含量預(yù)報

2、模型,并結(jié)合某鋼鐵企業(yè)一座180t轉(zhuǎn)爐的實際數(shù)據(jù)進行模型驗證研究。結(jié)果表明,該方法收斂速度快,預(yù)報精度高。關(guān)鍵詞:轉(zhuǎn)爐;煉鋼;預(yù)報;神經(jīng)網(wǎng)絡(luò)中圖分類號:TF721文獻標(biāo)識碼:A轉(zhuǎn)爐煉鋼是一個非常復(fù)雜的周期性降碳升陷入局部極值點。本文采用收斂速度快、逼近[7~9]溫過程,其間存在很多難以定量的因素,建立能力強的RBF三層前饋網(wǎng)絡(luò),建立轉(zhuǎn)爐[1]準(zhǔn)確的數(shù)學(xué)模型非常困難,同時由于在整個煉鋼終點溫度及碳含量預(yù)報模型,解決了上述冶煉過程中難以連續(xù)不斷地獲得準(zhǔn)確的溫度與問題。成分的測量信息,難以實現(xiàn)對終點溫度和碳含量的有效控制,因而采用煉鋼過程中的吹氧1煉鋼過程動

3、態(tài)模型量、加入鐵水量、副槍測得的鋼水溫度和碳含量等輸入量來預(yù)報終點溫度及碳含量?；跔t轉(zhuǎn)爐煉鋼就是將含有較多雜質(zhì)(主要為碳[2]氣分析并采用卡爾曼(Kalman)濾波及自適和硅)的鐵水,通過吹入氧氣使其發(fā)生反應(yīng),[3]應(yīng)最小二乘(ALS)算法的傳統(tǒng)方法和基于吹達到去除雜質(zhì)的目的,從而獲得要求的鋼水成[4]煉終點鋼中自由氧含量的[O]F法對轉(zhuǎn)爐煉分和溫度。由于氧與這些雜質(zhì)的反應(yīng)大多為放鋼終點碳含量進行預(yù)報的方法精度比較低,且熱反應(yīng),因而在冶煉過程中會產(chǎn)生大量的富余不能預(yù)報終點溫度。而基于副槍檢測獲得鋼水熱量。為了充分利用這部分熱量,提高轉(zhuǎn)爐煉[4]光譜分

4、析的QV法對轉(zhuǎn)爐煉鋼終點碳含量進鋼效率,冶煉前需要加入一些廢鋼,同時為了行預(yù)報的精度雖然有了提高,但同樣不能預(yù)報保證冶煉的順利進行,造出有利于脫除雜質(zhì)的終點溫度。若采用線性CARMA模型及對參數(shù)堿性渣,中間還要分批加入一些副原料(如石[5]的在線辯識自適應(yīng)來預(yù)報終點鋼水溫度及灰、白云石、螢石、礦石等)。因此,轉(zhuǎn)爐煉鋼碳含量,則建模過于復(fù)雜,不易推廣。當(dāng)煉鋼終點溫度y1和碳含量y2與裝入的鐵水量x1,工況變化大,影響預(yù)報精度時,采用對非線性廢鋼量x2,副槍測得的鋼水溫度x3,副槍測系統(tǒng)具有很強逼近能力的神經(jīng)網(wǎng)絡(luò))BP網(wǎng)對得的鋼水碳含量x4,補吹氧氣量x5

5、,補吹石[1,6]轉(zhuǎn)爐煉鋼終點溫度及碳含量預(yù)報,可提高灰加入量x6,補吹混料加入量x7,補吹鐵皮其預(yù)報精度;但是,BP網(wǎng)收斂速度慢,且容易加入量x8,補吹礦石加入量x9,補吹白云石1國家自然科學(xué)基金資助及國家/九五0重點攻關(guān)課題收稿日期:1998-11-10;修回日期:1999-08-09柴天佑(1947-),男,博士生導(dǎo)師第9卷第4期柴天佑等:基于RBF神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼終點預(yù)報#869#加入量x10有關(guān)。由于整個冶煉過程既有化學(xué)含量y^2。m反應(yīng)又有物理變化,因此轉(zhuǎn)爐煉鋼是一個具有y^i=wio+6wij5(X-cj)(4)j=1多輸入多輸出、存在

6、嚴重非線性的復(fù)雜系統(tǒng),可用下列非線性系統(tǒng)方程來表示y=f(x1,x2,,,x10)(1)y1(t)式中y(t)=,f(#)為參數(shù)與結(jié)構(gòu)y2(t)未知的非線性函數(shù)。由于神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性函數(shù),因此可以用下列神經(jīng)網(wǎng)絡(luò)建模來預(yù)報y1(t)和y2(t)2基于RBF神經(jīng)網(wǎng)絡(luò)的終點預(yù)報方法圖1終點預(yù)報神經(jīng)網(wǎng)絡(luò)2.1RBF神經(jīng)網(wǎng)絡(luò)Fig.1NeuralnetworkforendpointpredictionRBF網(wǎng)絡(luò)是一個三層前向網(wǎng)絡(luò),包括輸入2.3網(wǎng)絡(luò)中心與權(quán)值的確定層、隱含層和輸出層。為敘述方便,設(shè)網(wǎng)絡(luò)的RBF網(wǎng)絡(luò)的輸入層到隱含層為徑向基函輸入節(jié)點數(shù)為n

7、,隱含節(jié)點數(shù)為m,輸出節(jié)點數(shù)為1。數(shù),而隱含層到輸出層為線性關(guān)系,因而網(wǎng)絡(luò)中心對于網(wǎng)絡(luò)實現(xiàn)非線性映射起著非常重要的設(shè)RBF網(wǎng)絡(luò)的輸入為X=[x1,x2,,,T作用,必須合理地確定網(wǎng)絡(luò)的中心。網(wǎng)絡(luò)中心xn],則網(wǎng)絡(luò)的輸出為m的確定有很多方法,這里采用如下k-均值聚y=w0+6wj5(X-cj)(2)j=1類算法確定網(wǎng)絡(luò)中心:式中w0IR為偏置項;wjIR(j=1,2,,,第(1)步從輸入樣本X(k)(k=1,2,,,m)為隱含層到輸出層的權(quán)值;5(#)為徑向基P,其中P為輸入樣本總數(shù))中任意選擇m組函數(shù);#為歐氏范數(shù);cn(0)jIR為網(wǎng)絡(luò)的中心。數(shù)據(jù)作

8、為初始網(wǎng)絡(luò)中心cj(j=1,2,,,m);徑向基函數(shù)5有多種形式,一般包括薄第(2)步將輸入樣