论文部分内容阅读
硫是绝大多数钢种的有害元素，因此需对炼钢前铁水进行脱硫。我国目前的铁水脱硫还停留在人工操作模式，由操作人员根据经验和感觉进行操作，自动化水平低，且质量不稳定。国外一些脱硫控制模型大都是机理模型，要求非常稳定的生产流程和工艺条件，且移植困难。本文在对脱硫预处理工艺流程特点及对影响脱硫率各种因素进行分析的基础上，实现了用RBF神经网络建立了铁水脱硫静态智能预报模型。本文首先详细介绍了RBF神经网络基本理论，接着对RBF的中心、宽度和权值的学习进行了深入的研究。其中RBF中心的选择尤为重要，其选择的好坏直接影响RBF性能。本文采用了次胜者受罚的竞争学习(RBCL)来确定RBF的中心，用这种算法可以自动提取中心的数目。为了进一步优化RBF的中心，本文引入了输入输出聚类思想，提出了在聚类过程中考虑样本输出的改进RPCL算法。RBF的宽度直接影响网络的泛化性能，其值偏大网络精度不够，偏小时泛化能力降低，因此本文采用了混沌搜索优化RBF的宽度。针对正则RBF权值学习中正则系数的确认问题，本文采用了EM算法学习RBF的权值，不必事先确定正则系数。最后，用铁水重量、铁水脱硫前含硫量、铁水脱硫后含硫量作为输出，用脱硫剂用量作为输出，基于RBF神经网络建立了铁水脱硫静态预报模型。并在此基础上，用所得到的数据对该模型进行了离线仿真。仿真结果表明：利用改进的RPCL算法学习不仅可以提取RBF的中心数目，还优化了中心位置，提高了模型的精度；基于混沌搜索优化的RBF宽度则保证了模型的泛化能力；利用RBF神经网络建立的铁水脱硫静态预报模型可以用于铁水脱硫过程中脱硫剂用量的预报。