基于神经网络的智能算法在焦炭质量预测中的应用.doc

硕士研究生：黄永辉指导教师学科、专业：控制理论与控制工程沈阳理工大学 学位级别年月 篗，： 沈阳理工大学硕士学位论文原创性声明学位论文版权使用授权书学位论文作者签名：丧承律期：期：篒 接着介绍了基于多元回归分析焦炭质量预测模型的建立过程。其中以挥发分 瓵，日。疍， 籑籖 目录甉神经网络算法的前馈网络模型神经网络学习算法 算法的程序实现算法的缺点与困难基于遗传算法优化的网络的算法设计 电石产量同比增长。年，我国全年焦炭生产总量比年产焦总量 国内外炼焦的发展现状 与其它生产能力大小相同的焦炉相比，捣固焦炉的炭化室的体积或孔数减少，但单机服务孔数却增加到。总体而言，捣固焦炉与顶装焦炉的总投资基本相同。而且捣固技术相对而言可以更多的配入在炼焦过程中几乎不使用的其它煤种，比如碳化程度高或挥发分高的贫煤，依此同时增加了焦粉、石油焦的配入量，相应地减少了优质焦煤的使用量，故降低了购买原煤的费用，直接降低了生产合格焦炭的成本。随着采用捣固技术生产的焦炭质量的提高，同时可以上调售价，而在炼焦工程中的其操作费用与顶装煤相当，因而焦化公司可以获取更多的利润。 装置属于最新一代。此工艺是基于以焦炉烟道废气作为热源，温度在度 维修费用大大降低。研制节能焦炉。在现代室式焦炉炼焦时，在焦化周期内从炭化室传过来的热流量是变化的，所以恒温加热焦炉是不可行的。当程序叫热，加热的不合理性得到了改善。程序加热过程中，根据煤焦化过程的热量变化，制定供应气体流量。这样节省相当部分的热量。所以，该技术在焦化工作中的应用是非常有吸引力的，尤其是在焦炉的第一代焦炉，焦炉大修，有利于该技术的介绍。焦炭质量预测的研究现状 要来自于焦炭。 升高配煤中的挥发分，焦炭裂纹就会增多，焦炭强度会降低，特别是心。，配煤中 夏皮洛法 本论文的研究内容和意义 上进行系统仿真并对仿真结果做出进一步的分析，得出结论。 沈阿恚甀：人学硕十学位论文随着国内外炼铁行业对焦炭质量要求的越来越高，如何建立焦炭质量预测模很多中小型焦化企业直接根据配合煤中硫分、灰分的含量，用加和性方法来估算焦炭的硫分和灰分，这样只能粗略地估计到焦炭中的硫分和灰分的含量。因为焦炉结焦时间和配合煤挥发分等因素会对煤的结焦率产生影响。国内外研究者提出预测出满足要求的焦炭，从而为炼焦技术水平的提高提供依据。多元线性回归分析的原理夕包式中，、包、吃为回归系数。即、包应使回归估计值歹 鼍。苹虻系统模型的建立再利用多元回归原理，经过整理得到： 纨弛一户弛闩岛黾厶弛芦玩弛芦得到焦炭机械强度指标！：蚆。的模型公式如下：表焦炉数据和焦炭机械强度指标 第禄诙嘣M焦炭质量预测模型 沈阡硪：人学硕士学位论文其中，瑉琒。为了检验搿搿、疍和面间存在较好的线性关系。一一 实际值本章小结 也越来越多，并在一段时期内，研究者对以何种学习规则来训练网络并没有找到 表示。以下是输入层、隐含层及输出层之间信号的具体关系。对于输出层，有， 八熹式。建立数学模型公式的三层前馈神经网络。神经网络学习算法下面以三层前馈网络为例来介绍网络学习算法口。再进一步展开至输入层，有 对输出层与隐含层分别定义一个误差信号，令为对式的综合应用，可以得到权值调整式，为 掣一瓦一考盖一钞峨，下面求式中网络误差对各层输出的偏导【】。对于输出层，由式，得对于隐含层，由式，得彰气海，按照以上逐层类推规律，则所得第一隐含层权值调整计算公式为 簅， 图标准算法流程 目前，权值调整的方法有两种。从上述编程步骤中可以了解到，在标准即算法中，每次从输入层输入一个数据样本，都有误差回传回来并对网络的权值做出相应的调整，这种对每个输入样本都进行轮训的权值调整方法称为单样本训练。这种训练只进行调整每个样本所产生的误差，从而增加了整个训练次数，这样就会引起收敛速度太慢。啤群一而保证总误差减小。在样本数较多时，相对于单样本训练，批训练的收敛速度更樟菜俣嚷。 练过程中就会发生振荡乃至发散现象】，所以需设学习率为较小的正数。但值得同样注意的是，如果学习率参数叼设得过小时，就会导致其它值过小，反之又会影响权值阈值的更新迭代速度。此外，激励函数导数的大小也会影响到收敛的速度：当网络落在误差函数较为平坦的区域时，再加上神经元激励函数的导数变小，这样就会减慢权值与阈值的更新速率，增加迭代次数，因此会耗费更多的学习收缃峁鼓岩匀范】良现象例。 度和提高了权值精度。在上世纪年代末到年代初，由拍睢趝中，淌谙晗傅亟彩隽艘糯惴姆椒奥劾怼，并同时提出了对后来遗这两大特点可以使其通过检测少量的结够反映出大量的搜索空间区域，而遗传算 第四步：按照一定的交叉概率和交叉方法，生成新的个体；第五步：按照一定的变异概率和变异方法，生成新的个体；第六步：由交叉和变异产生新一代的种群，返回到第二步。种群中个体的最大适应度超过预先设定值；种群中个体的平均适应度超过预先设定值；世代数超过预先设定值。以上操作步骤可用图来表示。 遗传算法的一般流程图基于遗传算法优化的网络的算法设计由于网络具有易陷入局部极小值、网络结构难以确定、收敛速度比较慢等缺点，而遗传算法具有全局寻优的良好性能，可以在非线性、不可微、复杂的空间进行全局搜索，能够有效地改善网络的上述缺点。所以本章选择遗传算法来优化网络的权值和阈值，从而克服神经网络在焦炭质量预测方法存在的不足，提高其对焦炭质量预测的精度。权值的取值范围在祝尽！，由计算精度可以确定磊的串长为镌，即 去艘式中，硎就缡涑鼋诘闶浔硎就缰械趂个节点的期望输出，咒表示网络进行种群个体的交叉操作。系统仿真及分析 采用驼泻齮魑J淙氩愕绞涑霾愕募捎枚允齦函数 珿；至亏善卜澎训练误差曲线，总迭代误差，从图中可以看出神经网络训练的速度非常快，网络训练 次 之后，就完成了训练。再把另外组测试数据代入上述用组数据训练好的焦炭质量预测模型中，如图，和所示。其中，图表示焦炭质量性能指标托。的仿真结的仿真结果，图表示焦炭质量性能指标的相对误差在之间；的相对误差在 之间。神经网络焦炭质量预测模型的预测的 图优化的网络预测焦炭的仿真图 第禄贕呕腞神经网络焦炭质量预测引言易陷入局部极小点；算法收敛速度慢； 缈猉，尸式中，硎痉窍咝曰琗表示输入空间的点，表示训练数据点，也是基也可以用向量形式表示，即 第禄贕呕腞神经网络焦炭质量预测蚧疪网络的原理及特点表示输出权矩阵，其中，歹，琍，七，琙，表示第个隐含层节点与第七个输出层节点之间的突触权值；】，咒，乃表示网络输出向量；线 性激活函数作为输出层神经元。的数据中心是样品本身，只需要考虑扩展常数与输出节点的权值。娇煞中缘腃定理 占嘤闵希绻诟肕维占浯嬖贛维向量形，使得方法为：设一个隐含层，令隐节点的激活函数为，令输入节点数小于隐节 七琍，琍；，更新各类的聚类中心。可采用两种调整方法：令表示第焊鼍劾嘤颍琈表示第个聚类域中的样本数，则另一种常用方法是采用竞争学习规则调整数据中心，则第步中啦猚扩展常数取 第禄贕呕腞神经网络焦炭质量预测含层输出矩阵为若形，】是拇涑鋈担騌网络输出向量为令教师信号扔谕缡涑鱿蛄浚蛐慰捎妹娴奈泵求出形：面式中，硎狙盗费臼罕硎臼淙氲趂个样本时的误差信号，即唬五弧苢为了达到最小化目标函数的目的，负梯度应与各参数修正量成正比，经推导在这个过程中产生的瞬时值也可以作为目标函数，即当前输入样本所引起的误差 根据输出是否参与聚类过程，一般可以分为以下两类：一种是输入聚类 第禄贕呕腞神经网络焦炭质量预测面两个阶段。第一阶段是确定合适的数据中心，采用聚类算法；第二阶段为监督学习阶段，这个阶段通常采用有监督学习算法。如简捷的伪量化误差进行优化，即极小化。为了使此上届与输出误差任意小，可通过减小上遗传算法图所示为遗传算法的基本流程图 个染色体，例如就可以表示一个染色体，该个体染色体的长度是刀。 第禄贕呕腞神经网络焦炭质量预测曲八曲在交叉操作中，单切点、双切点交叉会经常使用到，也是使用次数最多的。这里，父代染色体为露和罡，子代染色体为和。图是一个具体的数 对于选定的两个染色体墨和昱，随机选取两个切点，并分别交换两个切点间暑頸图是一个具体的实例。 在种群中，变异是按照变异概率己在基因中任意选取若干个基因位，并改变 第禄贕呕腞神经网络焦炭质量预测选择概率确定后，以下是实现选择操作，方法为旋轮法。令 网络的基宽向量和网络权值的误差性能函数俊蛭;赗网络预测模型的作为适应度函数厂来评价选取参数的优劣；即 第禄贕呕腞神经网络焦炭质量预测系统仿真与分析 优化的网络相对误差的预测在憾杂贑而言，其相对误差的预算法优化的网络焦炭质量预测模型的预测性能要好，精度更高。 缭饨固磕湍慷萂。的结果图 爨缭饨固糠从笄慷菴的结果图 第禄贕呕腞神经网络焦炭质量预测首先介绍了径向基神经网络的原理和学习算法及其相关的内容，介绍了遗传算法比前二种预测方法高，因此可以有效地提高焦炭质量预测的精度，并且易于在焦 韭畚氖紫纫咱伲、疍及眨为自变量，采用传统算法，即多 神经网络焦炭质量预测的模型，并得到遗传算法优化的神经网络抗碎强度向基网络原理与学习算法：包括正则化缭碛胙八惴阋錜网络 参考文献】周师庸，周淑仪烟煤容纳惰性物质能力督够