论文部分内容阅读
摘 要 本文以RBF神经网络为基础建立了铁水含硅量的预测模型。首先利用Matlab建立[Si]的三层前馈神经网络预测模型，选取[S]-FL-PML三种数据作为RBF神经网络的输入，[Si]作为其输出。其次利用L-M算法设计优化方案，通过反馈校正的方式证明该模型的稳定性，从而得到一步预测模型。最后在该模型的基础上使用其控制值和输出值更新输入向量，运用递归调用的方法得到二步预测模型。实践证明，该方法能改进传统的反馈预测，提高预测的精确度。
关键词 RBF神经网络；铁水含硅量；预测模型
中图分类号 TP2 文献标识码 A 文章编号 2095-6363（2017）15-0011-01
在流程工业中，钢铁冶金，石油化工等行业是代表性的国民经济支柱性产业。其生产过程的系统优化与智能控制的目标函数包括节能、优质、低耗、绿色环保等多目标要求。为了实现这样的优化目标，生产过程智能控制的关键技术就要从原来的反馈控制进一步升级为预测控制。即通过生产工艺大数据的信息物理系统建模，通过大数据挖掘，确定生产过程的最佳途径与最佳参数控制范围，预测性地动态调整生产过程控制，获得最佳生产效果。
1 RBF神经网络
预测控制作为生产过程智能控制的一个重要环节，以适当的方法来对其进行预测是目前亟待解决的问题。由于直接求解相应的动力学方程组具有一定的困难，因此采用大数据预测的方法对其进行优化成为一条可行的路径。神经网络的函数具有良好的逼近能力、自学习能力、快速优化计算能力等。因此，本文以RBF神经网络为基础建立了相关的预测模型。
RBF神经网络具有很强的逼近能力、分类能力和学习速度，工作原理是把网络看成对未知函数的逼近，任何函数都可以表示成一组及函数的加权和。神经网络由大量人工神经元广泛互联而成的网络，它是在现代神经生物学和认识科学对人类信息处理研究的基础上提出来的，具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力。RBF神经网络属于神经网络的一个分支，如图所示，RBF神经网络由一个输入层、一个隐含层和一个输出层组成。
2 预测模型的建立
2.1 一步預测模型
令
为输入向量，其维数为
。
其结构形为：
令S1为径向基神经元的个数，S2为线性输出神经元的个数，由相关数据，此网络的输入应该包括输入值：铁水含硫量[S]、喷煤量PML、鼓风量FL和上一时刻的输出值铁水含硅量[Si]，因此。
令IW、LW为输入、输出权值矩阵，维数分别为；令b1为输入偏置向量，维数为为输出偏置向量，维数为；令m1为径向基神经元的输入向量，维数为为线性输出神经元的输入向量，维数为为RBF神经网络的输出。
将系统的已知信息代入，可以得到下一时刻的输出：。这样就建立了基于RBF神经网络的铁水含硅量一步预测模型。
2.2 二步预测模型
基于一步预测模型的建立，使用一步预测得到的输出值和控制输入值更新输入向量为X为：
接下来调用一步预测模型。
将二步预测模型的输入值带入，得到：。这样就建立的了铁水含硅量的二步预测模型。
3 模型优化及验证
本文利用L-M算法设计优化步骤如下：
1）初始化参数。取和增长因子。
初始点和充分小的允许误差，最大迭代次数，设置迭代次数。
2）若迭代次数，，则停止计算，得到解，否则计算矩阵和向量。
3）由上述步骤可得第次控制向量，从而计算目标性能函数值 。
4）若，转至6）。
5）若，则停止计算，得到解，否则置为，转至3）。
6）若，则停止计算，得到解，否则置为，转至2）。
通过自主选取数据带入上述所建立的一步预测、二步预测模型，使用交叉验证的方法选取剩余的100组数据作为验证样本，将铁水含硫量、喷煤量、鼓风量三者作为输入变量，带入已经所建立的动态预测模型，得到[Si]的预测值，并与所给出的实际值相比较，计算并构建误差矩阵。当得到误差满足极限误差时数值预测值后，再考虑炉温升降方向预测成功率。
4 结论
本文使用的RBF模型具有较好的理论基础以及可扩展性，该模型比多层前向网来辨识被控对象的控制方案相比具有超调量小、响应速度快和更小的波动频率等特点。通过相关文献验证，说明了利用RBF神经网络对高炉冶炼铁水的重要指标的预测是可行的，从而改进了传统的反馈预测，提高了预测的精确度，具有生产实践的指导意义。
参考文献
[1]樊兆峰，马小平，邵晓根.非线性系统RBF神经网络多步预测控制[J].控制与决策，2014（7）：1274-1278.
[2]董宏丽.神经网络PID控制系统的研究[D].大庆：大庆石油学院，2003.
[3]段向军.基于神经网络的预测控制方法研究[D].大庆：大庆石油学院，2005.
[4]司守奎.数学建模算法与应用[M].北京：国防工业出版社，2016.
关键词 RBF神经网络；铁水含硅量；预测模型
中图分类号 TP2 文献标识码 A 文章编号 2095-6363（2017）15-0011-01
在流程工业中，钢铁冶金，石油化工等行业是代表性的国民经济支柱性产业。其生产过程的系统优化与智能控制的目标函数包括节能、优质、低耗、绿色环保等多目标要求。为了实现这样的优化目标，生产过程智能控制的关键技术就要从原来的反馈控制进一步升级为预测控制。即通过生产工艺大数据的信息物理系统建模，通过大数据挖掘，确定生产过程的最佳途径与最佳参数控制范围，预测性地动态调整生产过程控制，获得最佳生产效果。
1 RBF神经网络
预测控制作为生产过程智能控制的一个重要环节，以适当的方法来对其进行预测是目前亟待解决的问题。由于直接求解相应的动力学方程组具有一定的困难，因此采用大数据预测的方法对其进行优化成为一条可行的路径。神经网络的函数具有良好的逼近能力、自学习能力、快速优化计算能力等。因此，本文以RBF神经网络为基础建立了相关的预测模型。
RBF神经网络具有很强的逼近能力、分类能力和学习速度，工作原理是把网络看成对未知函数的逼近，任何函数都可以表示成一组及函数的加权和。神经网络由大量人工神经元广泛互联而成的网络，它是在现代神经生物学和认识科学对人类信息处理研究的基础上提出来的，具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力。RBF神经网络属于神经网络的一个分支，如图所示，RBF神经网络由一个输入层、一个隐含层和一个输出层组成。
2 预测模型的建立
2.1 一步預测模型
令
为输入向量，其维数为
。
其结构形为：
令S1为径向基神经元的个数，S2为线性输出神经元的个数，由相关数据，此网络的输入应该包括输入值：铁水含硫量[S]、喷煤量PML、鼓风量FL和上一时刻的输出值铁水含硅量[Si]，因此。
令IW、LW为输入、输出权值矩阵，维数分别为；令b1为输入偏置向量，维数为为输出偏置向量，维数为；令m1为径向基神经元的输入向量，维数为为线性输出神经元的输入向量，维数为为RBF神经网络的输出。
将系统的已知信息代入，可以得到下一时刻的输出：。这样就建立了基于RBF神经网络的铁水含硅量一步预测模型。
2.2 二步预测模型
基于一步预测模型的建立，使用一步预测得到的输出值和控制输入值更新输入向量为X为：
接下来调用一步预测模型。
将二步预测模型的输入值带入，得到：。这样就建立的了铁水含硅量的二步预测模型。
3 模型优化及验证
本文利用L-M算法设计优化步骤如下：
1）初始化参数。取和增长因子。
初始点和充分小的允许误差，最大迭代次数，设置迭代次数。
2）若迭代次数，，则停止计算，得到解，否则计算矩阵和向量。
3）由上述步骤可得第次控制向量，从而计算目标性能函数值 。
4）若，转至6）。
5）若，则停止计算，得到解，否则置为，转至3）。
6）若，则停止计算，得到解，否则置为，转至2）。
通过自主选取数据带入上述所建立的一步预测、二步预测模型，使用交叉验证的方法选取剩余的100组数据作为验证样本，将铁水含硫量、喷煤量、鼓风量三者作为输入变量，带入已经所建立的动态预测模型，得到[Si]的预测值，并与所给出的实际值相比较，计算并构建误差矩阵。当得到误差满足极限误差时数值预测值后，再考虑炉温升降方向预测成功率。
4 结论
本文使用的RBF模型具有较好的理论基础以及可扩展性，该模型比多层前向网来辨识被控对象的控制方案相比具有超调量小、响应速度快和更小的波动频率等特点。通过相关文献验证，说明了利用RBF神经网络对高炉冶炼铁水的重要指标的预测是可行的，从而改进了传统的反馈预测，提高了预测的精确度，具有生产实践的指导意义。
参考文献
[1]樊兆峰，马小平，邵晓根.非线性系统RBF神经网络多步预测控制[J].控制与决策，2014（7）：1274-1278.
[2]董宏丽.神经网络PID控制系统的研究[D].大庆：大庆石油学院，2003.
[3]段向军.基于神经网络的预测控制方法研究[D].大庆：大庆石油学院，2005.
[4]司守奎.数学建模算法与应用[M].北京：国防工业出版社，2016.