转 基于RBF神经网络的转炉炼钢终点预报.pdf

转 基于RBF神经网络的转炉炼钢终点预报.pdf

ID:52929931

大小:177.24 KB

页数:5页

时间:2020-04-01

转 基于RBF神经网络的转炉炼钢终点预报.pdf_第1页
转 基于RBF神经网络的转炉炼钢终点预报.pdf_第2页
转 基于RBF神经网络的转炉炼钢终点预报.pdf_第3页
转 基于RBF神经网络的转炉炼钢终点预报.pdf_第4页
转 基于RBF神经网络的转炉炼钢终点预报.pdf_第5页
资源描述:

《转 基于RBF神经网络的转炉炼钢终点预报.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第9卷第4期中国有色金属学报1999年12月Vol.9No.4TheChineseJournalofNonferrousMetalsDec.1999文章编号:1004-0609(1999)04-0868-05¹基于RBF神经网络的转炉炼钢终点预报1122柴天佑谢书明杜斌任德祥(1.东北大学自动化研究中心,沈阳1100062.宝山钢铁公司自动化研究所,上海201900)摘要:转炉炼钢终点温度和成分是转炉炼钢的控制目标,它与吹氧量、铁水加入量等多个变量之间存在着严重的非线性关系,且无法在线连续测量。作者提出了基于RBF神经网络的转炉炼钢终点温度及碳含量预报

2、模型,并结合某钢铁企业一座180t转炉的实际数据进行模型验证研究。结果表明,该方法收敛速度快,预报精度高。关键词:转炉;炼钢;预报;神经网络中图分类号:TF721文献标识码:A转炉炼钢是一个非常复杂的周期性降碳升陷入局部极值点。本文采用收敛速度快、逼近[7~9]温过程,其间存在很多难以定量的因素,建立能力强的RBF三层前馈网络,建立转炉[1]准确的数学模型非常困难,同时由于在整个炼钢终点温度及碳含量预报模型,解决了上述冶炼过程中难以连续不断地获得准确的温度与问题。成分的测量信息,难以实现对终点温度和碳含量的有效控制,因而采用炼钢过程中的吹氧1炼钢过程动

3、态模型量、加入铁水量、副枪测得的钢水温度和碳含量等输入量来预报终点温度及碳含量。基于炉转炉炼钢就是将含有较多杂质(主要为碳[2]气分析并采用卡尔曼(Kalman)滤波及自适和硅)的铁水,通过吹入氧气使其发生反应,[3]应最小二乘(ALS)算法的传统方法和基于吹达到去除杂质的目的,从而获得要求的钢水成[4]炼终点钢中自由氧含量的[O]F法对转炉炼分和温度。由于氧与这些杂质的反应大多为放钢终点碳含量进行预报的方法精度比较低,且热反应,因而在冶炼过程中会产生大量的富余不能预报终点温度。而基于副枪检测获得钢水热量。为了充分利用这部分热量,提高转炉炼[4]光谱分

4、析的QV法对转炉炼钢终点碳含量进钢效率,冶炼前需要加入一些废钢,同时为了行预报的精度虽然有了提高,但同样不能预报保证冶炼的顺利进行,造出有利于脱除杂质的终点温度。若采用线性CARMA模型及对参数碱性渣,中间还要分批加入一些副原料(如石[5]的在线辩识自适应来预报终点钢水温度及灰、白云石、萤石、矿石等)。因此,转炉炼钢碳含量,则建模过于复杂,不易推广。当炼钢终点温度y1和碳含量y2与装入的铁水量x1,工况变化大,影响预报精度时,采用对非线性废钢量x2,副枪测得的钢水温度x3,副枪测系统具有很强逼近能力的神经网络)BP网对得的钢水碳含量x4,补吹氧气量x5

5、,补吹石[1,6]转炉炼钢终点温度及碳含量预报,可提高灰加入量x6,补吹混料加入量x7,补吹铁皮其预报精度;但是,BP网收敛速度慢,且容易加入量x8,补吹矿石加入量x9,补吹白云石¹国家自然科学基金资助及国家/九五0重点攻关课题收稿日期:1998-11-10;修回日期:1999-08-09柴天佑(1947-),男,博士生导师第9卷第4期柴天佑等:基于RBF神经网络的转炉炼钢终点预报#869#加入量x10有关。由于整个冶炼过程既有化学含量y^2。m反应又有物理变化,因此转炉炼钢是一个具有y^i=wio+6wij5(X-cj)(4)j=1多输入多输出、存在

6、严重非线性的复杂系统,可用下列非线性系统方程来表示y=f(x1,x2,,,x10)(1)y1(t)式中y(t)=,f(#)为参数与结构y2(t)未知的非线性函数。由于神经网络可以逼近任意非线性函数,因此可以用下列神经网络建模来预报y1(t)和y2(t)2基于RBF神经网络的终点预报方法图1终点预报神经网络2.1RBF神经网络Fig.1NeuralnetworkforendpointpredictionRBF网络是一个三层前向网络,包括输入2.3网络中心与权值的确定层、隐含层和输出层。为叙述方便,设网络的RBF网络的输入层到隐含层为径向基函输入节点数为n

7、,隐含节点数为m,输出节点数为1。数,而隐含层到输出层为线性关系,因而网络中心对于网络实现非线性映射起着非常重要的设RBF网络的输入为X=[x1,x2,,,T作用,必须合理地确定网络的中心。网络中心xn],则网络的输出为m的确定有很多方法,这里采用如下k-均值聚y=w0+6wj5(X-cj)(2)j=1类算法确定网络中心:式中w0IR为偏置项;wjIR(j=1,2,,,第(1)步从输入样本X(k)(k=1,2,,,m)为隐含层到输出层的权值;5(#)为径向基P,其中P为输入样本总数)中任意选择m组函数;#为欧氏范数;cn(0)jIR为网络的中心。数据作

8、为初始网络中心cj(j=1,2,,,m);径向基函数5有多种形式,一般包括薄第(2)步将输入样

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。