多模型融合技术在电弧炉钢水终点温度预报中的应用

论文摘要

复杂工业系统具有多变量、非线性、强耦合、工况范围广、性能综合性要求高等特点。采用神经网络、模糊逻辑等智能方法建立单一模型,往往难以全面描述复杂系统的全局特性。基于分解一合成策略的多模型融合建模方法从原理上解决了上述问题,其基本思路是将复杂大问题分解为一组简单的小问题,通过某种方法将各小问题的解融合而得到原问题解,由于这种方法具有提高模型精度和泛化能力的特点而被应用到复杂工业系统的建模中。本文提出一种基于模糊聚类方法的多模型融合建模方法。采用模糊c-均值聚类（FCM）算法将复杂系统划分为多个子区间,并采用BP神经网络在每个子区间建立子模型,多个子模型采用加权方式进行融合。考虑到加权融合方式中权系数的确定是多模型融合建模的关键问题,本文提出基于概率加权的融合方法,针对贝叶斯算法中先验概率难以确定的问题,依据聚类后的样本集作为先验知识,在数据集的基础上估计类先验概率和样本点的类条件概率,从而利用贝叶斯公式求得样本点的后验概率,将此后验概率作为子模型的权值,进行加权融合,得到模型最终的输出。电弧炉炼钢过程是一个非常复杂的物理化学过程,电弧炉熔池温度高、冶炼条件恶劣,熔池的温度不能直接连续检测。建立适合电弧炉冶炼过程要求的终点温度预报模型将在电弧炉终点温度控制中起到重要作用。本文将基于模糊聚类方法的多模型融合建模方法应用于电弧炉钢水终点温度预报研究,基于电弧炉冶炼工艺和冶炼过程分析,建立了基于多模型融合的温度预报模型。仿真结果表明,同单一的BP网络建模方法相比,多模型融合建模方法具有更高的预报精度和命中率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 建模方法概述
• 1.2.1 基于机理的传统建模方法
• 1.2.2 基于数据驱动的建模方法
• 1.2.3 多模型建模方法
• 1.3 电弧炉终点预报方法
• 1.3.1 基于机理模型的方法
• 1.3.2 增量模型预报方法
• 1.3.3 基于人工智能的建模方法
• 1.4 本文主要工作
• 第2章 多模型建模方法概述
• 2.1 多模型理论
• 2.2 多模型原理
• 2.3 多模型建模方法步骤
• 2.4 常用的多模型建模方法
• 2.4.1 建模数据的分类方法
• 2.4.2 子模型所用的建模方法
• 2.4.3 子模型的融合方法
• 2.5 多模型建模存在的难点
• 2.6 本章小结
• 第3章 多模型的融合方法
• 3.1 子模型的建立
• 3.1.1 基于FCM算法确定子模型个数
• 3.1.2 基于BP神经网络建立子模型
• 3.2 贝叶斯融合算法
• 3.2.1 加权融合
• 3.2.2 加权系数的确定方法
• 3.2.3 贝叶斯加权融合算法
• 3.3 仿真实验
• 3.4 本章小结
• 第4章 基于多模型融合技术的电弧炉钢水终点温度预报模型
• 4.1 电弧炉终点温度预报的建模思想
• 4.1.1 问题的提出
• 4.1.2 电弧炉炼钢工艺
• 4.1.3 影响钢水温度的主要因素
• 4.2 基于多模型加权融合方法的建模过程
• 4.2.1 样本数据的选择和处理
• 4.2.2 聚类数的确定
• 4.2.3 BP网络的子模型结构
• 4.2.4 多模型加权融合
• 4.3 MATLAB实现及对比
• 4.4 本章小结
• 第5章 总结与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢