Алгоритми нечіткої кластеризації для прогнозування процесів гірничо-металургійного виробництва

Abstract

Запропоновано для підвищення точності прогнозування процесів гірничо-металургійного виро-бництва використовувати адаптивні фільтри-апроксиматори на основі нечіткої кластеризації, а також проводити налаштування їх параметрів за допомогою методів глобальної оптимізації. Ви-значено ефективність запропонованого підходу на прикладі прогнозування технологічних про-цесів крупного дроблення і доменного виробництва.

It is proposed to improve the accuracy prediction the processes of mining and metallurgical production to use adaptive filter-approximators based on fuzzy clustering, and settings its parameters using global optimization methods. In this case, to build adaptive filters used subtractive clustering and fuzzy clustering C-means. For global optimization methods applied genetic algorithms, multiobjective optimization, direct search, simulated annealing and threshold acceptance. For parametric optimization was used the criterion of regularity, calculated on the test sample, and for the global – the combined criterion consisting of the criterion of regularity and the criterion of minimum bias, based on the analysis of solutions. Efficiency the proposed approach is defined for prediction of technological processes for coarse crushing (class +100 mm content in ore output) and blast furnace (silicon content in the iron at issue).