基于集成模型与遍历搜索算法的铅锌烧结透气性优化

以铅锌烧结过程为研究对象,针对烧结过程透气性的控制问题,提出了基于集成预测模型与遍历优化搜索算法的铅锌烧结透气性优化控制方法.首先采用优化组合集成技术将神经网络预测模型和灰色系统预测模型有机结合,建立烧结综合透气性集成预测模型,然后结合14# 风箱温度和烧穿点温度建立透气性状况综合评判模型,最后通过遍历优化搜索算法,获得二配配比和混合料水分设定值,并进行跟踪控制,从而实现烧结过程透气性的优化控制.仿真结果表明:该方法能有效改善烧结过程的透气性.稳定烧结过程.     

铅锌烧结过程透气性状态及热状态优化控制

本文针对具有非线性、强耦合、不确定、多约束特性的复杂铅锌密闭鼓风烧结过程，采用神经网络模型实现了透气性状态和烧穿点位置预测，集成惩罚函数法、基于聚类点的并行变步长网格法和最优保存简单遗传算法(OMSGA)进行状态整体优化．算法具有全局收敛性和工业有效性，解决了复杂铅锌烧结过程实时智能优化控制问题，取得了较好的工业应用效果．     

基于自适应变步长神经网络的烧穿点位置预测模型

本文针对铅锌冶炼过程中的密闭鼓风炉烧结工艺,提出了基于神经网络的烧穿点位置预测模型.并采用自适应变步长学习算法,以加快BP学习算法的收敛速度.仿真结果表明,以此模型为中心的烧穿点位置自动控制系统具有较好的性能.     

铅锌烧结过程烧穿点的集成预测模型

针对影响铅锌烧结过程烧穿点的因素具有不确定性的特点, 提出一种基于信息熵技术的烧穿点集成预测模型. 首先利用软测量技术获得烧穿点. 然后建立基于满意聚类的T-S预测模型以降低不确性因素所带来的影响,并将共轭梯度法和粒子群优化算法有机结合起来进行T-S模型中各个子模型的参数辨识, 以提高辨识精度. 接着建立基于工艺参数的神经网络预测模型. 最后考虑到信息熵技术具有信息融合和降低不确定性的能力, 利用其将以上预测模型进行集成. 实验结果表明所提出的集成预测模型具有较高的预测精度和较强的适应性.     

基于PNN和IGS的铅锌烧结块成分智能集成预测模型

针对复杂的烧结块成分预测问题, 提出一种基于过程神经网络和改进灰色系统的铅锌烧结块成分智能集成预测模型. 首先利用过程神经网络可充分表达时间序列中时间累积效应、灰色系统可弱化数据序列波动性的特点, 分别对烧结块成分进行预测, 然后从信息论的观点出发, 提出一种确定各预测模型加权系数的熵值递推算法, 通过对两个预测模型的预测结果进行加权集成, 获得更加准确的铅锌烧结块成分预测结果. 结果表明, 智能集成模型 的预测精度高于单一预测模型, 能有效地对烧结块成分进行预测, 满足了配料计算对预测精度和数据完备性的     

铅锌烧结配料过程的智能集成建模与综合优化方法

以铅锌烧结配料过程为背景, 针对传统配料方法中存在的成本高和准确率低的问题, 提出一种智能集成建模与综合优化方法. 首先, 在建立过程神经网络模型和改进灰色系统预测模型的基础上, 利用信息论中熵值的概念, 提出一种既可保证预测精度又能满足配料计算对数据完备性要求的烧结块成分集成预测模型; 其次, 以成本最小为目标建立烧结配料优化模型, 采用基于专家推理策略和改进免疫遗传算法的定性定量综合集成方法, 实现烧结配料的优化. 仿真结果验证了该方法的有效性.     

铅锌烧结过程综合透气性的集成预测模型

针对铅锌烧结过程透气性的预测具有模型不确定性和输入变量不确定性等特点,建立了综合透气性智能集成预测模型.首先建立了基于满意聚类的T-S综合透气性预测模型,针对聚类后各子模型结论参数的辨识工作计算复杂、容易陷入局部极值的问题,将混合粒子群优化算法用于这些结论参数的辨识;然后利用灰色理论建立了时间序列综合透气性预测模型;最后利用信息熵技术将2个预测模型进行集成,以获得集成预测模型.选取实际生产过程中100组合格的数据,分别用以上3种预测模型来预测相应的综合透气性,其相对误差的平均值分别为2.1%.3.2%,1.8%.实验结果表明,本文提出的集成预测方法能够有效地克服不确定性带来的影响、提高综合透气性的预测精度.     

基于IGS和SVM的烧结返矿量智能集成预测模型

针对烧结返矿量难以进行有效预测的问题,提出一种智能集成预测模型.首先利用改进灰色系统和支持向量机两个单一模型分别对返矿量进行预测;然后基于预测精度的数学期望和标准差,通过求取最优加权系数,建立烧结返矿量智能集成预测模型进行返矿量集成预测.运行结果表明,该集成模型的预测精度高于单一模型,能有效地对返矿量进行预测.     

铅锌烧结过程质量产量的智能集成优化控制

针对铅锌烧结过程具有大滞后、多约束的特点,建立烧结块质量产量神经网络预测模型和优化控制模型,提出一种融合聚类搜索粗优化和混沌遗传细优化的智能集成优化控制方法.首先采用模糊聚类算法进行优化样本查询,所得结果作为问题的次优解;然后采用最优保存对简单遗传混沌算法进行二次优化,求取问题的最优解;最后对智能集成方法进行实际验证,系统运行结果表明.该方法较好地实现了高产、优质的生产目标.并且具有全局收敛性和工业有效性,为解决复杂工业过程的优化控制问题提供了一种有效、实用的新思路.     

铅锌烧结过程的集成建模方法及智能优化算法

以铅锌烧结过程的集成建模和优化控制为背景 ,首先集成主元分析、神经网络、模糊专家系统等多种方法 ,建立了铅锌烧结过程的综合工况模型 ,然后根据综合工况模型预测的结果 ,采用聚类搜索混沌遗传算法获得最优的操作参数 ,给出操作优化指导 .本文提出的集成建模方法与操作优化算法 ,很好地解决了多输入多输出复杂工业过程的建模和优化控制问题 ,在铅锌烧结过程的生产中产生了显著的效益     

Neural-network-based integrated model for predicting burn-through point in lead–zinc sintering process

This paper presents an integrated neural-network-based model for predicting the burn-through point (BTP) of a lead–zinc sintering process. This process features strong nonlinearity and time-varying parameters. First, experiments were carried out to establish a model of the gas temperature distribution (GTD) in the sintering machine; and based on the GTD model, a surface temperature model of the material (STMM) was established. Second, based on the STMM, a method of estimating the BTP that uses a soft-sensing technique was devised. In order to improve the estimation precision, a time-sequence-based model for predicting the BTP was built using grey system theory. Since the BTP is also affected by process parameters, a technological-parameter-based model for predicting the BTP was then built using a neural network. Finally, an integrated model for predicting the BTP was constructed by combining the time-sequence-based and the technological-parameter-based models using a fuzzy classifier. The result of actual runs shows that, compared to the manual control, the integrated prediction model reduced the variation in BTP by about 50%. This guarantees the improvement of the quality and quantity of the sinter.     

基于稀疏表示剪枝集成建模的烧结终点位置智能预测

烧结终点位置(BTP)是烧结过程至关重要的参数,直接决定着最终烧结矿的质量.由于BTP难以直接在线检测,因此,通过智能学习建模来实现BTP的在线预测并在此基础上进行操作参数调节对提高烧结矿质量具有重要意义.针对这一实际工程问题,首先提出一种基于遗传优化的Wrapper特征选择方法,可选取使后续预测建模性能最优的特征组合;在此基础上,为了解决单一学习器容易过拟合的问题,提出了基于随机权神经网络(RVFLNs)的稀疏表示剪枝(SRP)集成建模算法,即SRP-ERVFLNs算法.所提算法采用建模速度快、泛化性能好的RVFLNs作为个体基学习器,采用对基学习器基函数与隐层节点数等参数进行扰动的方式来增加集成学习子模型间的差异性;同时,为了进一步提高集成模型的泛化性能与计算效率,引入稀疏表示剪枝算法,实现对集成模型的高效剪枝;最后,将所提算法用于烧结过程BTP的预测建模.工业数据实验表明,所提方法相比于其他方法具有更好的预测精度、泛化性能和计算效率.     

Application of grey system theory to phosphorite sinter process: From modeling to control

The sintering process of phosphorite ore occurs with a large amount of return caused by untimely process control. The control task of phosphorite ore sintering is to regulate the parameters of the process to obtain a high quality sinter. The parameter clearly responsible for sinter quality is the temperature in the wind box. Therefore, in order to solve the control task, it is necessary to predict the highest temperature of the charge (also known as the burn through point (BTP)). In this paper, the theory of grey systems is used as a predictive model, which makes it possible to obtain an adequate model that uses a small number of initial samples of real temperature data. Based on the grey model GMC(1,n) a new optimal model is presented, which is constructed by using optimization algorithm. Optimal model predicts the BTP, and to establish an optimal regulation, a control synthesis is carried out through an optimization of the prediction according to the “particle swarm” algorithm.     

基于人工神经网络的烧结终点预报系统

烧结终点提前预报对于稳定终点,进而提高烧结矿强度和产量、降低能耗有重要意义.为解决烧结过程大滞后环节和烧结终点难以测量的困难,文章介绍了烧结终点的软测量方法;提出了一个新的预报参数——风箱废气温度曲线拐点;将BP神经网络应用于烧结终点的预报,实现了准确地预报烧结终点的状态和生产操作指导.     

基于预报的烧结终点模糊控制

烧结终点是烧结操作的主要依据,是烧结过程的关键参数;针对烧结终点参数不确定性和存在时间滞后的问题,提出了基于温度上升点处温度的预报策略,并结合专家知识,对烧结终点采取模糊控制措施,有效地抑制了烧结终点波动;应用这些技术开发的控制系统,可以准确、快速地判断和预报烧结终点的状态,起到稳定烧结终点、优化过程操作的重要作用。     

Design and application of generalized predictive control strategy with closed-loop identification for burn-through point in sintering process

This paper presents a generalized predictive control (GPC) strategy with closed-loop model identification for burn-through point (BTP) control in the sintering process. First, the dynamic Auto-Regressive eXogenous (ARX) model structure is defined to describe sintering process. Considering the economy and security, a closed-loop identification method is adopted to update the parameters of the model. Then, BTP predictive control model is established based on GPC algorithm to predict BTP accurately and to calculate the strand velocity. Finally, a BTP control system is established and implemented in an iron and steel plant. The running results show that the system effectively guarantees the stability of sintering process and suppresses the fluctuation of BTP.