基于数据的高炉铁水硅含量预测.pdf

《基于数据的高炉铁水硅含量预测.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、第第336期卷有色冶金设计与研究2015年6月基于数据的高炉铁水硅含量预测尹菊萍，蒋朝辉(中南大学控制工程研究所，湖南长沙410083)[摘要]针对铁水硅含量无法直接在线检测的问题，提出了一种基于优化极限学习机的高炉铁水硅含量数据驱动预测模型，该模型利用差分进化算法的全局寻优能力来优化极限学习机的输入权值和隐元偏差．在此基础上建立了基于差分进化算法优化极限学习机(DE—ELM)~高炉铁水硅含量预测模型。所建模型对高炉炉温的实际调控具有较好的指导意义。(关键词]硅含量；差分进4L；极限学习机；高炉；数据中

2、图分类号：TP391文献标识码：A文章编号：1004-4345(2015)03—0036—03PredictionforBlastFurnaceSiliconContentinHotMetalBasedonDataYINJuping．JIANGZhaohui(CentralSouthUniversity，Shangsha，Hunan410083，China)，AbstractConsideringthesiliconcontentofthehotmetalcannotbedirectlydetected

3、online，adata—dfvenpredictionmethodforsiliconcontentinhotmetalbasedontheoptimizedextremelearningmachinesisproposed．Theconnectionweightsofinputsandbiasesofhiddennodesoftheextremelearningmachineareoptimizedbythediferentialevolutionalgorithmbecauseofitsgloba

4、loptimizationability．Basedontheoptimization，thepredictionmodelofthediferentialevolutionextremelearningmachine(DE—ELM)isconstructed．Theproposedmodelprovideagreatguidingsignificancetothetemperaturecontroloftheblastfurnace．．Keywordssiliconcontent；differenti

5、alevolution；extremelearningmachine；blastfurnace；data铁水硅含量是表征高炉炼铁过程炉况及其变化综合考虑炼铁工艺机理及生产数据特性。但所建立趋势的关键信息，能较好地反映铁水质量、能耗等生的铁水硅含量预测模型仅利用硅含量的历史数据，产工艺指标。但铁水硅含量无法直接在线实时检测，难以达到较好的预测效果；高炉检测装备众多，获得导致对炉况调控的不及时和调控操作的盲目性。因的实际生产数据量大，这些数据隐含了丰富的铁水此，研究如何实时获取铁水硅含量及其变化趋势，对硅含

6、量变化的信息，为研究利用实际生产过程数据稳定高炉炉况、减少炉况波动、提高生铁质量和降低中的有效信息来实现基于数据驱动的高炉铁水硅含焦比等具有重要意义。量预测提供了基础。本文在丰富的数据基础上提出近年来。对铁水硅含量预测的研究主要集中在了一种基于优化极限学习机fT~(DE—ELM)的高炉铁数据驱动建模[-2]方面。例如：基于时间序列的预测模水硅含量数据驱动预测模型，首先利用差分进化算型[31、神经网络预测模型、混沌模型昀、SVM预测模法i9-q得到极限学习机的输人权值和隐元偏差，然后型[61等等。这些模型

7、对高炉铁水硅含量的预测有一定通过迭代确定隐含层节点个数，最后将训练好的的效果，但是仍存在自身局限性，如时间序列模型更DE—ELM用于高炉铁水硅含量的预测。适应于炉况平稳的情形；神经网络模型在实际应用1优化极限学习机中存在学习时间长且容易产生过拟合现象的问题。难以与高炉冶炼机理模型相融合；混沌模型尽管能对于Ⅳ个不同样本j)，其中=[xjz，⋯，nr∈收稿日期：2015-06-04基金项目：国家自然科学基金重大项目(61290325)；国家自然科学基金创新研究群体科学基金(61321003)。作者简介：尹菊

8、萍(1991一)，女，主要研究方向为高炉铁水硅含量预测。第3期基于数据的高炉铁水硅含量预测．37．DE算法的适应度函数，算种群中个体的适应度值；Step3：如果算法满足收敛精度或是达到了最大的迭代次数，转step6，否则转step4；Step4：对种群中个体执行变异、交叉、选择操作：1)变异操作通过个体间的差异来产生新的个体，变异公式为：vi(1)=麓l+F·(r2cg)r3(g))i#rl#r2#r3(9)式中：g为迭代次数，F为变异算子