基于PCA与RBF的焦炭质量预测模型

2012年03月14日15:41:04 本网站我要评论(2)字号：T | T | T

雷琪，刘君贤，何勇，吴敏

中南大学信息科学与工程学院, 湖南长沙

摘要：针对炼焦生产过程焦炭质量难于实时测量的问题，建立一种主元分析(PCA)和径向基函数(RBF)神经网络相结合的预测模型。首先，通过机理分析确定焦炭质量的影响因素包括配合煤指标和炼焦过程操作参数；然后采用主元分析减少径向基函数网络的输入；较后采用k-均值聚类算法确定径向基函数隐含层的参数，并用较小二乘法确定线性输出层参数。采用炼焦生产过程现场数据进行仿真，结果表明：该模型具有学习速度快、跟踪性能好以及泛化能力强等优点，实现了焦炭质量的在线预测。

关键词：炼焦生产过程，焦炭质量预测模型，主元分析，径向基函数

1　引言

焦炭是炼焦生产过程的主要产品，广泛用于高炉炼铁、铸造、电石、气化等方面[1]。焦炭质量的好坏直接影响企业的生产成本和经济效益。但在线质量分析仪存在价格昂贵、维护保养复杂以及可靠性差等缺点[2]，难以对焦炭质量进行在线检测，从而严重影响了炼焦生产过程的控制和优化。神经网络是解决工业过程中普遍存在的一类难以在线测量变量预测问题的有效方法，常用的有BP(Back Propagation)神经网络和RBF(Radial Basis Function)神经网络。例如，文献[3]建立烧结块质量产量BP神经网络模型，文献[4]建立苛性比值的多神经网络模型，文献[5]采用BP网络建立焦炭质量预测模型。但BP网络属于全局逼近网络，收敛速度慢，训练过程中容易陷入局部极小值。与BP网络相比，RBF网络的学习算法不存在局部较优问题，而且RBF网络的参数调整是线性的，具有结构简单、收敛速度快、非线性逼近能力强以及推广能力强等特点[6]，被广泛应用于模式分类、函数逼近和过程建模等许多领域。

本文以炼焦生产过程为例，建立一种基于PCA和RBF神经网络的焦炭质量预测模型，解决焦炭质量在线检测问题。首先通过机理分析确定焦炭质量的主要影响为配合煤指标和炼焦过程操作参数，在此基础上采用主元分析降低配合煤指标的维数，减少RBF网络的输入；然后分别采用k-均值聚类法和较小二乘法算法确定RBF网络的隐含层参数和权值；较后对焦炭质量预测模型的仿真结果进行分析，验证方法的有效性。

登录网站后可下载文件

基于PCA与RBF的焦炭质量预测模型

相关阅读: