基于RBF神經(jīng)網(wǎng)絡(luò)的鐵水含硅量預測模型

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測模型。首先利用Matlab建立[Si]的三層前饋神經(jīng)網(wǎng)絡(luò)預測模型，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)計優(yōu)化方案，通過反饋校正的方式證明該模型的穩(wěn)定性，從而得到一步預測模型。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，運用遞歸調(diào)用的方法得到二步預測模型。實踐證明，該方法能改進傳統(tǒng)的反饋預測，提高預測的精確度。

關(guān)鍵詞 RBF神經(jīng)網(wǎng)絡(luò)；鐵水含硅量；預測模型

中圖分類號 TP2 文獻標識碼 A 文章編號 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)是代表性的國民經(jīng)濟支柱性產(chǎn)業(yè)。其生產(chǎn)過程的系統(tǒng)優(yōu)化與智能控制的目標函數(shù)包括節(jié)能、優(yōu)質(zhì)、低耗、綠色環(huán)保等多目標要求。為了實現(xiàn)這樣的優(yōu)化目標，生產(chǎn)過程智能控制的關(guān)鍵技術(shù)就要從原來的反饋控制進一步升級為預測控制。即通過生產(chǎn)工藝大數(shù)據(jù)的信息物理系統(tǒng)建模，通過大數(shù)據(jù)挖掘，確定生產(chǎn)過程的最佳途徑與最佳參數(shù)控制范圍，預測性地動態(tài)調(diào)整生產(chǎn)過程控制，獲得最佳生產(chǎn)效果。

1 RBF神經(jīng)網(wǎng)絡(luò)

預測控制作為生產(chǎn)過程智能控制的一個重要環(huán)節(jié)，以適當?shù)姆椒▉韺ζ溥M行預測是目前亟待解決的問題。由于直接求解相應的動力學方程組具有一定的困難，因此采用大數(shù)據(jù)預測的方法對其進行優(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、自學習能力、快速優(yōu)化計算能力等。因此，本文以RBF神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立了相關(guān)的預測模型。

RBF神經(jīng)網(wǎng)絡(luò)具有很強的逼近能力、分類能力和學習速度，工作原理是把網(wǎng)絡(luò)看成對未知函數(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)生物學和認識科學對人類信息處理研究的基礎(chǔ)上提出來的，具有很強的自適應性和學習能力、非線性映射能力、魯棒性和容錯能力。RBF神經(jīng)網(wǎng)絡(luò)屬于神經(jīng)網(wǎng)絡(luò)的一個分支，如圖所示，RBF神經(jīng)網(wǎng)絡(luò)由一個輸入層、一個隱含層和一個輸出層組成。

2 預測模型的建立

2.1 一步預測模型

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)元的個數(shù)，S2為線性輸出神經(jīng)元的個數(shù)，由相關(guān)數(shù)據(jù)，此網(wǎng)絡(luò)的輸入應該包括輸入值：鐵水含硫量[S]、噴煤量PML、鼓風量FL和上一時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測模型。

2.2 二步預測模型

基于一步預測模型的建立，使用一步預測得到的輸出值和控制輸入值更新輸入向量為X為：

接下來調(diào)用一步預測模型。

將二步預測模型的輸入值帶入，得到：。這樣就建立的了鐵水含硅量的二步預測模型。

3 模型優(yōu)化及驗證

本文利用L-M算法設(shè)計優(yōu)化步驟如下：

1）初始化參數(shù)。取和增長因子。

初始點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)，，則停止計算，得到解，否則計算矩陣和向量。

3）由上述步驟可得第次控制向量，從而計算目標性能函數(shù)值 。

4）若，轉(zhuǎn)至6）。

5）若，則停止計算，得到解，否則置為，轉(zhuǎn)至3）。

6）若，則停止計算，得到解，否則置為，轉(zhuǎn)至2）。

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

4 結(jié)論

本文使用的RBF模型具有較好的理論基礎(chǔ)以及可擴展性，該模型比多層前向網(wǎng)來辨識被控對象的控制方案相比具有超調(diào)量小、響應速度快和更小的波動頻率等特點。通過相關(guān)文獻驗證，說明了利用RBF神經(jīng)網(wǎng)絡(luò)對高爐冶煉鐵水的重要指標的預測是可行的，從而改進了傳統(tǒng)的反饋預測，提高了預測的精確度，具有生產(chǎn)實踐的指導意義。

參考文獻

[1]樊兆峰，馬小平，邵曉根.非線性系統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)多步預測控制[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：大慶石油學院，2003.

[3]段向軍.基于神經(jīng)網(wǎng)絡(luò)的預測控制方法研究[D].大慶：大慶石油學院，2005.

[4]司守奎.數(shù)學建模算法與應用[M].北京：國防工業(yè)出版社，2016.endprint