硕士研究生中期答辩

静思笃行持中秉正秋记与你分享指导老师：学生：专业：控制理论与控制工程基于炉热指数和ST-PLS的高炉炉温预测方法及高炉炉温模糊推理系统的研究1245主要内容研究背景及意义研究内容研究成果课题展望3研究方法课题研究背景及意义预测炉温高炉炉温预测模型提前调节炉温通过人工或计算机调节高炉优质低耗、高产长寿高炉炼铁目标课题研究内容包钢6号高炉数据ST-PLS回归模型炉热指数模型[Si][S]V(Fe)T(Fe)WuTf模糊推理系统高炉炉温包钢6号高炉数据[Si][S]V(Fe)T(Fe)WuTf模糊推理系统高炉炉温ST-PLS回归模型炉热指数模型研究方法uWfT及炉热指数一、炉热指数模型是由法国钢铁研究院提出的。该模型按热平衡和物料平衡计算出代表高炉高温区的炉热指数。炉热指数又称理论燃烧温度，它表示某种成分燃料在一定燃烧条件下，燃烧产物所能达到的最高温度。fTfTuW炉热指数的算式为：uW1526.51.6610340.0513.03100buitWhhzP1000干风所能冶炼的生铁量，t/km3；每立方米干风所带有的水蒸气量，g/m3；热风温度每吨生铁因直接还原消耗的碳量，kg/t。FeO3m研究方法由风口区燃烧1kg碳的热平衡导出的理论燃烧温度计算公式是：[9781.2(10784.4)]/()kmfkbbPbbmbPggTqCvCtqCCv每千克焦炭进入风口区带入的物理热风口前燃烧碳量中焦炭碳所占的比例每千克碳在风口区燃烧所需风量热风温度时鼓风比热容热风温度鼓风湿度时炉缸煤气比热容每千克碳的煤粉的分解耗热风口前燃烧碳量中煤粉碳所占的比例每千克碳在风口区燃烧所需风量研究方法fTfT二、ST-PLS回归方法（一）样条函数具有的优点（1）样条函数采用了分段拟合的思想，这一方面使它具有按需要裁剪以适应任意曲线连续变化的优点，另一方面，样条函数不采用过高次的多项式，能够有效地避免产生龙格现象。（2）由于样条函数(尤其是B样条)具有光滑性、连续性，所以，拟合曲线对原始数据中的特异点并不敏感，这就使得模型在排除原始数据中的噪声方面显得特别有意义。研究方法ST-PLS建模步骤（二）ST-PLS建模步骤研究方法第一步：样条变换第二步：标准化处理第三步：PLS建模第四步：将标准化公式代入拟线性模型第五步：将回归系数及样条函数代入拟线性模型得非线性模型对自变量空间的每一维进行三次样条变换。12(,,,)pXxxxBjjxZjx1,2,,jpjM,1jl.1.1.0.03.13.23,,,jjjjMjjjjjjjMjjjxxxzzzhhh.0.1.2(,,,)jjjjjMZzzz（1）对，确定，求得分点（2）对做如下三次样条变换:jxB研究方法（1）第一步对因变量及新的自变量进行标准化处理，即.....,jljljjjljjljyzzyyzyss(0,1,,2;1,2,,;1,2,,)jlMjpjq从而得到新数据表符合线性关系2..10jMpjljljlyaz（2）（3）第二步研究方法对上式进行偏最小二乘回归建模，提出最多的PLS成分数，求得回归系数。.jla将（2）式代入（3）式2...10.jMpjljljljlyjlzzyyass20..10jMpjljljlyz2..0..10.,jMpjljlyjljljljlasyzs其中整理得第三步第四步研究方法将回归系数及样条函数变换式（1）代入式（4），得到y关于X的非线性回归模型2.10110.3110()jMppjjljljjljxyfxh第五步研究方法三、模糊C均值聚类及模糊推理系统研究方法聚类分析是按照一定的标准来鉴别事物之间的接近程度，并把彼此接近的事物归为一类。而高炉炉温的高低是一个模糊的概念。[Si][S]铁还原速率铁水温度炉热指数炉热指数fTuW模糊C均值聚类方法偏低偏高正常模糊推理系统高炉炉温反模糊化合成每一个规则的结论部分，得出总的结论根据模糊蕴含运算由前提推断结论在模糊规则的前件中应用模糊算子输入变量模糊化模糊推理系统包括五个方面：研究方法三、模糊C均值聚类及模糊推理系统研究成果本课题使用包钢6号高炉铁次No.20335——No.20594数据，计算与炉热指数随时间变化的波动图，如图1，图2所示.一、炉热指数图1炉热指数uWfT图2炉热指数uWfT二、ST-PLS方法在高炉炉温预测中的应用本课题使用MATLAB编程软件建立ST-PLS模型，具体的建模步骤如下：loadysjloadyzsjX=ysj(:,1:11);Y=ysj(:,12:15);Z=ytbh(X);//进行样条变换E0=stand(Z);//进行标准化F0=stand(Y);A=rank(E0);//矩阵求秩研究成果铁次No.20335—No.20934铁次No.20335—No.20665铁次No.20666—No.20934建模验证[W,C,T,U,P,R]=bykpcr(E0,F0);h=70;SCOEFF=pls(h,88,W,P,R);[COEFF,INTERCEP]=plsiscoeff(Z,Y,SCOEFF);B=COEFF;C=INTERCEP;X1=yzsj(:,1:11);Y1=ypls(X1,B,C,4);//计算PLS中的w、c轴，t、u主成分，p、r回归系数//取主成分个数//计算标准化因变量关于自变量的经验回归系数//计算原始因变量关于自变量的经验回归系数//取验证的数据//计算模型预测数据研究成果二、ST-PLS方法在高炉炉温预测中的应用图3铁次No.20666—No.20714的49炉数据的预测值和实际值的折线图研究成果49炉预测值与实际值的折线图图4铁次No.20666——No.20934的268炉数据的预测值和实际值的折线图研究成果268炉预测值与实际值的折线图三、利用模糊C均值聚类求各参数的隶属度函数对ST-PLS模型和炉热指数模型的计算结果数据应用模糊C均值聚类方法，将结果数据划分为3个区间，分别为偏低、正常、偏高，求的所需的隶属度矩阵。首先，以[Si]为例，相关程序如下：[center,U,obj_fcn]=fcm(x,3);loadsisvfetfewutfx=sisvfetfewutf(:,1);研究成果表1铁水硅含量值与隶属度矩阵U的转置矩阵铁次[Si]1区2区3区203400.650.582530.353510.063962203410.480.0125550.0946440.8928203420.510.0368130.499650.46354203430.640.454610.471850.073541203440.550.00880.966040.025157203450.480.0125550.0946440.8928203460.560.0013860.995730.00288203470.630.332350.590760.076893203480.550.00880.966040.025157203490.580.0107120.977260.012031203500.60.0767080.876460.046829203510.540.0194970.902770.077736203520.680.891660.0866010.021737203530.850.747510.167210.085283203540.650.582530.353510.063962截取15炉数据，建立预测的铁水硅含量值与隶属度矩阵U的转置矩阵构成的表格，如表1所示。分别作出铁水硅含量与三个区域的隶属度值的散点图，如图5所示。研究成果图5铁水硅含量和1、2、3区的隶属度值的散点图研究成果研究成果由下图可知，铁水硅含量处于正常区域的点满足高斯分布，且此分布的最高点的坐标约是（0.56,0.99573），两最低点的坐标约是（0.46,0）（0.7,0）。取“[Si]-2区隶属度值得散点图”为例，分析如下因此，利用试探法可以分别得出铁水硅含量处于该区域的隶属度函数为：高斯函数且函数的两个参数为0.05、0.56。同理，得出铁水硅含量其他两个区域的隶属度函数为：研究成果222)(),,(cxecxf由于高斯函数为：其中，参数和分别确定隶属度函数的中心位置和胖瘦程度。偏低区域的隶属度函数为：高斯函数（0.18、0.4）偏低区域的隶属度函数为：高斯函数（0.18、0.8）c依上述方法处理其他5个计算结果，得相应的隶属度函数。作出各计算结果隶属度函数的图，如图所示：研究成果四、建立模糊推理系统研究成果lw=addvar(lw,'input','铁水硅含量',[0.30.9]);lw=addvar(lw,'input','铁水硫含量',[0.020.07]);lw=addvar(lw,'input','铁还原速率',[100310]);lw=addvar(lw,'input','铁水温度',[14501550]);lw=addvar(lw,'input','Wu炉热指数',[2570]);lw=addvar(lw,'input','Tf炉热指数',[25004000]);lw=addvar(lw,'output','高炉炉温',[6002200]);（1）建立模糊系统clearlw=newfis('lw');（2）添加输入输出变量，给出变量范围lw=addmf(lw,‘input’,1,‘偏低','gaussmf',[0.050.45]);lw=addmf(lw,'input',1,'正常','gaussmf',[0.050.56]);lw=addmf(lw,‘input’,1,‘偏高','gaussmf',[0.050.71]);lw=addmf(lw,‘input’,2,‘偏低','gaussmf',[0.00450.03]);lw=addmf(lw,'input',2,'正常','gaussmf',[0.00450.044]);lw=addmf(lw,‘input’,2,‘偏高','gaussmf',[0.00450.055]);（3）给变量指定模糊变量和隶属度函数lw=addmf(lw,‘input’,3,‘偏低','gaussmf',[18162.32]);lw=addmf(lw,'input',3,'正常','gaussmf',[18209.2]);lw=addmf(lw,‘input’,3,‘偏高','gaussmf',[18254.76]);lw=addmf(lw,‘input’,4,‘偏低','gaussmf',[71488]);lw=addmf(lw,'input',4,'正常','gaussmf',[71501]);lw=addmf(lw,‘input’,4,‘偏高','gaussmf',[71517]);研究成果lw=addmf(lw,‘input’,5,‘偏低','gaussmf',[338.288]);lw=addmf(lw,'input',5,'正常','gaussmf',[347.519]);lw=addmf(lw,‘input’,5,‘偏高','gaussmf',[359.644]);lw=addmf(lw,‘input’,6,‘偏低','gaussmf',[803034]);lw=addmf(lw,'input',6,'正常','gaussmf',[803256]);lw=addmf(lw,‘input’,6,‘偏高'