摘    要：针对炼焦生产过程焦炭质量难于实时测量的问题，建立一种主元分析( pca)和径向基函数( rbf)神经网络相结合的预测模型。通过机理分析确定焦炭质量的影响因素包括配合燥指标和炼焦过程操作参数；采用主元分析减少径向基函数网络的输入；最后采用k-均值聚类算法确定径向基函数隐含层的参数，并用最小二乘法确定线性输出层参数。采用炼焦生产过程现场数据进行仿真，结果表明，该模型具有学习速度快、跟踪性能好以及泛化能力强等优点，实现了qa焦炭质量的在线预测。

关键词：炼焦生产过程；焦炭质量预测模型；主元分析：径向基函数

中图分类号：tp 27    文献标识码a

    蕉炭是炼焦生产过程的主要产品，广泛用于高炉炼铁、铸造、电石、气化等方面。焦炭质量的好坏直接影响企业的生产成本和经济效益。但在线质量分析仪存在价格昂贵、维护保养复杂以及可靠性差等缺点。难以对焦炭质量进行在线检测，从而严重影响了炼焦生产过程的控制和优化。

    神经网络是解决工业过程中普遍存在的一类难以在线测量变量预测问题的有效方法，常用的有bp神经网络和rbf神经网络。例如，文献[3[建立烧结块质量产量bp神经网络模型，文献[4]建立可性比值的多神经网络模型，文献[5]采用bp网络建立焦炭质量预测模型。但bp网络属于全局逼近网络，收敛速度慢，训练过程中容易陷入局部极小值。与bp网络相比，rbf网络的学习算法不存在局部****问题，而且rbf网络的参数调整是线性的，具有结构简单、收敛速度快、非线性逼近能力强以及推广能力强等特点。被广泛应用于模式分类、函数遁近和过程建模等许多领域。

    本文以炼焦生产过程为例，建立一种基于pca和rbf神经网络的焦炭质量预测模型，解决焦炭质量在线检测问题。首先通过机理分析确定焦炭质量的主要影响为配合煤指标和炼焦过程操作参数，在此基础上采用主元分析降低配合煤指标的维数，减少rbf网络的输入；然后分别采用a。均值聚类法和最小二乘法算法确定rbf网络的隐含层参数和权值；最后对焦炭质量预测模型的仿真结果进行分析，验证方法的有效性。

  炼焦生产是一个复杂的工业过程，影响焦炭质量的因素众多，既包括配合煤的性质，又包括炼焦过程的操作参数。本文首先通过机理分析确定焦炭质量的主要影响因素，采用关联性确定焦炭质量预测的总体结构，并采用主元分析降低配合煤的维数，提高rbf网络的学习速度。

    1)机理分析配煤是根据炼焦生产过程对焦炭质量的要求，将各种品质的单种煤按照一定的比例混合，得到符合标准的配合煤。配合煤经皮带运送到焦炉顶部的煤塔后，在一定的时刻由装煤车送入炭化室；加热用煤气在燃烧室内燃烧后产牛的热量以辐射、对流的方式传给炭化室；配合煤在炭化室中经过约20个小时的高温干馏，冷却后形成焦炭。

    从上述配煤一炼焦过程来看，影响焦炭质量的因素主要是配合煤指标和炼焦生产过程。配合煤的性质是焦炭质量的决定因素，既影响焦炭的灰分、硫分等化学组成，又影响机械强度和反应特性。炼焦过程的操作参数是焦炭质量的重要因素，主要影响机械强度和反应特性。

    灰分和硫分是配合煤的主要化学组成。在炼焦生产过程中，灰分全部转入焦炭，既影响配合煤的粘结性，又降低焦炭的抗碎强度，使焦炭的反应性升高，反应后强度降低，从而影响焦炭在高炉冶炼中的透气性。硫分能破坏配合煤的粘结性，降低焦炭的机械强度。配合煤含硫量大时，对高炉操作影响很大，通常配含煤的硫分每增加百分之0 1，高炉生产能力将会降低百分之1. 6~2．0。

    配合煤的挥发分和粘结性是影响焦炭质量的关键因素。较高的挥发分既使焦炭的收缩度变大，影响焦炭的机械特性，义使气7l壁变薄和气孔率增大，影响焦炭的反应特性：粘结指数和胶质层厚度反应了配合煤的粘结性。过高的粘结指数将会导致焦炭变脆，强度降低。胶质层厚度是配合煤中胶质体的含量，如果胶质体过量，将会影响结焦过程中挥发物的溢出，从而影响焦炭机械特性和反应特性。

    细度是煤