專利名稱：焦?fàn)t火道溫度集成建模與軟測(cè)量方法
技術(shù)領(lǐng)域：
本發(fā)明涉及焦?fàn)t火道溫度的測(cè)取方法。
背景技術(shù)：
焦?fàn)t是工業(yè)生產(chǎn)過程中的重要窯爐。焦?fàn)t生產(chǎn)的焦炭被廣泛應(yīng)用于高爐煉鐵、鑄造、電石、氣化及有色金屬冶煉等方面，是冶金、機(jī)械、化工行業(yè)的主要原料和燃料。我國煉焦煤資源豐富，煉焦生產(chǎn)規(guī)模大，煉焦產(chǎn)品比較齊全。據(jù)統(tǒng)計(jì)，我國焦炭的產(chǎn)量占世界焦炭總產(chǎn)量的35％以上，焦炭的出口量占世界焦炭總出口量的60％以上，是目前世界上最大的焦炭生產(chǎn)國和出口國。盡管焦化行業(yè)是我國工業(yè)生產(chǎn)的重要組成部分，但是我國的焦?fàn)t生產(chǎn)水平與發(fā)達(dá)國家相比尚存在較大的差距，主要表現(xiàn)在自動(dòng)化程度低、環(huán)境污染嚴(yán)重、能耗高、焦炭質(zhì)量不穩(wěn)定等方面。因此，如何提高焦?fàn)t生產(chǎn)過程自動(dòng)化水平，具有重要的經(jīng)濟(jì)效益和社會(huì)效益。
焦?fàn)t加熱過程優(yōu)化控制的基本任務(wù)是保持焦?fàn)t直行溫度的穩(wěn)定。要保持焦?fàn)t直行溫度的穩(wěn)定，需要根據(jù)當(dāng)前焦?fàn)t火道溫度來實(shí)時(shí)的調(diào)節(jié)煙道吸力和焦?fàn)t加熱用煤氣流量的大小。由于焦?fàn)t結(jié)構(gòu)與操作過程都十分復(fù)雜，屬于典型的大時(shí)滯、強(qiáng)非線性、多因素耦合、變參數(shù)的復(fù)雜工業(yè)過程，因此焦?fàn)t火道溫度很難實(shí)時(shí)、簡便的獲得。目前國內(nèi)焦?fàn)t的火道溫度主要是通過焦?fàn)t測(cè)溫工每四個(gè)小時(shí)一次的人工測(cè)溫獲得的，這種測(cè)溫方式存在以下弊端(1)測(cè)溫的周期很長，一般是每四個(gè)小時(shí)人工測(cè)溫一次，不能滿足實(shí)時(shí)控制的要求；(2)不同班次測(cè)溫工的經(jīng)驗(yàn)不同，經(jīng)常造成測(cè)溫的不準(zhǔn)確。如果采用在焦?fàn)t火道安裝熱電偶測(cè)溫的方式，由于火道溫度太高，很容易造成熱電偶損壞，會(huì)致使生產(chǎn)成本過高。
因此，如何通過焦?fàn)t生產(chǎn)過程中的可測(cè)量參數(shù)，分析其與焦?fàn)t火道溫度之間的關(guān)系，建立合理、有效的焦?fàn)t火道溫度的在線間接測(cè)量模型，達(dá)到提高焦炭質(zhì)量、降低能源消耗、減少環(huán)境污染的目標(biāo)，是提高焦化行業(yè)自動(dòng)化水平和效益，需要研究、解決的重要課題。

發(fā)明內(nèi)容
本發(fā)明提出了一種焦?fàn)t火道溫度集成建模與軟測(cè)量方法，該方法通過在蓄熱室頂部安裝測(cè)溫?zé)犭娕迹缓笸ㄟ^軟件模型在線獲得焦?fàn)t火道溫度，利用該溫度可以建立焦?fàn)t溫度自動(dòng)控制系統(tǒng)或作為焦?fàn)t火道溫度控制的參考，實(shí)時(shí)在線準(zhǔn)確測(cè)量焦?fàn)t火道溫度。
本發(fā)明焦?fàn)t火道溫度測(cè)量方法，內(nèi)容包括以下步驟(1)分析焦?fàn)t火道溫度相關(guān)因素，確定可以根據(jù)蓄頂溫度建立溫度測(cè)量模型獲得焦?fàn)t火道溫度。
(2)根據(jù)工藝分析提出了典型蓄熱室的選取原則，同時(shí)通過對(duì)典型蓄熱室頂部溫度的濾波獲得無干擾的蓄頂溫度。
(3)針對(duì)蓄頂溫度和焦?fàn)t火道溫度之間的關(guān)系，建立了兩者之間的線性回歸模型；(4)針對(duì)蓄頂溫度和焦?fàn)t火道溫度之間的非線性關(guān)系，建立了兩者之間的神經(jīng)網(wǎng)絡(luò)模型。
(5)由于對(duì)模型的集成可以提高測(cè)量的精度，本發(fā)明將線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型的輸出進(jìn)行了集成。
(6)為使模型在工況改變的情況下仍能準(zhǔn)確測(cè)量焦?fàn)t火道溫度，在線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型中加入了自適應(yīng)算法，使其能適應(yīng)工況的改變。
本發(fā)明焦?fàn)t火道溫度軟測(cè)量模型主要包含以下一些功能(1)線性回歸模型能反映蓄頂溫度和焦?fàn)t火道溫度基本線性關(guān)系，并且能實(shí)時(shí)顯示線性回歸子模型的各個(gè)參數(shù)和預(yù)測(cè)值。
(2)神經(jīng)網(wǎng)絡(luò)模型能反映蓄頂溫度和焦?fàn)t火道溫度之間不確定的非線性關(guān)系，并且能實(shí)時(shí)顯示神經(jīng)網(wǎng)絡(luò)子模型的預(yù)測(cè)值。
(3)能實(shí)時(shí)顯示焦?fàn)t火道溫度軟測(cè)量集成模型的預(yù)測(cè)值。
(4)能實(shí)時(shí)修改焦?fàn)t火道溫度測(cè)量模型中的參數(shù)。
(5)焦?fàn)t火道溫度能實(shí)時(shí)顯示，可作為人工或自動(dòng)控制參考。
利用本明的溫度測(cè)量模型，有效地解決了火道人工測(cè)溫遲滯性問題，并實(shí)現(xiàn)了實(shí)時(shí)間接測(cè)量焦?fàn)t火道溫度，達(dá)到了指導(dǎo)焦炭生產(chǎn)的目標(biāo)。


圖1本發(fā)明焦?fàn)t火道溫度測(cè)量模型框圖。
圖2本發(fā)明焦?fàn)t火道溫度和蓄頂平均溫度關(guān)系圖。
圖3本發(fā)明蓄頂溫度數(shù)據(jù)濾波前后比較圖。
圖4本發(fā)明測(cè)溫模型樣本容量選擇比較圖。
圖5本發(fā)明神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖。
圖6本發(fā)明模型樣本更新速率比較圖。
圖7本發(fā)明數(shù)據(jù)處理類流程圖。
圖8本發(fā)明線性回歸類和神經(jīng)網(wǎng)絡(luò)類執(zhí)行流程圖。
具體實(shí)施例方式
下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式
進(jìn)行詳細(xì)的說明。
首先給出焦?fàn)t火道溫度問接測(cè)量方法總體結(jié)構(gòu)框圖，如圖1所示。
根據(jù)總體結(jié)構(gòu)圖說明焦?fàn)t火道溫度間接測(cè)量方法如下本焦?fàn)t火道溫度測(cè)量模型由線性回歸模型、神經(jīng)網(wǎng)絡(luò)模型、專家學(xué)習(xí)單元和專家協(xié)調(diào)器等單元組成。首先利用線性辨識(shí)建立焦?fàn)t火道溫度和蓄頂溫度的線性回歸模型，此模型可以反映焦?fàn)t火道溫度和蓄頂溫度之間基本的線性關(guān)系，線性回歸模型的輸出記為 ；然后根據(jù)大量的樣本和神經(jīng)網(wǎng)絡(luò)建模的基本原理建立焦?fàn)t火道溫度和蓄頂溫度之間的BP神經(jīng)網(wǎng)絡(luò)模型，該模型能反映焦?fàn)t火道溫度和蓄頂溫度之間不確定的非線性關(guān)系，神經(jīng)網(wǎng)絡(luò)模型的輸出記為 ；專家協(xié)調(diào)器按照當(dāng)前蓄頂溫度和預(yù)測(cè)溫度的情況，總結(jié)專家經(jīng)驗(yàn)將兩個(gè)模型的輸出進(jìn)行組合作為最終的焦?fàn)t火道溫度測(cè)量結(jié)果 。在正常生產(chǎn)條件下，蓄頂溫度的波動(dòng)在允許的范圍內(nèi)，焦?fàn)t火道溫度測(cè)量模型的輸出也在合理的范圍內(nèi)，那么火道溫度測(cè)量模型最終的輸出值主要依賴神經(jīng)網(wǎng)絡(luò)模型的輸出；在生產(chǎn)出現(xiàn)異常，蓄頂溫度的波動(dòng)超出范圍等情況下，在進(jìn)行模型集成時(shí)，主要以估計(jì)焦?fàn)t加熱過程的總體溫度水平為主，這時(shí)采用線性回歸模型的輸出。為使模型能適應(yīng)工況的改變，在集成模型中加入了專家自適應(yīng)學(xué)習(xí)單元，根據(jù)實(shí)時(shí)采集的數(shù)據(jù)，專家學(xué)習(xí)單元實(shí)時(shí)監(jiān)督和評(píng)價(jià)智能協(xié)調(diào)單元的工作，并有效地修改智能協(xié)調(diào)規(guī)則以及兩個(gè)溫度預(yù)測(cè)模型。集成模型通過在線更新和修正，可不斷完善并進(jìn)一步提高測(cè)量精度。
具體實(shí)現(xiàn)焦?fàn)t火道溫度測(cè)量模型即焦?fàn)t火道測(cè)溫方法的步驟如下Step 1相關(guān)性分析與蓄頂溫度獲取為間接測(cè)量焦?fàn)t火道溫度，需要選取一些較為容易測(cè)量并且可以實(shí)時(shí)獲得的數(shù)據(jù)作為輸入，通過計(jì)算得到焦?fàn)t火道溫度。從焦?fàn)t生產(chǎn)工藝進(jìn)行分析，焦?fàn)t火道溫度的一些相關(guān)和影響因素主要包括煤氣流量、天氣變化、入爐煤水分、加熱制度、推焦串序、蓄頂溫度等。在這些因素中，煤氣流量的影響會(huì)間接反映在蓄頂溫度的變化上；入爐煤水分對(duì)炭化室溫度的影響在焦?fàn)t溫度優(yōu)化設(shè)定中考慮更加合理；推焦串序可以在選擇典型蓄熱室測(cè)溫時(shí)考慮。而蓄熱室作為與燃燒室緊密聯(lián)結(jié)的熱交換結(jié)構(gòu)，其頂部溫度與立火道溫度存在著不可分割的連帶關(guān)系，燃燒后的氣體在換向時(shí)快速進(jìn)入蓄熱室頂部時(shí)，其溫度能夠反映對(duì)應(yīng)燃燒室內(nèi)的立火道溫度，同時(shí)，蓄熱室在焦?fàn)t的底部，有效隔離了外部對(duì)焦?fàn)t加熱系統(tǒng)的干擾，可以保證蓄熱室頂部溫度是對(duì)直行溫度的真實(shí)反映，兩者之間的密切關(guān)系也可以從附圖2中看出。因此選擇蓄頂溫度作為火道溫度軟測(cè)量模型的輸入變量。
由于焦?fàn)t有約60個(gè)蓄熱室，如果在每個(gè)蓄熱室頂部安裝測(cè)溫?zé)犭娕紩?huì)使成本過高，因此需要根據(jù)焦?fàn)t生產(chǎn)工藝選擇典型的蓄熱室，以典型蓄熱室頂部溫度作為測(cè)溫模型的輸入?？紤]焦?fàn)t生產(chǎn)規(guī)律，確定如下的典型蓄熱室選取原則(1)熱電偶不安裝在邊火道蓄熱室；(2)典型蓄熱室對(duì)應(yīng)的炭化室和燃燒室生產(chǎn)正常，溫度具有代表性；(3)每兩個(gè)典型蓄熱室之間的推焦間隔時(shí)間大致相等；(4)安裝熱電偶的典型蓄熱室盡量不相連；(5)奇數(shù)號(hào)蓄熱室個(gè)數(shù)和偶數(shù)號(hào)蓄熱室個(gè)數(shù)盡量相同。
上述典型蓄熱室選取原則涉及到焦?fàn)t特有的推焦串序問題，下面做簡單說明假設(shè)某焦?fàn)t有55個(gè)炭化室，將成熟焦炭推出的順序是有一定間隔的，推焦串序通常表示為m-n，m代表一座焦?fàn)t所有炭化室劃分的組數(shù)(箋號(hào))，也即相鄰兩次推焦間隔的爐孔數(shù)；n代表兩趟箋號(hào)對(duì)應(yīng)炭化室相隔的數(shù)，以國內(nèi)常見的5-2推焦串序?yàn)槔平鬼樞驗(yàn)橄韧?號(hào)炭化室的焦炭，接著應(yīng)該推6號(hào)炭化室的焦炭；推完51號(hào)炭化室的焦炭，接下來應(yīng)該推3號(hào)炭化室的焦炭。根據(jù)以上定義，完整5-2推焦串序如下1號(hào)箋1，6，11，16，21，26，31，36，41，46，(51)；3號(hào)箋3，(8)，13，18，23，28，33，38，43，48，53；5號(hào)箋5，10，15，20，25，30，(35)，40，45，50，55；2號(hào)箋2，7，12，17，22，(27)，32，37，42，(47)，52；4號(hào)箋4，9，(14)，19，24，29，34，39，44，49，54。
由于焦?fàn)t的蓄熱室比炭化室多兩個(gè)，但是除去不具有代表性的兩個(gè)邊蓄熱室后，炭化室的數(shù)量和蓄熱室的數(shù)量相同，因此可以用炭化室編號(hào)代表其下的蓄熱室編號(hào)。這樣，根據(jù)本發(fā)明提出的典型蓄熱室的選取原則，在焦?fàn)t機(jī)側(cè)和焦側(cè)各安裝六個(gè)蓄頂測(cè)溫?zé)犭娕嫉那闆r下，一種選擇的方法如上述推焦串序中帶括號(hào)的蓄熱室編號(hào)，即選取的典型蓄熱室編號(hào)為8，14，27，35，47，51。
在典型蓄熱室安裝測(cè)溫?zé)犭娕己?，焦?fàn)t下層的PLC或集散控制系統(tǒng)的組態(tài)軟件可以實(shí)時(shí)獲得蓄頂溫度。需要說明的是，測(cè)量蓄頂溫度時(shí)需要測(cè)量蓄熱室中下降氣流的溫度，這是因?yàn)橄陆禋饬魇腔鸬廊紵Y(jié)束后的廢氣，這些廢氣在數(shù)秒之內(nèi)會(huì)運(yùn)動(dòng)到達(dá)蓄熱室，因此下降氣流到達(dá)蓄熱室時(shí)的溫度與氣體在火道內(nèi)燃燒時(shí)的溫度具有最大的相關(guān)性；與之相反，上升氣流到達(dá)蓄熱室是為了預(yù)熱，并沒有參與燃燒，那時(shí)的蓄頂溫度僅代表煤氣燃燒前的初始溫度，與火道燃燒時(shí)的溫度關(guān)聯(lián)不大。
從PLC或集散控制系統(tǒng)獲得的蓄頂溫度信號(hào)總是帶有大量的噪聲，需對(duì)數(shù)字信號(hào)進(jìn)行濾波，才可以作為模型的輸入數(shù)據(jù)。濾波可以克服以下缺陷(1)剔除尖峰脈沖，獲得平滑曲線；(2)剔除異常數(shù)據(jù)，提高穩(wěn)定性；(3)屏蔽設(shè)備、儀表故障對(duì)采樣的干擾，提高可靠性。
濾波的方法有很多種，最常用的有均值濾波、極值濾波、中值濾波等。不同的濾波方法可以得到不同的濾波效果，本發(fā)明將幾種方法綜合起來，原始曲線與濾波后的曲線效果對(duì)比如圖3所示。
Step 2建立線性回歸模型火道實(shí)測(cè)溫度從統(tǒng)計(jì)的角度上講屬于隨機(jī)變量，而蓄頂溫度屬于可檢測(cè)量。一般而言，討論自變量為檢測(cè)量而因變量為隨機(jī)變量的關(guān)系問題稱為回歸分析。研究因變量與多個(gè)自變量的相關(guān)關(guān)系問題，就稱為多元回歸分析。下面首先給出建立線性回歸模型的基本步驟，然后分別建立焦?fàn)t火道溫度和蓄頂溫度的多元、一元和二元線性回歸模型。
由于因變量Y是隨機(jī)變量，對(duì)于自變量x的每一個(gè)確定的值，Y都有一定的概率分布。因此，假設(shè)Y的數(shù)學(xué)期望存在，則E(Y/x)是x的函數(shù)。統(tǒng)計(jì)學(xué)上稱Y的條件期望為Y對(duì)x的回歸函數(shù)，即μ(x)＝E(Y/x)(1)以下是求解回歸問題的一般步驟。
(1)獲得試驗(yàn)數(shù)據(jù)取自變量x一組不全相同的數(shù)值x1，x2，…，xn；進(jìn)行n次獨(dú)立試驗(yàn)，得到Y(jié)的相應(yīng)觀察值y1，y2，…，yn；于是就構(gòu)成n對(duì)數(shù)據(jù)(x1，y1)，(x2，y2)，…，(xn，yn)稱之為樣本觀察值，在本項(xiàng)目中體現(xiàn)為蓄頂溫度與火道溫度數(shù)據(jù)對(duì)，n為樣本的容量。
(2)選取回歸模型將樣本觀察值在直角坐標(biāo)系中描出，得到“散點(diǎn)圖”。如果“散點(diǎn)圖”近似在一條直線上，就可以選取μ(x)＝a+bx，這時(shí)有Y＝a+bx+ε (2)
其中a和b是待估計(jì)的參數(shù)，ε是統(tǒng)計(jì)誤差，服從均值為零的正態(tài)分布，即ε～N(0，σ2)。
(3)求取回歸模型中的未知參數(shù)通常采用最小二乘法和極大似然法求取回歸模型中未知參數(shù)的估計(jì)量，得到因變量Y的方差σ2的估計(jì)量。將此估計(jì)量帶入選定的回歸函數(shù)中便得到經(jīng)驗(yàn)回歸方程。如線性回歸μ(x)＝a+bx中得到的a，b的估計(jì)值 后代入就有μ^(x)=a^+b^x...(3)]]>這就是一元線性回歸中的經(jīng)驗(yàn)回歸方程。
(4)檢驗(yàn)選定的回歸模型模型的選定是根據(jù)經(jīng)驗(yàn)得到的，為了驗(yàn)證模型成立，必須對(duì)模型進(jìn)行假設(shè)檢驗(yàn)。例如檢驗(yàn)Y與x是否有線性關(guān)系，假設(shè)H0b＝0。如果通過樣本觀察值拒絕了H0，就可認(rèn)為Y與x存在顯著的線性關(guān)系。否則Y與x的線性關(guān)系不顯著。
(5)回歸模型運(yùn)用于預(yù)測(cè)模型通過檢驗(yàn)后，可以用于實(shí)際的預(yù)測(cè)。當(dāng)白變量x取定一數(shù)值時(shí)，回歸模型就可以預(yù)測(cè)因變量Y的值。
根據(jù)線性回歸模型的原理，設(shè)因變量y與p個(gè)自變量x1，x2，…，xp之間滿足下式，則可建立多元線性回歸模型。
y=β0+β1x1+β2x2+···+βpxp+ϵϵ~N(0,σ2)..(4)]]>其中β0，β1，…，βp為多元回歸參數(shù)。
假設(shè)在焦?fàn)t的機(jī)側(cè)和焦側(cè)分別選取了六個(gè)典型蓄熱室，那么以六個(gè)蓄頂溫度為基礎(chǔ)，可以建立六元線線性回歸模型。設(shè)y為火道溫度實(shí)測(cè)值，x1，x2，…，x6為對(duì)應(yīng)時(shí)段的六支蓄頂溫度值，并對(duì)(x1，x2，…，x6，y)作n(n＞7)次試驗(yàn)，就可以得到一個(gè)容量為n的樣本和一個(gè)有限樣本模型
y1=β0+β1x11+β2x12+···+β6x16+ϵ1y2=β0+β1x21+β2x22+···+β6x26+ϵ2···yn=β0+β1xn1+β2xn2+···+β6xn6+ϵn...(5)]]>其中ε1，ε2，…，εn相互獨(dú)立且與ε同分布。可用矩陣表示上式，記Y=y1y2···yn,]]>β=β0β1···β6,]]>u=ϵ1ϵ2···ϵn]]>X=1x11···x161x21···x26············1xn1···xn6]]>則上式變?yōu)閅=Xβ+uu~Nn(0,σ2In)...(6)]]>此模型即為火道溫度六元回歸預(yù)測(cè)模型。
樣本個(gè)數(shù)的多少對(duì)預(yù)測(cè)的準(zhǔn)確度有很大的影響，樣本個(gè)數(shù)較少時(shí)，預(yù)測(cè)靈敏度高，例如n＜60時(shí)，預(yù)測(cè)值的誤差出現(xiàn)較大的振蕩；樣本個(gè)數(shù)較多時(shí)，預(yù)測(cè)比較穩(wěn)定。當(dāng)選取不同的樣本個(gè)數(shù)時(shí)，利用同樣的四組蓄頂溫度對(duì)火道溫度進(jìn)行預(yù)測(cè)，預(yù)測(cè)誤差對(duì)比如圖4所示。從圖4可以看出，當(dāng)樣本容量為90時(shí)，預(yù)測(cè)誤差可以控制在較小的范圍內(nèi)。所以模型的樣本容量取為90。
為了提高模型的可靠性，本發(fā)明還設(shè)計(jì)了基于蓄頂溫度平均值的一元線性回歸模型。如果六支蓄頂溫度檢測(cè)熱電偶出現(xiàn)部分信號(hào)中斷，或者采樣數(shù)據(jù)超出正常范圍等異常情況，六元回歸模型不能使用，此時(shí)一元回歸模型可以正常運(yùn)行。
一元回歸模型對(duì)熱電偶每分鐘采集到的蓄頂溫度進(jìn)行判斷，將其中不合格的數(shù)據(jù)剔除，對(duì)合格的蓄頂溫度數(shù)據(jù)求取平均，得到一元回歸模型中的自變量xi。然后將蓄頂溫度平均值與對(duì)應(yīng)時(shí)刻的火道溫度Yi一起構(gòu)成回歸樣本(xi，Yi)，最后利用最小二乘法求取模型參數(shù)的估計(jì)量。設(shè)(x1，Y1)，(x2，Y2)，(xn，Yn)為樣本，則Yi＝a+bxi+εii＝1，2，…，n (7)
其中，Yi表示全爐火道溫度的平均值，xi表示對(duì)應(yīng)時(shí)刻若干個(gè)蓄頂溫度的平均值，εi表示第f次試驗(yàn)中的隨機(jī)誤差。
至于在某一確定時(shí)刻到底取多少個(gè)蓄頂溫度的平均值，則要根據(jù)一定的學(xué)習(xí)規(guī)則和專家經(jīng)驗(yàn)決定。這些學(xué)習(xí)規(guī)則和經(jīng)驗(yàn)是當(dāng)任意一個(gè)或多個(gè)蓄頂溫度發(fā)生故障或異常時(shí)，重新選取歷史樣本，并屏蔽掉歷史樣本中發(fā)生故障的蓄頂溫度，在挑選后的樣本基礎(chǔ)上建立溫度預(yù)測(cè)模型。
求得一元回歸模型后即可對(duì)火道溫度進(jìn)行在線預(yù)測(cè)首先采集蓄頂溫度，將濾波后的結(jié)果作為模型的輸入計(jì)算出火道溫度。
對(duì)焦?fàn)t生產(chǎn)工藝進(jìn)行原理分析，可以發(fā)現(xiàn)奇數(shù)號(hào)蓄頂溫度和偶數(shù)號(hào)蓄頂溫度的采樣時(shí)問分別在正點(diǎn)到半點(diǎn)和半點(diǎn)到正點(diǎn)。由于時(shí)間上的間隔和氣流流動(dòng)方向的不同，奇數(shù)號(hào)蓄頂溫度和偶數(shù)號(hào)蓄頂溫度的性質(zhì)有所不同，為反映這種不同，以奇數(shù)號(hào)蓄頂溫度的平均值和偶數(shù)號(hào)蓄頂溫度的平均值做為兩個(gè)輸入，建立二元線性回歸模型。
與六元線性回歸模型類似，在所有蓄頂溫度正常的情況下，取奇數(shù)號(hào)蓄頂溫度和偶數(shù)號(hào)蓄頂溫度xi(i＝1，2)，然后與對(duì)應(yīng)時(shí)刻的火道溫度Yi一起構(gòu)成回歸樣本(xi，Yi)，利用最小二乘法求取模型參數(shù)的估計(jì)量。設(shè)(x1，Y1)，(x2，Y2)，…，(xn，Yn)為樣本，則Yi＝a+bxi+εii＝1，2(8)其中，Yi表示全爐火道溫度的平均值，xi表示對(duì)應(yīng)時(shí)刻奇數(shù)號(hào)和偶數(shù)號(hào)蓄頂溫度的平均值，εi表示第i次試驗(yàn)中的隨機(jī)誤差。
與一元回歸模型的運(yùn)行方式類似，首先采集蓄頂溫度，將濾波后的結(jié)果作為模型的輸入即可計(jì)算出火道溫度。
在分別建立焦?fàn)t火道溫度的六元、二元和一元線性回歸模型后，可以在每小時(shí)得到三個(gè)模型的輸出，此處通過規(guī)則模型將三個(gè)線性回歸模型的輸出進(jìn)行綜合，結(jié)果作為線性回歸模型的整體輸出。
記六元、二元、一元線性回歸模型的輸出分別為 和 對(duì)這三個(gè)值進(jìn)行加權(quán)組合，得到線性回歸模型預(yù)測(cè)值T^reg=αY^6+βY^2+γY^1...(9)]]>式(9)中，α+β+γ＝1，且0≤α，β，γ≤1。α，β和γ的初始值相同，通過規(guī)則改變。以一元回歸模型輸出 的預(yù)測(cè)誤差為例說明系數(shù)變化規(guī)則
Rule 1IF THEN γ＝1，α，β暫時(shí)屏蔽；Rule 2IF 最小 THEN γ(k)＝1.5γ(k-1)；Rule 3IF 最大 THEN γ(k)＝0.5γ(k-1)；系數(shù)和預(yù)測(cè)值有效性檢查規(guī)則包括Rule 4IFY^1<Ymin]]>orY^1>Ymax]]>THEN γ＝0；Rule 5IF α，β，γ值改變THEN α，β，γ之和歸一化。
其中Ymin和Ymax。通過統(tǒng)計(jì)數(shù)據(jù)得到，正常生產(chǎn)情況下，Ymin＝1204，Ymax＝1373。
Step 3建立神經(jīng)網(wǎng)絡(luò)模型蓄頂溫度和焦?fàn)t火道溫度之間主要是線性關(guān)系，但是由于焦?fàn)t生產(chǎn)過程中干擾嚴(yán)重，兩者之間存在一定程度的非線性關(guān)系，這種非線性關(guān)系無法用線性回歸模型表達(dá)，必須建立兩者之間的非線性模型。神經(jīng)網(wǎng)絡(luò)正是這樣一種能滿足建立兩個(gè)變量間非線性映射關(guān)系的模型。
神經(jīng)網(wǎng)絡(luò)模擬人的大腦工作機(jī)理，由一個(gè)個(gè)相互聯(lián)結(jié)的人工神經(jīng)元構(gòu)成，所以人工神經(jīng)元的工作原理和性能成為神經(jīng)網(wǎng)絡(luò)品質(zhì)和功能的基礎(chǔ)。人工神經(jīng)元是對(duì)生物神經(jīng)元的簡化和模擬，是神經(jīng)網(wǎng)絡(luò)的基本處理單元。各個(gè)人工神經(jīng)元的聯(lián)結(jié)形式和相互間的連結(jié)權(quán)重組成了神經(jīng)網(wǎng)絡(luò)模型的主要部分。圖5(a)是人工神經(jīng)元模型及其示意圖，它描述了一個(gè)多輸入、單輸出的非線性元件，主要由以下幾部分組成權(quán)重wj，激活函數(shù)f(·)和偏置b。
輸出y對(duì)輸入xj的函數(shù)如式(10)所示，其中f(·)為激活函數(shù)。激活函數(shù)有多種，通常是sigmoid函數(shù)，如式(11)所示，其中a為決定函數(shù)曲率的常數(shù)。它是可微分的嚴(yán)格的遞增函數(shù)，其值域?yàn)?br> 。
yk=f(Σj=1nwjxj+b)...(10)]]>f(u)=11+exp(-au)...(11)]]>按照不同的方法，神經(jīng)網(wǎng)絡(luò)可以分為有師學(xué)習(xí)的網(wǎng)絡(luò)和無師學(xué)習(xí)的網(wǎng)絡(luò)。在工程上廣泛運(yùn)用的網(wǎng)絡(luò)，按照學(xué)習(xí)算法分，有BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)等。另外按照網(wǎng)絡(luò)連接的不同方式，可以分為前向神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織神經(jīng)網(wǎng)絡(luò)。前向神經(jīng)網(wǎng)絡(luò)得到了廣泛地應(yīng)用，它的各個(gè)神經(jīng)元接受前一級(jí)的輸入，并輸出到下一級(jí)，網(wǎng)絡(luò)中沒有反饋，可以用一個(gè)有向無環(huán)路圖表示。圖5(b)是前向神經(jīng)網(wǎng)絡(luò)的通用模型。
為了對(duì)焦?fàn)t進(jìn)行系統(tǒng)辨識(shí)，必須采用有師網(wǎng)絡(luò)，對(duì)大量樣本進(jìn)行學(xué)習(xí)。有師網(wǎng)絡(luò)學(xué)習(xí)后，系統(tǒng)模式特性將會(huì)存儲(chǔ)在網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值和閾值當(dāng)中。
BP神經(jīng)網(wǎng)絡(luò)是一種基于梯度下降法而使誤差反向傳播(Back-propagation)的網(wǎng)絡(luò)，通常情況下具有多層結(jié)構(gòu)，包括輸入層、輸出層和隱含層。雖然也可以有多個(gè)隱含層，但應(yīng)用在工業(yè)上的絕大數(shù)BP網(wǎng)絡(luò)均只含有一個(gè)隱含層，如果選取恰當(dāng)個(gè)數(shù)的隱含層神經(jīng)元個(gè)數(shù)，一個(gè)隱含層已足以對(duì)非線性對(duì)象進(jìn)行逼近，所以這里采用含有一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)建立焦?fàn)t火道溫度的神經(jīng)網(wǎng)絡(luò)模型。
分別建立焦?fàn)t機(jī)側(cè)和焦側(cè)的BP神經(jīng)網(wǎng)絡(luò)模型。機(jī)側(cè)神經(jīng)網(wǎng)絡(luò)的輸入取六個(gè)蓄頂溫度，輸出為機(jī)側(cè)火道溫度，焦側(cè)神經(jīng)網(wǎng)絡(luò)模型與此類似。將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用在焦?fàn)t火道溫度測(cè)量上，關(guān)鍵是確定隱含層神經(jīng)元個(gè)數(shù)。隱含層神經(jīng)元個(gè)數(shù)采用如下經(jīng)驗(yàn)公式確定h=p+q+a...(12)]]>式(12)中，p為輸入神經(jīng)元個(gè)數(shù)，q為輸出神經(jīng)元個(gè)數(shù)，a為常數(shù)，通常取1～10。h為隱含層神經(jīng)元個(gè)數(shù)。根據(jù)此經(jīng)驗(yàn)公式，隱層神經(jīng)元個(gè)數(shù)取為12個(gè)。
通過上述步驟，成功建立了焦?fàn)t機(jī)側(cè)和焦側(cè)火道溫度神經(jīng)網(wǎng)絡(luò)測(cè)量模型，模型的訓(xùn)練樣本與線性回歸模型的樣本相同，均為根據(jù)統(tǒng)計(jì)規(guī)律選取的90組樣本，在模型初始化時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，預(yù)測(cè)的時(shí)刻只需將蓄頂溫度輸入，即可得到實(shí)時(shí)的焦?fàn)t火道溫度。
Step 4線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型集成前文分別闡述了線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型的建立方法，根據(jù)組合預(yù)測(cè)可以提高精度的原理，本發(fā)明對(duì)這兩類模型進(jìn)行了集成。集成后這兩類模型將成為最終焦?fàn)t火道溫度測(cè)量模型的子模型。對(duì)多模型集成有多種方法，例如并聯(lián)補(bǔ)集成，加權(quán)并集成，串聯(lián)集成，模型嵌套集成，結(jié)構(gòu)網(wǎng)絡(luò)化集成和部分方法替代集成等。綜合考慮這些模型集成策略并加入學(xué)習(xí)及輸出協(xié)調(diào)機(jī)制，最后得到的集成模型如圖1所示。
圖1中，專家協(xié)調(diào)器用于協(xié)調(diào)線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型的輸出，并決定兩種模型何時(shí)進(jìn)入學(xué)習(xí)狀態(tài)；專家學(xué)習(xí)單元實(shí)時(shí)監(jiān)督和評(píng)價(jià)智能協(xié)調(diào)單元的工作，并有效地修改專家協(xié)調(diào)規(guī)則以及兩個(gè)溫度預(yù)測(cè)模型。集成模型通過在線更新和修正，可不斷完善并進(jìn)一步提高預(yù)測(cè)精度。
下面給出本軟測(cè)量模型輸出的優(yōu)化集成策略。假設(shè)ymi是第i種軟測(cè)量模型的預(yù)測(cè)值；ai是ymi的模糊系數(shù)；y是集成模型的輸出值。
y=Σi=12aiymi...(13)]]>集成模型輸出優(yōu)化規(guī)則如式(13)所描述min:E=12Σi=1N(yi-yr)2...(14)]]>其中，yr代表集成模型對(duì)第i組數(shù)據(jù)的輸出值；yr代表第i組數(shù)據(jù)中待檢測(cè)變量的真實(shí)值，通常情況下未知，用實(shí)際測(cè)溫值代替；E是誤差平方和，N是選取的樣本容量。模型集成就是要尋求方法以實(shí)現(xiàn)模型的最終輸出逼近待檢測(cè)變量的真實(shí)值。具體方法為針對(duì)子模型選取合適的樣本，對(duì)其輸入輸出進(jìn)行測(cè)試，求出最佳的模糊系數(shù)ai，使得軟測(cè)量的輸出的誤差E最小。令∂E∂ai=0,(i=1,2)...(15)]]>根據(jù)式(15)可求得最佳的模糊系數(shù)估計(jì)值。
Step 5模型自適應(yīng)算法雖然基于樣本的離線模型可以對(duì)火道溫度進(jìn)行準(zhǔn)確預(yù)測(cè)，但是隨著運(yùn)行時(shí)間增長，焦?fàn)t性能變化、工況偏移等原因造成離線模型預(yù)測(cè)產(chǎn)生較大的偏差，為了解決這個(gè)問題，本發(fā)明在焦?fàn)t火道溫度測(cè)量模型中加入了自適應(yīng)算法。自適應(yīng)算法主要解決以下問題(1)如何獲得更新的樣本；(2)如何判斷新樣本是否合格；(3)模型自學(xué)習(xí)前需要接納多少個(gè)新樣本，即自適應(yīng)學(xué)習(xí)的速率；(4)得到新樣本以后，如何更新過時(shí)的樣本集。
由于焦?fàn)t測(cè)溫工每四小時(shí)會(huì)測(cè)量一次焦?fàn)t火道溫度，加上對(duì)應(yīng)時(shí)刻的蓄頂溫度，就構(gòu)成了溫度測(cè)量模型自適應(yīng)學(xué)習(xí)的新樣本。模型獲得新樣本之后并不立即用于更新樣本集，而是通過合格性判斷后才用于更新樣本集。對(duì)新樣本的合格性判斷用以下標(biāo)準(zhǔn)(1)數(shù)據(jù)基本范圍判斷；(2)數(shù)據(jù)斜率判斷，即數(shù)據(jù)相鄰兩次測(cè)量的溫度變化在一個(gè)范圍之內(nèi)，根據(jù)多次試驗(yàn)，此數(shù)據(jù)設(shè)為30℃。
為了確定樣本集自適應(yīng)的學(xué)習(xí)速率，將學(xué)習(xí)速率分別取為10、6、3、2、1時(shí)對(duì)6組相同的數(shù)據(jù)進(jìn)行預(yù)測(cè)，求得誤差對(duì)比圖如圖6所示。分析圖6發(fā)現(xiàn)，自適應(yīng)學(xué)習(xí)速率對(duì)模型預(yù)測(cè)影響很大。當(dāng)自適應(yīng)學(xué)習(xí)速率比較大時(shí)，樣本集更新的速度很慢，對(duì)穩(wěn)定的火道溫度預(yù)測(cè)非常有利，但是缺乏靈敏性，難以跟蹤焦?fàn)t工況驟然變化時(shí)的趨勢(shì)，例如因下雨導(dǎo)致焦?fàn)t驟然降溫。當(dāng)自適應(yīng)學(xué)習(xí)速率比較小時(shí)，樣本集更新頻繁，可能會(huì)削弱火道溫度的穩(wěn)定性，嚴(yán)重時(shí)造成預(yù)測(cè)誤差正負(fù)振蕩。所以自適應(yīng)學(xué)習(xí)速率的選擇要綜合考慮。由于樣本集的大小也對(duì)火道溫度預(yù)測(cè)的穩(wěn)定性有類似的影響，當(dāng)樣本集的容量比較大時(shí)，才可以選擇較小的學(xué)習(xí)速率。通過大量數(shù)據(jù)分析，可以將樣本集容量定為90，自適應(yīng)學(xué)習(xí)速率取為1，這時(shí)預(yù)測(cè)誤差可以達(dá)到最小。
根據(jù)上述模型學(xué)習(xí)策略，當(dāng)達(dá)到模型學(xué)習(xí)條件時(shí)，線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型分別利用更新后的樣本集重新擬合各參數(shù)，并且同時(shí)將此過程保存在文件中，以備查詢。等下一次有蓄頂溫度輸入時(shí)，測(cè)溫模型按照更新后的參數(shù)計(jì)算，保證模型能在工藝改變的情況下仍準(zhǔn)確測(cè)溫。
下面給出焦?fàn)t火道溫度測(cè)量模型的編程實(shí)現(xiàn)方法。
本發(fā)明提出的焦?fàn)t火道溫度測(cè)量模型在Visual C++6.0編程環(huán)境下編寫完成，通過OPC技術(shù)與下層的組態(tài)軟件完成數(shù)據(jù)交換。
為保證焦?fàn)t火道測(cè)溫模型簡單易用，本發(fā)明采用面向?qū)ο蟪绦蛟O(shè)計(jì)思路對(duì)模型進(jìn)行了封裝，設(shè)計(jì)思想如下在主程序框架中實(shí)現(xiàn)一個(gè)模型類的實(shí)例對(duì)象，該實(shí)例對(duì)象可以從程序的全局成員變量中任意讀取數(shù)據(jù)，并且在適當(dāng)?shù)臅r(shí)刻修改作為全局成員變量的預(yù)測(cè)值，該對(duì)象除此之外沒有與主程序之間的任何成員變量的接口，以避免調(diào)試過程中的混亂賦值操作。全局成員變量設(shè)定為所有可以讀寫的OPC數(shù)據(jù)，這樣通過OPC接口可以容易的實(shí)現(xiàn)模型與組態(tài)軟件的數(shù)據(jù)交換。
按照上述設(shè)計(jì)思想，將軟測(cè)量模型分為三個(gè)類(class)進(jìn)行編寫數(shù)據(jù)處理類CData實(shí)現(xiàn)數(shù)據(jù)處理操作，具體包括何時(shí)讀取蓄頂溫度數(shù)據(jù)，如何根據(jù)換向標(biāo)志將不同的蓄頂溫度填充到數(shù)組的各位，如何對(duì)蓄頂數(shù)據(jù)濾波，如何進(jìn)行樣本溫度的管理和樣本的更新等，以及如何將模型預(yù)測(cè)值組合并修改預(yù)測(cè)溫度全局變量；線性回歸類CRegress完成線性回歸模型的實(shí)現(xiàn)，其中應(yīng)該包含線性回歸模型的擬合，一元、二元和六元線性回歸模型的實(shí)現(xiàn)等操作；神經(jīng)網(wǎng)絡(luò)類CNNT完成神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)，其中應(yīng)該包括神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，預(yù)測(cè)值的實(shí)時(shí)保存等。
在主程序中設(shè)置定時(shí)器，由CData完成數(shù)據(jù)初步處理和讀寫操作，在模型預(yù)測(cè)時(shí)刻調(diào)用線性回歸類CRegress和神經(jīng)網(wǎng)絡(luò)類CNNT的實(shí)例，輸出兩類模型的預(yù)測(cè)值，并且在有新樣本輸入的情況下執(zhí)行模型自適應(yīng)算法。其流程如圖7所示。
線性回歸類CRegress和神經(jīng)網(wǎng)絡(luò)類CNNT的執(zhí)行步驟基本相同，均在程序啟動(dòng)時(shí)初始化線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型，根據(jù)定時(shí)器的設(shè)置，在適當(dāng)?shù)臅r(shí)刻給出模型預(yù)測(cè)值，并且由數(shù)據(jù)處理類CData控制模型的自適應(yīng)算法是否執(zhí)行，兩個(gè)類的執(zhí)行步驟基本相同，流程圖如圖8所示。
下面給出焦?fàn)t火道溫度測(cè)量方法的具體實(shí)施方法。
利用本發(fā)明提出的焦?fàn)t火道溫度測(cè)量方法，在湖南某鋼鐵有限公司焦化廠建立了“漣鋼2#焦?fàn)t加熱燃燒過程智能控制系統(tǒng)”，并在1#焦?fàn)t投產(chǎn)后建立了“漣鋼1#焦?fàn)t加熱燃燒過程智能控制系統(tǒng)”。該智能控制系統(tǒng)中的焦?fàn)t火道溫度測(cè)量模型的主要功能包括(1)焦?fàn)t火道溫度在線測(cè)量控制程序啟動(dòng)后，焦?fàn)t火道溫度測(cè)量模型自動(dòng)運(yùn)行。模型根據(jù)設(shè)定的數(shù)據(jù)采集時(shí)刻自動(dòng)獲取焦?fàn)t火道溫度，對(duì)溫度進(jìn)行濾波后用模型進(jìn)行運(yùn)算，最終得到當(dāng)前的焦?fàn)t火道溫度。焦?fàn)t優(yōu)化控制系統(tǒng)可以根據(jù)此溫度更改煤氣流量和煙道吸力，實(shí)現(xiàn)焦?fàn)t溫度的自動(dòng)控制。
(2)模型參數(shù)實(shí)時(shí)顯示本發(fā)明建立的焦?fàn)t火道溫度線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型具有眾多的參數(shù)，為保證模型運(yùn)行的正確性，在界面上實(shí)時(shí)顯示模型中各個(gè)參數(shù)，保證專家和操作人員可以實(shí)時(shí)檢查模型運(yùn)行情況，保證模型準(zhǔn)確檢測(cè)焦?fàn)t火道溫度。
(3)模型參數(shù)在線修改針對(duì)工業(yè)現(xiàn)場(chǎng)設(shè)備復(fù)雜，干擾多的特點(diǎn)，對(duì)模型中一些參數(shù)設(shè)置了人工修改功能。專家在確認(rèn)模型中某些參數(shù)不適合當(dāng)前工況的情況下，可以對(duì)模型做出修改，確認(rèn)后模型將按照修改后的參數(shù)運(yùn)行。
基于本發(fā)明建立的焦?fàn)t加熱燃燒過程控制系統(tǒng)，已經(jīng)在湖南某鋼鐵有限公司焦化廠的1#和2#焦?fàn)t智能控制系統(tǒng)中成功應(yīng)用，實(shí)現(xiàn)了焦?fàn)t火道溫度的自動(dòng)測(cè)量和控制，降低了焦?fàn)t生產(chǎn)成本，保證了煤炭質(zhì)量，減少了環(huán)境污染，提高了企業(yè)自動(dòng)化程度，取得了顯著的經(jīng)濟(jì)效益和社會(huì)效益。
權(quán)利要求
1.一種焦?fàn)t火道溫度集成建模與軟測(cè)量方法，其特征在于包括以下步驟先建立焦?fàn)t火道溫度與蓄頂溫度之間的線性回歸模型，分別構(gòu)建反映焦?fàn)t全爐平均溫度的一元線性回歸模型，反映焦?fàn)t奇數(shù)號(hào)和偶數(shù)號(hào)火道平均溫度特性的二元線性回歸模型以及反映各個(gè)典型火道溫度特性的六元線性回歸模型；將實(shí)時(shí)數(shù)據(jù)濾波和篩選后，得到樣本值x，與相應(yīng)的觀測(cè)值y，二者構(gòu)成樣本對(duì)(x，y)，采用最小二乘法和極大似然法求取回歸模型中未知參數(shù)的估計(jì)量，得到因變量Y的方差σ2的估計(jì)量，將此估計(jì)量帶入選定的回歸函數(shù)中便得到經(jīng)驗(yàn)回歸方程，線性回歸Y(x)＝a+bx中得到的a，b的估計(jì)值 后代入，得一元線性回歸中的經(jīng)驗(yàn)回歸方程Y^1(x)=a^+b^x;]]>同樣方法得到多元線性回歸經(jīng)驗(yàn)回歸方程Y^(x)=β0+β1x1+β2x2+···+βpxp,]]>當(dāng)p＝2和p＝6時(shí)，分別對(duì)應(yīng)二元和六元線性回歸中的經(jīng)驗(yàn)回歸方程，以此為基礎(chǔ)可得六元、二元、一元線性回歸模型的輸出 將三者按下式進(jìn)行加權(quán)組合T^reg=αY^6+βY^2+γY^1]]>式中，α+β+γ＝1，且0≤α，β，γ≤1，α，β和γ的初始值相同，通過規(guī)則改變，其中一元回歸模型輸出 的預(yù)測(cè)誤差系數(shù)變化規(guī)則是Rule1IF THEN γ＝1，α，β暫時(shí)屏蔽；Rule2IF THEN γ(k)＝1.5γ(k-1)；Rule3IF THEN γ(k)＝0.5γ(k-1)；系數(shù)和預(yù)測(cè)值有效性檢查規(guī)則包括Rule4IFY^1<YminorY^1>Ymax]]>THEN γ＝0；Rule5IF α，β，γ值改變 THEN α，β，γ之和歸一化。其中Ymin和Ymax通過統(tǒng)計(jì)數(shù)據(jù)得到，正常生產(chǎn)時(shí)Ymin＝1204，Ymax＝1373，得到線性回歸模型的預(yù)測(cè)值；焦?fàn)t火道溫度與蓄頂溫度之間的非線性關(guān)系同時(shí)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行描述，根據(jù)蓄頂溫度，由神經(jīng)網(wǎng)絡(luò)模型得到實(shí)時(shí)的焦?fàn)t火道溫度的預(yù)測(cè)值；采用專家協(xié)調(diào)器對(duì)回歸模型的輸出和神經(jīng)網(wǎng)絡(luò)模型的輸出進(jìn)行集成，得到焦?fàn)t火道溫度。
2.根據(jù)權(quán)利要求1所述的焦?fàn)t火道溫度測(cè)量方法，其特征在于所述的神經(jīng)網(wǎng)絡(luò)模型為基于梯度下降法而使誤差反向傳播的BP神經(jīng)網(wǎng)絡(luò)，輸入神經(jīng)元的個(gè)數(shù)為6，分別對(duì)應(yīng)6個(gè)典型蓄熱室在特定時(shí)刻的輸出，輸出神經(jīng)元的個(gè)數(shù)為1，對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)模型在特定時(shí)刻輸出的預(yù)測(cè)值，其中激活函數(shù)為sigmoid函數(shù)，隱含層神經(jīng)元個(gè)數(shù)采用如下經(jīng)驗(yàn)公式確定h=p+q+a]]>式中，p為輸入神經(jīng)元個(gè)數(shù)，q為輸出神經(jīng)元個(gè)數(shù)，a為常數(shù)，通常取1～10，h為隱含層神經(jīng)元個(gè)數(shù)，根據(jù)此經(jīng)驗(yàn)公式，隱層神經(jīng)元個(gè)數(shù)取為12個(gè)。
3.根據(jù)權(quán)利要求1所述的焦?fàn)t火道溫度測(cè)量方法，其特征在于所述的專家協(xié)調(diào)器核心優(yōu)化集成策略是假設(shè)ymi是第i種軟測(cè)量模型的預(yù)測(cè)值；ai是ymi的模糊系數(shù)，有y=Σi=1Taiym]]>在本軟測(cè)量模型中，T＝2，a1為線性回歸模型的模糊系數(shù)，ym1對(duì)應(yīng)于線性回歸模型的預(yù)測(cè)輸出；a2為神經(jīng)網(wǎng)絡(luò)模型的模糊系數(shù)，ym2對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)輸出，y是集成模型的輸出值；集成模型輸出優(yōu)化規(guī)則如下式所描述min:E=12Σi=1N(yi-yr)2]]>其中，yi代表集成模型對(duì)第i組數(shù)據(jù)的輸出值；yr代表第i組數(shù)據(jù)中待檢測(cè)變量的真實(shí)值，用實(shí)際測(cè)溫值代替；E是誤差平方和，N是選取的樣本容量，具體方法為針對(duì)子模型選取合適的樣本，對(duì)輸入輸出進(jìn)行測(cè)試，求出最佳的模糊系數(shù)ai，使得軟測(cè)量的輸出的誤差E最小，令∂E∂ai=0(i=1,2)]]>根據(jù)上式求得最佳的模糊系數(shù)估計(jì)值。
全文摘要
一種焦?fàn)t火道溫度集成建模與軟測(cè)量方法，本發(fā)明建立了基于線性回歸和神經(jīng)網(wǎng)絡(luò)的集成測(cè)量模型。針對(duì)人工測(cè)量焦?fàn)t火道溫度的遲滯性問題，本發(fā)明在分析焦?fàn)t生產(chǎn)工藝和火道溫度相關(guān)因素后，選取有代表性的蓄熱室作為測(cè)溫點(diǎn)，間接實(shí)時(shí)測(cè)量焦?fàn)t火道溫度。本發(fā)明針對(duì)兩者的線性關(guān)系和非線性關(guān)系，分別構(gòu)建了線性回歸模型和神經(jīng)網(wǎng)絡(luò)模型。在此基礎(chǔ)上，采用專家規(guī)則，建立了焦?fàn)t火道溫度的集成測(cè)量模型。并在模型中融入了自適應(yīng)算法。利用該模型，有效的解決了火道人工測(cè)溫遲滯性問題，并實(shí)現(xiàn)了實(shí)時(shí)間接測(cè)量焦?fàn)t火道溫度，達(dá)到了指導(dǎo)焦炭生產(chǎn)的目標(biāo)。
文檔編號(hào)G01K13/00GK101067828SQ20071003510
公開日2007年11月7日 申請(qǐng)日期2007年6月12日 優(yōu)先權(quán)日2007年6月12日
發(fā)明者吳敏, 曹衛(wèi)華, 雷琪, 劉建群, 禹冬明, 侯少云, 陳泰任 申請(qǐng)人:中南大學(xué)