高炉炼铁是钢铁工业的上游主体工序,作为国民经济支柱产业的重要组成部分,它对钢铁工业的发展与节能降耗都起着十分重要的作用。高炉冶炼过程是一个高度复杂的过程,其运行机制往往具有非线性、时滞、高维、大噪声、分布参数等特性。 在高炉冶炼过程中,保持合理的炉温水平是高炉冶炼稳定顺行的关键。但是由于高炉冶炼过程的复杂性,精确掌握炉内的温度分布尚不可能。因此,高炉冶炼过程自动控制的难度究其原因是建立炉温控制数学模型的困难,而建立炉温控制模型的难度则在于炉温预测模型建立的困难。高炉铁水含硅量[Si]是评定高炉炉况稳定性和生铁质量的重要指标,也是表征高炉热状态及其变化的标志。多年来,为了有效地控制高炉冶炼过程,对铁水含硅量[Si]预测方法的研究一直是炼铁科研中的重要课题。 小波神经网络是近年来得到迅速发展并形成研究热潮的时间序列分析新技术。它将小波变换良好的时频域化特性和神经网络的自学习功能相结合,因而具有较强的逼近能力和容错能力。在结合方法上,可以将小波变换作为前馈神经网络的输入前置处理工具,即以小波变换的多分辨率特性对过程状态信号进行处理,实现信噪分离,并提取出对预测结果误差影响最大的状态特性,作为神经网络的输入,形成松散型小波神经网络。或者将小波函数作为基函数构造神经网络形成紧致型小波神经网络,通过自适应地调整小波基的形状实现小波变换,具有良好的函数逼近能力和模式分类能力。 本文以邯郸钢铁公司7号高炉(2000m~3)在线采集的500炉数据为研究对象,应用小波分析和神经网络的两大类模型交叉结合的3种方式对铁水含硅量[Si]进行预测,并对预测结果做出比较分析。结果表明,紧致型小波神经网络在预测中取得更佳的效果,对工长的操作具有指导意义。