高爐數(shù)據(jù)的采樣頻率和各相物質(zhì)的滯留時(shí)間不同呈現(xiàn)出多尺度特性,利用某鋼鐵廠采集的高爐生產(chǎn)數(shù)據(jù),建立基于小波多尺度分解的極限學(xué)習(xí)機(jī)(ExtremeLearning Machine,ELM)的爐溫預(yù)測(cè)模型。首先采用小波分解將硅含量和鐵水溫度等高爐過(guò)程參數(shù)的平穩(wěn)時(shí)間序列分解為3個(gè)不同頻率的細(xì)節(jié)信號(hào)和一個(gè)逼近信號(hào);然后分別對(duì)每個(gè)細(xì)節(jié)信號(hào)和逼近信號(hào)建立ELM的子預(yù)測(cè)模型,將子模型的結(jié)果進(jìn)行疊加,最終獲得爐溫的預(yù)測(cè)結(jié)果,并與其它預(yù)測(cè)模型進(jìn)行比較;提出基于預(yù)測(cè)誤差的概率密度函數(shù)的模型評(píng)價(jià)指標(biāo),該指標(biāo)準(zhǔn)確直觀地反應(yīng)了模型預(yù)測(cè)效果。仿真結(jié)果表明,該預(yù)測(cè)模型解決了多種采樣頻率的問(wèn)題,其運(yùn)算速度和預(yù)測(cè)精度大大提高,可為爐況的綜合評(píng)價(jià)提供重要依據(jù)。

【文章頁(yè)數(shù)】：6 頁(yè)


本文編號(hào)：3812079