基于滑动窗口T‑S模糊神经网络模型的铁水硅含量预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106709197A(43)申请公布日2017.05.24(21)申请号201611269293.9(22)申请日2016.12.31(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人杨春节周恒(74)专利代理机构杭州求是专利事务所有限公司33200代理人林松海(51)Int.Cl.G06F17/50(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图3页(54)发明名称基于滑动窗口T-S模糊神经网络模型的铁水硅含量预测方法(57)摘要本发明公开了一种基于滑动窗口T-S模糊神经网络模型的铁水硅含量预测方法，属于工业过程监控、建模和仿真领域。首先，选取T-S模糊神经网络作为预测的基础模型；其次，在这个神经网络的基础上增加了滑动窗口模型，可以不断地更新训练样本集，以便更好的跟踪硅含量的变化趋势；然后根据实际经验和互信息计算选取了11个对铁水硅含量影响最大的参数作为模型的输入，铁水硅含量作为模型的输出；最后，将训练样本归一化后用于训练模型，将训练好的模型用于生产过程中铁水硅含量的预测。炼铁过程中高炉的时变、动态、非线性、强惯性和多尺度的特性，造成了铁水硅含量的剧烈波动并且不可预见。本发明相比于现有的发明具有更高的精度、更小的均方误差，并且可用于线上实时预测。CN106709197ACN106709197A权利要求书1/2页1.一种基于滑动窗口T-S模糊神经网络的铁水硅含量预测方法，其特征在于，步骤如下：步骤一：选取T-S模糊神经网络模型，并组合滑动窗口模型，用于硅含量的预测；步骤二：通过实际经验和互信息计算选取11个参数作为模型的输入，硅含量作为输出，所述的参数分别是顶压、炉顶温度、透气性、喷煤、富氧率、全塔压差、热风压力、热风温度、热风流量、空气湿度和前一炉硅含量；步骤三：将模型初始化后，用归一化的训练样本训练模型，将训练好的模型用于硅含量的预测；步骤一所述的T-S模糊神经网络的结构如下：T-S模糊神经网络由四层构成，分别是输入层、模糊化层、模糊规则计算层和输出层，其中输入是模糊的，而输出是确定的，这表示输出是输入的线性组合，T-S模糊神经网络的定义如下：其中是模糊子集，yi是模糊规则的计算输出；⑴模糊化层是基于概率密度函数μ，其定义如下：式中xj是输入变量，和是概率密度函数的中心和宽度，k是输入参数的维度，n是模糊子集的数量；⑵模糊规则计算层由下式构成：⑶输出层由下式计算得到：2.根据权利要求1所述的方法，其特征在于，步骤一所述的T-S模糊神经网络的学习算法如下：⑴误差计算：其中yd是实际值，yc是预测值，e是两者之差；⑵系数修正：2CN106709197A权利要求书2/2页式中是T-S模糊神经网络的系数，而α是其学习率；⑶参数修正：3.根据权利要求1所述的方法，其特征在于，步骤一所述的滑动窗口模型原理如下：滑动窗口模型是建立在一种假设上，即当前的输出依赖于当前的输入，而输入输出之间的映射规则可以通过历史数据得到，根据这个假设，预先设定一定量的训练集样本，然后不断地更新样本数据并舍弃最早的数据点，随着窗口的滑动，T-S模糊神经网络会不断更新其结构参数并给出最新的预测值。4.根据权利要求1所述的方法，其特征在于，步骤二所述的输入变量的选取过程如下：互信息是检验变量相关性的一种方法，具体步骤如下所述：式中k是一开始给定的近邻的个数，ψ是Digamma函数可以表示为：ψ(x)＝Γ(x)-1dΓ(x)/dx它服从以下迭代关系：ψ(x+1)＝ψ(x)+1/xΨ(1)＝-C,C＝0.5772156...为了得到nx和ny，需要计算样本zi和zj之间的距离di,j：di,j＝||zi-zj||:di,j1≤di,j2≤di,j3…||zi-zj||＝max{||xi-xj||,||yi-yj||}当ε(i)＝max{εx(i),εy(i)}，ε(i)/2被当作zi和k阶近邻的距离，nx(i)是到xi距离小于ε(i)/2的点的个数，ny(i)是到yi距离小于ε(i)/2的点的个数；通过现场操作工程师的实际经验建议，选取了11个变量作为模型的输入，计算它们与当前硅含量的互信息值，互信息值介于0到1，越大表示两个变量相关性越强。5.根据权利要求1所述的方法，其特征在于，步骤三所述的归一化方法如下：6.根据权利要求1所述的方法，其特征在于，模型适用于炼铁过程中高炉的时变、动态、非线性、强惯性和多尺度的特性。3CN106709197A说明书1/7页基于滑动窗口T-S模糊神经网络模型的铁水硅含量预测方法技术领域[0001]本发明属于工业过程监控、建模和仿真领域，特别涉及一种改进型EMD-Elman神经网络预测铁水硅