基于模糊规则与神经网络的钢铁高炉煤气系统智能优化控制

本文主要探讨了钢铁行业高炉煤气系统（Blast Furnace Gas, BFG）的控制与优化问题。针对此类复杂非线性系统的管理，作者提出了一个基于知识的最优控制策略，该策略结合了模糊规则提取与神经网络（Neural Networks, NN）集成预测技术。首先，作者构建了一种模糊模型，通过对工业过程的历史数据进行社区检测（Community Detection），从大量专家经验和控制知识中提炼出模糊规则。这些规则构成了模糊规则库，用于在处理新的控制方案时进行模糊推理，以实现智能决策。 模糊规则库的设计不仅依赖于历史数据，还考虑了丰富的调度知识，这使得控制策略更加灵活和适应性强。另一方面，作者建立了一个数据驱动的NN集合，用于精确地模拟BFG系统的动态行为，以便进行准确的预测。这种集成的预测能力为控制策略提供了关键的输入信息，使得优化过程更为精确。 在整个控制过程中，模糊规则库与神经网络预测的结合起到了关键作用。模糊规则库通过处理专家知识，确保了控制决策的稳健性，而神经网络则提供了实时的系统状态预测，帮助优化系统性能。这种方法旨在克服传统控制方法在处理高炉煤气系统中的复杂性和不确定性上的挑战。 实验部分，研究者选择了某钢铁企业的实际高炉煤气系统作为案例，对提出的控制与优化算法进行了实地验证。结果显示，这种方法显著提高了系统的运行效率，降低了能耗，并且具有良好的鲁棒性和实用性。这项研究为钢铁行业的高炉煤气系统管理提供了创新的解决方案，有望推动整个行业的智能化和可持续发展。 该论文发表于ACCESS期刊，获得了2017年国家自然科学基金、中国博士后科学基金、泰山学者奖学金建设工程项目以及山东科技大学的公共访问学者及科研基金等多方面的支持，体现了研究团队对该领域研究的深入理解和重视。通过这篇文章，我们可以了解到知识驱动的控制与优化在复杂工业环境中的巨大潜力和价值。