欢迎来到天天文库
浏览记录
ID:35648265
大小:963.01 KB
页数:56页
时间:2019-04-06
《毕业设计(论文)-焦炉集气管压力控制系统研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、引 言在炼焦生产过程中,焦炉集气管压力是炼焦生产中的重要参数,它的稳定性直接影响着焦炉的使用寿命和焦碳的生产。焦炉集气管压力控制系统是一个具有强干扰、多耦合、时变、非线性的复杂多变量系统,利用传统的建模与自动控制手段往往难以奏效,因此课题中使用不依赖系统精确数学模型的模糊控制。但现在模糊控制中的控制规则一般都是通过专家或操作人员的经验总结形成的,存在一定的主观性和随意性。使用数据挖掘的方法从生产过程的大量的数据中分析出模糊控制规则,这个方法不仅为模糊控制规则的生成提供了一个崭新的思路,而且得到了一定的控制效果.随着数据挖掘(
2、DM)技术的发展和完善,为模糊控制规则的获得提供了一条崭新的途径。可以运用数据挖掘中的聚类分析算法来获取控制焦炉集气管压力的模糊规则。聚类算法是通过对变量的比较、把具有相似特征的数据归为一类。因此,本课题就采用聚类的方法来建立及其关压力模糊控制模型,通过对运行时控制集气管系统压力的数据进行聚类,同一类中的数据中必定有潜在规律,则此可生成可以控制集气管压力的模糊控制规则,从而丰富模糊控制规则表。通过聚类以后,数据集就转化为类集。在类集中同一类数据具有相似的变量值,不同类之间的变量值不具有相似性。这些类不是事先定义好的,而是通过聚
3、类算法采用全自动方式获得。焦炉集气管压力控制系统是一个具有强干扰、多耦合、时变、非线性的复杂多变量系统,一个集气管压力产生波动时,就会引起另一个集气管压力的波动,当波动较大时,就会造成整个集气管系统拉锯,出现振荡现象。对多输入多输出系统中输入与输出之间相互影响较强的,不能简单地化为多个单输入单输出系统,此时必须考虑到变量间的耦合,以便对系统采取相应的解耦措施后再实施有效的控制。本课题采用模糊控制与数据挖掘相结合,在不需要已知对象模型情况下求出耦合度,再进行集气管压力控制模型的耦合分析和解耦设计。最后通过在MATLAB环境下仿真
4、,验证本课题所提出的生成模糊解耦控制规则方法的合理性、可行性及其优越性。1绪论炼焦工艺控制就是为了保证焦炭的产品质量,增加荒煤气的回收率,减少环境污染,提高经济效益。荒煤气是炭化室中的煤料在高温干馏下产生的煤气,因尚未经净化处理,因此在习惯上称为荒煤气或粗煤气。荒煤气回收就要依靠荒煤气导出设备,它包括:上升管、桥管、水封阀、集气管、吸气弯管、吸气管、氨水喷洒系统等[1]。集气管只是荒煤气导出系统的一部分。如图1所示。集气管是用钢板焊接而成的圆管或槽形结构,沿整个焦炉纵向置于炉柱托架上,用以汇集个炭化室的荒煤气、冷凝焦油和氨水。
5、图1荒煤气导出系统[1]Fig.1thesystemofexportingroughgas1.1数据挖掘概述1.1.1数据挖掘的基本任务随着数据库技术的迅速发展以及数据库管理系统的广泛应用,人们积累的数据越来越多。目前的数据库系统可以高效地实现数据的录入、查询、统计等功能,但无法发现数据中存在的关系和规则,无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段,导致了“数据爆炸但知识贫乏”的现象。数据挖掘就是为满足这种要求而产生并迅速发展起来的,可用于开发信息资源的一种新的数据处理技术。数据挖掘技术是多学科交叉
6、的新型技术,它主要基于统计学、人工智能、机器学习等技术,高度自动化地分析数据,做出归纳性的推理,从中挖掘出潜在的模式,并对未来情况进行预测,以辅助决策者评估风险、做出正确的决策。数据挖掘的任务就是发现隐藏在数据中的模式/知识[4]。数据挖掘任务一般可以分为两类:描述和预测。描述性挖掘任务以简洁概要的方式描述数据,并提供数据的有趣的一般性特征;预测性挖掘任务对当前数据进行分析,建立一个或一组模型,并试图预测新数据集的行为。通常情况下,为了适应不同用户的不同需求和应用,数据挖掘系统要能够挖掘多种类型的模式[2]。1.1.2数据挖掘
7、的挖掘步骤数据数据挖掘系统可以大致分为三层结构[3]第一层是数据源,包括数据库、数据仓库。数据挖掘不一定要建立在数据仓库的基础上,但如果数据挖掘与数据仓库协同工作,则将大大提高数据挖掘的效率。第二层是数据挖掘器,利用数据挖掘方法分析数据库中的数据,包括关联分析、序列模式分析、分类分析、聚类分析等。第三层是用户界面,将获取的信息以便于用户理解和观察的方式反映给用户,可以使用可视化工具。数据挖掘的过程可粗略的分为如下的几步[5,6]:1)问题定义:数据挖掘是为了在大量数据中发现有用的令人感兴趣的信息,因此发现何种知识就成为整个过程
8、中第一个也是最重要的一个阶段。2)数据准备:又可分为三个子步骤:数据选取、数据预处理和数据变换。3)数据挖掘:基本步骤,使用智能方法提取数据模式。4)结果解释和评估:根据某种兴趣度度量,识别表示知识的真正有趣的模式,并使用可视化和知识表示技术,向用户提供挖掘的知识。1.1.3
此文档下载收益归作者所有