论文部分内容阅读
以煤为原料的造气炉,气化层温度和状态是造气炉提高制气能力以及降低能耗的关键参数,对这些变量的测量或预测是使其实现闭环控制的前提条件。由于造气工艺中工况复杂、检测环境恶劣,直接测温法往往比较困难,难以实现。因此,针对间接反映气化层温度的上行温度、下行温度以及上下行温度之和,本文提出了将数据挖掘与神经网络相结合的方法对其进行建模研究。主要工作如下：1、实际工业中,造气过程产生的数据具有不规律、变化小、含有噪声以及各变量间存在耦合等复杂特点。针对这类数据,本文提出了将数据挖掘与BP神经网络以及RBF神经网络相结合的动态线性建模方法。一方面使用系统模型的动态描述以便更准确地反映气化层温度的大小以及变化趋势,另一方面有效利用系统中可以控制的变量。该算法基本思想是先对数据进行相关性分析,根据分析结果建立动态线性模型,而动态线性模型与真实数据之间的差值则由神经网络建模描述。2、研究了一些常用的建模方法,包括ARMAX模型、多元线性回归模型、BP神经网络模型、RBF神经网络模型、基于主成分分析的BP神经网络模型(PCA-BP)以及多元线性回归与BP及RBF神经网络相结合的模型。此外,通过对层次聚类理论知识的学习和研究,针对造气过程中丢失的数据,提出了一种基于层次聚类的数据补偿算法,并进行了仿真验证。3、利用某造气厂的实际生产运行数据,对造气系统中的上行温度、下行温度以及上下行温度之和进行了建模方法的大量仿真研究,将本文提出的算法与BP神经网络、RBF神经网络、PCA-BP模型、ARMAX模型以及多元线性回归模型进行仿真对比分析,验证了本文所提算法的有效性和优越性。结果表明,本文所提出的建模方法比其他模型的精度高,减少了BP神经网络的训练时间,同时由于本文所提建模方法的变量为造气系统可以控制的变量,所以该模型可以用于实际应用。因此,本论文的研究工作有利于煤气化系统的数据预测和控制,为工厂中控制系统的仿真优化建立了先决条件。