球团质量预测系统的建模及其应用研究

《球团质量预测系统的建模及其应用研究》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、辽宁科技大学硕士学位论文球团质量预测系统的建模及其应用研究姓名：江山申请学位级别：硕士专业：系统工程指导教师：陈雪波;吴海鹰20070301噩宁科技大学硕士论文摘要摘要对于链篦机一回转窑这样多变量、非线性、变量间高度耦合的复杂工业生产过程，很难通过建立精确的数学模型来进行分析与研究；而且，随着计算机技术和检测技术的迅速发展，在球团生产过程中存有大量的运行数据，这些高度冗余的数据显然包含了系统热工制度与最终产品质量之间的隐含对应关系。如果能把这种隐含关系找出来，并建立一个球团质量预测系统用于指导氧化球团生产，将十分有意义。然而，高维

2、数据包含的大量冗余信息给数据分析带来了困难。因此，对高维数据进行数据分析时，必须先对原始数据进行降维处理。以多变量投影方法一一主成分分析核心的多变量数据降维技术可以有效地解决这些问题。然而，对于存在严重非线性的工业生产过程，PCA分析结果却不尽人意，而非线性主成分分析法(NPCA)却可以起到很好的效果。小波神经网络是小波分析和神经网络的结合，正是由于其引入了小波神经元的伸缩和平移因子，因此具有更好的函数逼近能力，它已被证明对于克服其它神经网络收敛性不好的缺陷有明显的优势。然而，当网络模型输入变量维数过高，网络模型过于复杂时，往往导

3、致网络训练精度下降，建模效果变差。本论文结合了非线性主成分分析和小波神经网络的优点，并根据对球团生产工艺与球团理论的学习与理解，提出、建立并开发了一种基于非线性主成分分析(NPCA)一自调节小波神经网络(AWNN)的球团质量预测系统。本论文主要工作如下：(1)根据小波分析理论和小波神经网络理论，并在相关研究成果的基础上，提出了一个自调节小波神经网络模型。(2)根据链篦机．回转窑球团法生产过程及球团理论，并针对链篦机一回转窑工艺段的多变量、非线性、变量间高度耦合的特点，提出了基于NPCA—AWNN的球团质量预测系统的建模思想与优化方

4、法。利用NPCA法对AWNN网络的输入因子数进行优化与约简，以简化网络的复杂度。(3)为了证明建模方法的有效性并作为比较，本文还建立了一个基于NPCA—BPNN的球团质量预测模型，并从鞍钢集团弓长岭矿业公司球团二厂现场采集数据进行预处理、训练、预测试验及比较。试验结果显示：NPCA—AWNN模型的预测效果好于NPCA—BPNN模型的预测效果，达到现辽宁科技大学硕士论又摘要场容许要求。(4)本文根据NPCA—AWNN模型原理，并借助数据处理软件MATLAB7．0与高级编程环境Visualc++6．0，开发了氧化球团质量预测系统，NP

5、CA算法部分采用Matlab编写，而AWNN算法及软件界面实现部分采用vc++编写，并详细介绍了Matlab和Vc++联合编程的思想及实现方法。开发的系统用户界面友好，便于操作，基本实现了预测功能，具有一定的应用价值。关键词：链篦机一回转窑，质量预测，非线性主成分分析，自调节小波神经网络Ⅱ辽宁科技大学硕士论文ABgmACTABSTRACTBecausetheGrate—Kilnisacomplicatedindustryprocessingforitsnonlinear，multi-variablesandhighcoupling

6、betweenthem，itisdifficulttoestablishaprecisemathematicalmodelforanalysisandresearch；Moreover，withtherapiddevelopmentofcomputertechnologyanddetectiontechnology，lotsofhighlyredundantoperatingdataissavedduringtheproductionofpellet．Itcontainsthehiddenrelationshipbetweenth

7、esystem’Spyrologyinstitutionandthefinishedpellet．ItwillbeverymeaningfultOfindthehiddenrelationshipandestablishapelletqualitypredictionsystemtoguidethepelletproduction．Theredundancyinformationcontainedinmulti—variabledataistheoriginoftroubletotraditionalanalysis．Itisam

8、usttoreducethedimensionoftheoriginaldatawhenweanalysisthehigh—dimensiondata．ThePrincipalComponentAnalysis(PCA)，themostpopula