摘    要：針對煉焦生產過程焦炭質量難于實時測量的問題，建立一種主元分析( pca)和徑向基函數( rbf)神經網絡相結合的預測模型。通過機理分析確定焦炭質量的影響因素包括配合燥指標和煉焦過程操作參數；采用主元分析減少徑向基函數網絡的輸入；最后采用k-均值聚類算法確定徑向基函數隱含層的參數，并用最小二乘法確定線性輸出層參數。采用煉焦生產過程現場數據進行仿真，結果表明，該模型具有學習速度快、跟蹤性能好以及泛化能力強等優點，實現了qa焦炭質量的在線預測。

關鍵詞：煉焦生產過程；焦炭質量預測模型；主元分析：徑向基函數

中圖分類號：tp 27    文獻標識碼a

    蕉炭是煉焦生產過程的主要產品，廣泛用于高爐煉鐵、鑄造、電石、氣化等方面。焦炭質量的好壞直接影響企業的生產成本和經濟效益。但在線質量分析儀存在價格昂貴、維護保養復雜以及可靠性差等缺點。難以對焦炭質量進行在線檢測，從而嚴重影響了煉焦生產過程的控制和優化。

    神經網絡是解決工業過程中普遍存在的一類難以在線測量變量預測問題的有效方法，常用的有bp神經網絡和rbf神經網絡。例如，文獻[3[建立燒結塊質量產量bp神經網絡模型，文獻[4]建立可性比值的多神經網絡模型，文獻[5]采用bp網絡建立焦炭質量預測模型。但bp網絡屬于全局逼近網絡，收斂速度慢，訓練過程中容易陷入局部極小值。與bp網絡相比，rbf網絡的學習算法不存在局部****問題，而且rbf網絡的參數調整是線性的，具有結構簡單、收斂速度快、非線性逼近能力強以及推廣能力強等特點。被廣泛應用于模式分類、函數遁近和過程建模等許多領域。

    本文以煉焦生產過程為例，建立一種基于pca和rbf神經網絡的焦炭質量預測模型，解決焦炭質量在線檢測問題。首先通過機理分析確定焦炭質量的主要影響為配合煤指標和煉焦過程操作參數，在此基礎上采用主元分析降低配合煤指標的維數，減少rbf網絡的輸入；然后分別采用a。均值聚類法和最小二乘法算法確定rbf網絡的隱含層參數和權值；最后對焦炭質量預測模型的仿真結果進行分析，驗證方法的有效性。

  煉焦生產是一個復雜的工業過程，影響焦炭質量的因素眾多，既包括配合煤的性質，又包括煉焦過程的操作參數。本文首先通過機理分析確定焦炭質量的主要影響因素，采用關聯性確定焦炭質量預測的總體結構，并采用主元分析降低配合煤的維數，提高rbf網絡的學習速度。

    1)機理分析配煤是根據煉焦生產過程對焦炭質量的要求，將各種品質的單種煤按照一定的比例混合，得到符合標準的配合煤。配合煤經皮帶運送到焦爐頂部的煤塔后，在一定的時刻由裝煤車送入炭化室；加熱用煤氣在燃燒室內燃燒后產牛的熱量以輻射、對流的方式傳給炭化室；配合煤在炭化室中經過約20個小時的高溫干餾，冷卻后形成焦炭。

    從上述配煤一煉焦過程來看，影響焦炭質量的因素主要是配合煤指標和煉焦生產過程。配合煤的性質是焦炭質量的決定因素，既影響焦炭的灰分、硫分等化學組成，又影響機械強度和反應特性。煉焦過程的操作參數是焦炭質量的重要因素，主要影響機械強度和反應特性。

    灰分和硫分是配合煤的主要化學組成。在煉焦生產過程中，灰分全部轉入焦炭，既影響配合煤的粘結性，又降低焦炭的抗碎強度，使焦炭的反應性升高，反應后強度降低，從而影響焦炭在高爐冶煉中的透氣性。硫分能破壞配合煤的粘結性，降低焦炭的機械強度。配合煤含硫量大時，對高爐操作影響很大，通常配含煤的硫分每增加百分之0 1，高爐生產能力將會降低百分之1. 6~2．0。

    配合煤的揮發分和粘結性是影響焦炭質量的關鍵因素。較高的揮發分既使焦炭的收縮度變大，影響焦炭的機械特性，義使氣7l壁變薄和氣孔率增大，影響焦炭的反應特性：粘結指數和膠質層厚度反應了配合煤的粘結性。過高的粘結指數將會導致焦炭變脆，強度降低。膠質層厚度是配合煤中膠質體的含量，如果膠質體過量，將會影響結焦過程中揮發物的溢出，從而影響焦炭機械特性和反應特性。

    細度是煤