链箅机预热段温度场模型的贝叶斯-BP神经网络系统辨识

发布时间：2024-02-28 10:56

　　针对球团链箅机预热段温度场因非线性、时滞性、不确定性等特点难以通过传统的理论分析方法建立数学模型的问题,建立贝叶斯-BP神经网络,对该温度场模型进行系统辨识,对比模型预测输出值与实际系统输出值,通过仿真与实验分析该辨识模型的拟合效果。结果表明:贝叶斯-BP神经网络拟合效果较好,其线性拟合度近似为1,最终预测误差约为0.014 K,预测相对误差在5%范围内,构建的预热段温度场模型准确可靠且适用性强,可为预热段温度场均衡稳定控制提供理论指导。

【文章页数】：6 页

【部分图文】：

图1球团链箅机预热段热风流工艺流程

球团链箅机预热段温度场主要由空间气体温度和球团料层温度两部分构成,其随时间呈非线性分布状态,因此,可将其视为一个复杂的非线性系统。气流作为链箅机内热量的重要载体,调节其在预热段中的流量是控制系统热量分布、稳定温度场的主要手段。球团链箅机预热段热风流工艺流程如图1所示。由图1可知:....

图2BP神经网络结构示意

BP(BackPropagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,如图2所示。由图2可知:BP神经网络模型拓扑结构包括输入层、隐含层和输出层。其网络学习过程由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。当正向(由输入层到隐含层再到....

图3贝叶斯-BP神经网络辨识建模流程

贝叶斯-BP神经网络对非线性系统具有良好的拟合能力,其辨识建模流程如图3所示,其中X(X={x1,x2,x3,x4,x5,x6})为球团链箅机预热段温度场和贝叶斯-BP神经网络的输入,y为系统的输出,y′为贝叶斯-BP神经网络的实际输出,e为系统输出和网络实际输出的误差。在辨识过....

图4贝叶斯-BP神经网络的训练误差

针对球团链箅机预热段温度场进行系统辨识建模与仿真,其中,将215组数据分3种工况用于贝叶斯-BP神经网络训练,结果如图4所示。由图4可知:贝叶斯-BP神经网络训练过程中,误差随训练时间的变化逐渐减少,在经过378个单位时间以后,网络误差逼近要求。3种工况下的仿真结果如表1所示。由....

本文编号：3913753