基于动态T-S递归模糊神经网络的闪速熔炼过程参数软测量

被引：2

作者：

彭晓波

桂卫华

李勇刚

王凌云

陈勇

机构：

[1] 中南大学信息与科学工程学院

来源：

仪器仪表学报 | 2008年 / 10期

基金：

湖南省自然科学基金; 国家自然科学基金重点项目; 中国博士后科学基金;

关键词：

动态T-S递归模糊神经网络(DTRFNN); BP学习算法; 冰铜品位; 冰铜温度; 渣中铁硅比;

D O I：

10.19650/j.cnki.cjsi.2008.10.003

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

闪速熔炼过程中存在大量多元非线性因素,难以从统计学和机理上确立操作参数。为优化闪速炉的操作参数,建立了动态T-S递归模糊神经网络(DTRFNN)的软测量模型,推导了DTRFNN的权值学习算法。将其应用到某厂铜闪速熔炼过程中的参数软测量上,平均精确率达到97%,能为生产操作提供有益的指导。

引用

页码：2029 / 2033

页数：5

共 8 条

[1] 基于改进模糊神经网络的软测量建模方法 [J].

刘瑞兰 ;

苏宏业 ;

褚健 .

信息与控制, 2003, (04) :367-370

[2] 递归复合型模糊神经网络结构研究 [J].

王京慧 ;

李宏光 .

信息与控制, 2003, (02) :181-184

[3] 基于随机模糊神经网络的刀具磨损量软测量技术 [J].

王军平 ;

敬忠良 ;

王安 .

信息与控制, 2002, (06) :534-537

[4] 模糊神经网络和遗传算法结合的船舶火灾探测 [J].

王锡淮 ;

肖健梅 ;

鲍敏中 .

仪器仪表学报, 2001, (03) :312-314

[5]

冰铜富氧吹炼工艺的模型开发与应用[J]. 吴扣根,洪新,杨慧振,蔡乔方,俱拴霞.有色金属. 1999(02)

[6] 过程控制中的软测量技术 [J].

于静江，周春晖 .

控制理论与应用, 1996, (02) :137-144

[7]

现代铜冶金学[M]. 科学出版社 , 朱祖泽,贺家齐主编, 2003

[8]

On the evolution of mathematical modelling of single-step flash smelting of copper concentrates[J] . J. Donizak,A. Holda,Z. Kolenda.Progress in Computational Fluid Dynamics, An Int. . 2005 (3/4/)

← 1 →