改进型EMD‑Elman神经网络预测铁水硅含量的方法技术

本发明专利技术公开了一种改进型EMD‑Elman神经网络预测铁水硅含量的方法，属于工业过程监控、建模和仿真领域。首先，采用经验模态分解将硅含量序列分解成有限个、相对平稳的本征模函数IMF和剩余分量；然后，分别对每个IMF和剩余分量建立Elman神经网络子模型；最后，将子模型的结果进行加权融合，并利用粒子群算法进行权值的寻优，最终获得硅含量的预测结果。本发明专利技术针对高炉炼铁过程的时变、非线性、多尺度、以及动态性等特征，充分考虑了不同尺度的特征对预测结果的影响；能够直接反映动态系统的特征的优势；为了降低噪声对预测结果的影响，对子模型的预测结果进行了加权融合，并进行权值的寻优。本发明专利技术相比现有方法对于高炉铁水硅含量的预测具有更高的精度。

【技术实现步骤摘要】

本专利技术属于工业过程监控、建模和仿真领域，特别涉及一种改进型EMD-Elman神经网络预测铁水硅含量的方法。
技术介绍
高炉炼铁过程是一个连续进行的动态反应过程，具有时变、非线性、多尺度、大时滞等特征，其内部高温、高压、强腐蚀、强干扰等环境，使我们很难通过直接测量获得内部的热状态。鉴于铁水硅含量和炉温的相关性，一般通过铁水硅含量来间接地反映炉内温度的变化，进而表征高炉的热状态。因此，准确预测硅含量，有利于控制炉温，维持高炉的稳定顺行。长期以来，为了对高炉进行有效地预测和控制，国内外研究人员从热平衡、物料平衡等角度出发建立了多种机理数学模型。理论上，这些模型对于揭示高炉内部现象、反映高炉炼铁机理起了一定的积极作用，但亦存在着准确性低、计算耗时多等缺点。随着计算机等技术的发展，海量数据的获得更加方便，数据驱动的方法引起了越来越多人的关注。目前，基于数据驱动思想建立的高炉预测模型主要有：自回归模型、非线性时间序列分析模型、神经网络模型等。这些模型有各自的优缺点和适用条件，在不同的生产条件下都曾起到过一定的积极作用。神经网络本质为非线性系统，具有并行分布处理、自适应、自学习等能力，非常适合处理非线性、时变的问题。按照连接方式划分，神经网络有两种：前向神经网络和递归神经网络。其中，前向神经网络属于静态网络，在非线性动态系统的应用中存在缺陷。而Elman神经网络是一种典型的动态递归神经网络，其在前向网络的基础上增加了一个联系单元，通过存储内部状态，能直接反映动态系统的特性，在复杂系统的动态建模与预报领域显示了很大的优势。EMD分解是由Huang等人提出来的用于信号处理的方法，特别适合非线性非平稳信号的处理，它能将复杂信号分解为有限个本征模函数(IMF)，IMF分量不仅包含了原信号不同尺度的特征，而且相对平稳，更有利于模型预测精度的提高。然而，大多数高炉预测模型的建立基于固定尺度的假设，忽略了数据自身的多尺度特征对目标结果的影响。尽管EMD分解和Elman神经网络在高炉铁水硅含量的预测中均有应用，但将二者结合进行硅含量的预测目前尚未见报道。可能是由于EMD分解得到的分量对应的子模型存在预测误差，且由于高炉高噪声的特点，IMF1对应的子模型误差相对更大，降低了硅含量的预测精度，故二者的结合在现有技术中是不可行的。
技术实现思路
本专利技术的目的在针对现有技术的不足，提供一种改进型EMD-Elman神经网络预测铁水硅含量的方法。该方法采用EMD分解提取硅含量序列不同尺度上的特征，并利用Elman神经网络进行动态建模，同时，为了降低噪声对预测结果的影响，进一步提高预测精度，对子模型的预测结果进行加权融合，并利用PSO算法进行权值的寻优。因此，本方法在解决高炉炼铁过程存在的时变、非线性、多尺度、以及动态性等复杂数据特性时具有很大的优势，可以对铁水硅含量实现有效的预测。一种改进型EMD-Elman神经网络预测铁水硅含量的方法，步骤如下：步骤一：将铁水硅含量的原始数据利用EMD((Empirical Mode Decomposition)分解为有限个分量，所述的分量包括各IMF(Intrinsic Mode Function,)分量和剩余分量；步骤二：利用偏自相关函数(Partial Autocorrelation Function,PACF)及偏自相关图确定分量的滞后阶数，进而确定Elman神经网络子模型的输入、输出变量；步骤三：对每个IMF分量和剩余分量建立Elman神经网络子模型；步骤四：将各子模型的预测结果进行加权求和，并利用PSO(Particle Swarm Optimization)算法进行权值的寻优，得到硅含量的预测结果。步骤一所述的EMD分解过程如下：1)找出硅含量时间序列{s(t)本文档来自技高网...

【技术保护点】
一种改进型EMD‑Elman神经网络预测铁水硅含量的方法，其特征在于，步骤如下：步骤一：将铁水硅含量的原始数据利用EMD分解为有限个分量，所述的分量包括各IMF分量和剩余分量；步骤二：利用偏自相关函数及偏自相关图确定分量的滞后阶数，进而确定Elman神经网络子模型的输入、输出变量；步骤三：对每个IMF分量和剩余分量建立Elman神经网络子模型；步骤四：将各子模型的预测结果进行加权求和，并利用PSO算法进行权值的寻优，得到硅含量的预测结果。

【技术特征摘要】
1.一种改进型EMD-Elman神经网络预测铁水硅含量的方法，其特征在于，步
骤如下：
步骤一：将铁水硅含量的原始数据利用EMD分解为有限个分量，所述的分
量包括各IMF分量和剩余分量；
步骤二：利用偏自相关函数及偏自相关图确定分量的滞后阶数，进而确定
Elman神经网络子模型的输入、输出...

【专利技术属性】
技术研发人员：杨春节，宋菁华，马淑艳，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33