PCA和PSO-ELM在高炉铁水硅含量中的预测仿真

摘要：

炉温的实时预测技术对高炉运转具有重要意义.在高炉炼铁过程中,通常以铁水硅含量来表征高炉热状态.针对硅含量预测效率和精度不足的问题,提出主成分分析和粒子群改进的极限学习机相结合的方法对高炉铁水硅含量进行预测.由于影响铁水硅含量的因素众多,且各因素之间相互影响,通过主成分分析对影响硅含量的输入变量进行降维处理.利用粒子群算法来优化极限学习机的权值和阈值,并以均方根误差作为适应度函数建立预测模型.将提取出的主成分作为模型输入,铁水硅含量作为模型输出.最后比较了极限学习机算法和粒子群改进的极限学习机,实验结果表明改进后的预测模型提高了硅含量预测的准确度,上述方法可为高炉的生产操作提供参考.

关键词：粒子群优化、极限学习机、铁水硅含量、神经网络、主成分分析

所属期刊栏目：37

分类号：TP391(计算技术、计算机技术)

资助基金：安徽省高校自然科学研究项目KJ2017ZD05

在线出版日期：2020-05-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：398-402