基于RBF神經(jīng)網(wǎng)絡(luò)的鐵水含硅量預(yù)測(cè)模型

祿文軒

摘 要 本文以RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立了鐵水含硅量的預(yù)測(cè)模型。首先利用Matlab建立[Si]的三層前饋神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，選取[S]-FL-PML三種數(shù)據(jù)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，[Si]作為其輸出。其次利用L-M算法設(shè)計(jì)優(yōu)化方案，通過(guò)反饋校正的方式證明該模型的穩(wěn)定性，從而得到一步預(yù)測(cè)模型。最后在該模型的基礎(chǔ)上使用其控制值和輸出值更新輸入向量，運(yùn)用遞歸調(diào)用的方法得到二步預(yù)測(cè)模型。實(shí)踐證明，該方法能改進(jìn)傳統(tǒng)的反饋預(yù)測(cè)，提高預(yù)測(cè)的精確度。

關(guān)鍵詞 RBF神經(jīng)網(wǎng)絡(luò)；鐵水含硅量；預(yù)測(cè)模型

中圖分類號(hào) TP2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2095-6363（2017）15-0011-01

在流程工業(yè)中，鋼鐵冶金，石油化工等行業(yè)是代表性的國(guó)民經(jīng)濟(jì)支柱性產(chǎn)業(yè)。其生產(chǎn)過(guò)程的系統(tǒng)優(yōu)化與智能控制的目標(biāo)函數(shù)包括節(jié)能、優(yōu)質(zhì)、低耗、綠色環(huán)保等多目標(biāo)要求。為了實(shí)現(xiàn)這樣的優(yōu)化目標(biāo)，生產(chǎn)過(guò)程智能控制的關(guān)鍵技術(shù)就要從原來(lái)的反饋控制進(jìn)一步升級(jí)為預(yù)測(cè)控制。即通過(guò)生產(chǎn)工藝大數(shù)據(jù)的信息物理系統(tǒng)建模，通過(guò)大數(shù)據(jù)挖掘，確定生產(chǎn)過(guò)程的最佳途徑與最佳參數(shù)控制范圍，預(yù)測(cè)性地動(dòng)態(tài)調(diào)整生產(chǎn)過(guò)程控制，獲得最佳生產(chǎn)效果。

1 RBF神經(jīng)網(wǎng)絡(luò)

預(yù)測(cè)控制作為生產(chǎn)過(guò)程智能控制的一個(gè)重要環(huán)節(jié)，以適當(dāng)?shù)姆椒▉?lái)對(duì)其進(jìn)行預(yù)測(cè)是目前亟待解決的問(wèn)題。由于直接求解相應(yīng)的動(dòng)力學(xué)方程組具有一定的困難，因此采用大數(shù)據(jù)預(yù)測(cè)的方法對(duì)其進(jìn)行優(yōu)化成為一條可行的路徑。神經(jīng)網(wǎng)絡(luò)的函數(shù)具有良好的逼近能力、自學(xué)習(xí)能力、快速優(yōu)化計(jì)算能力等。因此，本文以RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立了相關(guān)的預(yù)測(cè)模型。

RBF神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的逼近能力、分類能力和學(xué)習(xí)速度，工作原理是把網(wǎng)絡(luò)看成對(duì)未知函數(shù)的逼近，任何函數(shù)都可以表示成一組及函數(shù)的加權(quán)和。神經(jīng)網(wǎng)絡(luò)由大量人工神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)，它是在現(xiàn)代神經(jīng)生物學(xué)和認(rèn)識(shí)科學(xué)對(duì)人類信息處理研究的基礎(chǔ)上提出來(lái)的，具有很強(qiáng)的自適應(yīng)性和學(xué)習(xí)能力、非線性映射能力、魯棒性和容錯(cuò)能力。RBF神經(jīng)網(wǎng)絡(luò)屬于神經(jīng)網(wǎng)絡(luò)的一個(gè)分支，如圖所示，RBF神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層組成。

2 預(yù)測(cè)模型的建立

2.1 一步預(yù)測(cè)模型

令

為輸入向量，其維數(shù)為

。

其結(jié)構(gòu)形為：

令S1為徑向基神經(jīng)元的個(gè)數(shù)，S2為線性輸出神經(jīng)元的個(gè)數(shù)，由相關(guān)數(shù)據(jù)，此網(wǎng)絡(luò)的輸入應(yīng)該包括輸入值：鐵水含硫量[S]、噴煤量PML、鼓風(fēng)量FL和上一時(shí)刻的輸出值鐵水含硅量[Si]，因此。

令I(lǐng)W、LW為輸入、輸出權(quán)值矩陣，維數(shù)分別為；令b1為輸入偏置向量，維數(shù)為為輸出偏置向量，維數(shù)為；令m1為徑向基神經(jīng)元的輸入向量，維數(shù)為為線性輸出神經(jīng)元的輸入向量，維數(shù)為為RBF神經(jīng)網(wǎng)絡(luò)的輸出。

將系統(tǒng)的已知信息代入，可以得到下一時(shí)刻的輸出：。這樣就建立了基于RBF神經(jīng)網(wǎng)絡(luò)的鐵水含硅量一步預(yù)測(cè)模型。

2.2 二步預(yù)測(cè)模型

基于一步預(yù)測(cè)模型的建立，使用一步預(yù)測(cè)得到的輸出值和控制輸入值更新輸入向量為X為：

接下來(lái)調(diào)用一步預(yù)測(cè)模型。

將二步預(yù)測(cè)模型的輸入值帶入，得到：。這樣就建立的了鐵水含硅量的二步預(yù)測(cè)模型。

3 模型優(yōu)化及驗(yàn)證

本文利用L-M算法設(shè)計(jì)優(yōu)化步驟如下：

1）初始化參數(shù)。取和增長(zhǎng)因子。

初始點(diǎn)和充分小的允許誤差，最大迭代次數(shù)，設(shè)置迭代次數(shù)。

2）若迭代次數(shù)，，則停止計(jì)算，得到解，否則計(jì)算矩陣和向量。

3）由上述步驟可得第次控制向量，從而計(jì)算目標(biāo)性能函數(shù)值 。

4）若，轉(zhuǎn)至6）。

5）若，則停止計(jì)算，得到解，否則置為，轉(zhuǎn)至3）。

6）若，則停止計(jì)算，得到解，否則置為，轉(zhuǎn)至2）。

通過(guò)自主選取數(shù)據(jù)帶入上述所建立的一步預(yù)測(cè)、二步預(yù)測(cè)模型，使用交叉驗(yàn)證的方法選取剩余的100組數(shù)據(jù)作為驗(yàn)證樣本，將鐵水含硫量、噴煤量、鼓風(fēng)量三者作為輸入變量，帶入已經(jīng)所建立的動(dòng)態(tài)預(yù)測(cè)模型，得到[Si]的預(yù)測(cè)值，并與所給出的實(shí)際值相比較，計(jì)算并構(gòu)建誤差矩陣。當(dāng)?shù)玫秸`差滿足極限誤差時(shí)數(shù)值預(yù)測(cè)值后，再考慮爐溫升降方向預(yù)測(cè)成功率。

4 結(jié)論

本文使用的RBF模型具有較好的理論基礎(chǔ)以及可擴(kuò)展性，該模型比多層前向網(wǎng)來(lái)辨識(shí)被控對(duì)象的控制方案相比具有超調(diào)量小、響應(yīng)速度快和更小的波動(dòng)頻率等特點(diǎn)。通過(guò)相關(guān)文獻(xiàn)驗(yàn)證，說(shuō)明了利用RBF神經(jīng)網(wǎng)絡(luò)對(duì)高爐冶煉鐵水的重要指標(biāo)的預(yù)測(cè)是可行的，從而改進(jìn)了傳統(tǒng)的反饋預(yù)測(cè)，提高了預(yù)測(cè)的精確度，具有生產(chǎn)實(shí)踐的指導(dǎo)意義。

參考文獻(xiàn)

[1]樊兆峰，馬小平，邵曉根.非線性系統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)多步預(yù)測(cè)控制[J].控制與決策，2014（7）：1274-1278.

[2]董宏麗.神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)的研究[D].大慶：大慶石油學(xué)院，2003.

[3]段向軍.基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)控制方法研究[D].大慶：大慶石油學(xué)院，2005.

[4]司守奎.數(shù)學(xué)建模算法與應(yīng)用[M].北京：國(guó)防工業(yè)出版社，2016.endprint