鋼鐵行業(yè)作為我國經(jīng)濟發(fā)展的支柱產(chǎn)業(yè),是資源和能源密集產(chǎn)業(yè),焦炭質(zhì)量與煉焦能耗作為煉焦生產(chǎn)過程中的重要指標,對企業(yè)的經(jīng)濟效益有著重要的意義。目前煉焦企業(yè)設(shè)備和技術(shù)欠缺,很難實現(xiàn)在線監(jiān)測。為了保證焦炭的質(zhì)量及穩(wěn)定性,煉焦能耗符合要求,對焦化生產(chǎn)過程進行實時控制,降低企業(yè)生產(chǎn)成本,提高經(jīng)濟效益,因此需要建立相應(yīng)的預(yù)測模型進行預(yù)測來指導(dǎo)企業(yè)的生產(chǎn)。本文針對煉焦企業(yè)焦炭質(zhì)量與煉焦能耗很難實現(xiàn)在線監(jiān)測的問題,在對國內(nèi)外研究現(xiàn)狀分析的基礎(chǔ)上,對焦炭的生產(chǎn)工藝、焦炭質(zhì)量指標以及煉焦能耗等進行了深入的探究,構(gòu)建一種基于混沌優(yōu)化算法(Chaos Optimization Algorithm)和差分進化算法(Differential Evolution Algorithm,DE)優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型,將該模型用于焦炭質(zhì)量與煉焦能耗的預(yù)測。煉焦的實際過程是一個涉及物理與化學(xué)的過程,結(jié)合煉焦生產(chǎn)過程中的煉焦生產(chǎn)流程原理,分析探討影響焦炭質(zhì)量與煉焦能耗的因素,找到模型的輸入輸出量,構(gòu)建相應(yīng)的預(yù)測模型。通過對煉焦企業(yè)采集的數(shù)據(jù)進行篩選與預(yù)處理,利用實際生產(chǎn)數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行學(xué)習,確定神經(jīng)網(wǎng)絡(luò)的參數(shù),用訓(xùn)練后的網(wǎng)絡(luò)對焦炭質(zhì)量與煉焦能耗進行預(yù)測,將預(yù)測得到數(shù)據(jù)與實際數(shù)據(jù)進行對比分析。為解決神經(jīng)網(wǎng)絡(luò)參數(shù)隨機選擇影響預(yù)測模型精度問題,本文提出混合算法對神經(jīng)網(wǎng)絡(luò)的函數(shù)中心、寬度以及輸出權(quán)值進行優(yōu)化。首先將RBF(Radial Basis Function)網(wǎng)絡(luò)仿真得到的中心值、寬度以及輸出權(quán)值進行組合,作為CDE(Chaos and Differential Evolution Optimization Algorithm,CDE)算法種群規(guī)模的個體,初始化CDE算法中各個參數(shù),混合算法的適應(yīng)度函數(shù)取決于RBF網(wǎng)絡(luò)的均方差,并作為評價種群的標準,得到最優(yōu)的解,將這些解解碼后代回網(wǎng)絡(luò),得到CDE-RBF網(wǎng)絡(luò)的預(yù)測模型,將該模型用到實際生產(chǎn)的預(yù)測中,進行焦炭質(zhì)量與煉焦能耗的預(yù)測。最后焦炭質(zhì)量與煉焦能耗的預(yù)測模型仿真結(jié)果表明CDE-RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型能夠彌補RBF網(wǎng)絡(luò)預(yù)測精度低的缺點,能夠正確指導(dǎo)煉焦企業(yè)焦炭生產(chǎn)過程中的實時控制,為煉焦企業(yè)了解焦炭質(zhì)量好壞與煉焦能耗多少提供了參考,對實際生產(chǎn)具有指導(dǎo)作用。
【學(xué)位單位】：遼寧石油化工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TQ520.1;TP18
【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 焦炭質(zhì)量與煉焦能耗預(yù)測研究現(xiàn)狀
    1.3 相關(guān)原理研究現(xiàn)狀
    1.4 論文研究內(nèi)容及結(jié)構(gòu)安排
2 煉焦生產(chǎn)機理分析及影響因素的確定
    2.1 煉焦生產(chǎn)機理分析
    2.2 煉焦能耗預(yù)測模型分析
        2.2.1 焦炭質(zhì)量指標要求
        2.2.2 焦炭質(zhì)量預(yù)測模型影響因素
        2.2.3 焦炭質(zhì)量預(yù)測模型變量確定
    2.3 煉焦能耗預(yù)測模型分析
        2.3.1 煉焦能耗影響因素
        2.3.2 煉焦能耗預(yù)測模型變量確定
    2.4 本章小結(jié)
3 焦炭質(zhì)量與煉焦能耗RBF預(yù)測模型分析
    3.1 RBF神經(jīng)網(wǎng)絡(luò)
        3.1.1 徑向基函數(shù)
        3.1.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.3 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習算法
    3.2 RBF神經(jīng)網(wǎng)絡(luò)的焦炭質(zhì)量預(yù)測模型分析
        3.2.1 數(shù)據(jù)樣本選擇預(yù)處理
        3.2.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型確定
        3.2.3 RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測分析
    3.3 RBF神經(jīng)網(wǎng)絡(luò)的煉焦能耗預(yù)測模型分析
        3.3.1 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型確定
        3.3.2 數(shù)據(jù)樣本選擇預(yù)處理
        3.3.3 神經(jīng)網(wǎng)絡(luò)的預(yù)測分析
    3.4 本章小結(jié)
4 混沌差分進化算法
    4.1 差分進化算法
        4.1.1 差分進化算法原理
        4.1.2 差分進化算法的步驟
        4.1.3 差分進化算法的參數(shù)分析
        4.1.4 差分進化算法的優(yōu)缺點
    4.2 混沌搜索算法
        4.2.1 混沌映射
        4.2.2 混沌優(yōu)化算法流程
    4.3 混沌差分進化算法
    4.4 本章小結(jié)
5 焦炭質(zhì)量與煉焦能耗CDE-RBF預(yù)測模型
    5.1 CDE-RBF算法流程
    5.2 CDE優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的焦炭質(zhì)量預(yù)測模型
        5.2.1 CDE-RBF網(wǎng)絡(luò)焦炭質(zhì)量預(yù)測模型確定
        5.2.2 CDE-RBF算法的實現(xiàn)
        5.2.3 CDE-RBF神經(jīng)網(wǎng)絡(luò)焦炭質(zhì)量預(yù)測模型的預(yù)測分析
    5.3 CDE優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的煉焦能耗預(yù)測模型
        5.3.1 CDE-RBF神經(jīng)網(wǎng)絡(luò)煉焦能耗預(yù)測模型確定
        5.3.2 CDE-RBF算法的實現(xiàn)
        5.3.3 CDE-RBF神經(jīng)網(wǎng)絡(luò)煉焦能耗預(yù)測模型的預(yù)測分析
    5.4 本章小節(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
符號說明
參考文獻
致謝
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄

【參考文獻】

相關(guān)期刊論文 前8條

1 詹艷艷;姜靜;顧國利;;基于GA優(yōu)化RBF網(wǎng)絡(luò)的焦炭質(zhì)量模型[J];電子技術(shù);2015年04期

2 徐順國;;依靠技術(shù)進步 降低煉焦工序能耗[J];梅山科技;2015年01期

3 姜靜;黃永輝;;基于多元回歸分析的焦炭質(zhì)量預(yù)測的研究[J];計算機與應(yīng)用化學(xué);2013年10期

4 徐蘭;方志耕;劉思峰;;基于粒子群BP神經(jīng)網(wǎng)絡(luò)的質(zhì)量預(yù)測模型[J];工業(yè)工程;2012年04期

5 張偉峰;孔金生;;GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)焦炭質(zhì)量預(yù)測模型[J];選煤技術(shù);2011年03期

6 王偉;吳敏;雷琪;曹衛(wèi)華;;煉焦生產(chǎn)過程綜合生產(chǎn)指標的改進神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J];控制理論與應(yīng)用;2009年12期

7 譚躍;譚冠政;涂立;;一種新的混沌差分進化算法[J];計算機工程;2009年11期

8 周洪;閔禮書;鄒祥林;;基于神經(jīng)網(wǎng)絡(luò)的特大型焦爐焦炭質(zhì)量預(yù)測研究[J];系統(tǒng)仿真學(xué)報;2009年06期

相關(guān)碩士學(xué)位論文 前10條

1 王帥;煉焦煤分析及焦炭質(zhì)量預(yù)測的研究[D];安徽工業(yè)大學(xué);2018年

2 朱琳;差分進化算法的改進研究[D];西北師范大學(xué);2018年

3 王娜;差分混合蛙跳算法的改進及其應(yīng)用[D];廣東工業(yè)大學(xué);2017年

4 吳秀麗;元啟發(fā)式水波優(yōu)化算法改進及應(yīng)用研究[D];廣西大學(xué);2017年

5 譚冬文;基于時延Logistic混沌映射的圖像加密算法研究[D];蘭州大學(xué);2017年

6 潘金晶;基于RBF神經(jīng)網(wǎng)絡(luò)的溶解氧預(yù)測模型研究[D];上海海洋大學(xué);2016年

7 黃齊華;萊鋼焦煤性質(zhì)分析及焦炭質(zhì)量預(yù)測研究[D];安徽工業(yè)大學(xué);2016年

8 代瑞瑞;差分進化算法改進研究[D];西北師范大學(xué);2016年

9 田英奇;配煤煉焦試驗優(yōu)化與神經(jīng)網(wǎng)絡(luò)焦炭質(zhì)量預(yù)測模型的研究[D];華東理工大學(xué);2016年

10 李君祥;基于混沌和遺傳算法修正的BP數(shù)據(jù)手套手勢識別[D];哈爾濱理工大學(xué);2016年

本文編號：2883679