【摘要】：高爐煉鐵是鋼鐵冶煉中重要的生產(chǎn)環(huán)節(jié)。在高爐煉鐵過程中,鐵礦石、焦炭及溶劑按一定比例配成爐料,從爐頂進料口加入到爐內(nèi)。鐵礦石在高溫高壓下,經(jīng)過一系列復(fù)雜的物理化學(xué)反應(yīng)最終被還原成鐵,以鐵水的形式從高爐出鐵口流出。鐵水的質(zhì)量對后續(xù)轉(zhuǎn)爐煉鋼有著很大的影響,因此有必要實時準確地監(jiān)測高爐內(nèi)部狀態(tài)參數(shù),來保障高爐的平穩(wěn)運行以生產(chǎn)出質(zhì)量合格的鐵水。然而高爐煉鐵是一個包含氣、固、液三相混合,物理化學(xué)反應(yīng)極其復(fù)雜的過程,其內(nèi)部環(huán)境極其惡劣,這些導(dǎo)致了操作人員難以對其內(nèi)部運行狀態(tài)的變化進行實時監(jiān)測。因此有必要建立準確可靠的鐵水質(zhì)量模型來反映高爐當前和預(yù)期的內(nèi)部溫度和指標參數(shù)變化,為現(xiàn)場操作人員提供全面的爐況和鐵水質(zhì)量信息。目前,隨機權(quán)神經(jīng)網(wǎng)絡(luò)(RVFLNs)被廣泛應(yīng)用于解決實際工程的建模、回歸與分類,并且近幾年也用于解決高爐鐵水質(zhì)量建模問題。相比常規(guī)的BP、RBF等神經(jīng)網(wǎng)絡(luò),隨機權(quán)神經(jīng)網(wǎng)絡(luò)有更快的速度和更高的計算效率,但隨機權(quán)神經(jīng)網(wǎng)絡(luò)普遍存在易出現(xiàn)過擬合情況、計算結(jié)果不穩(wěn)定、模型精度不夠高的問題。為此,本文針對這些問題,依托國家自然科學(xué)基金重大研究項目“大型高爐高性能運行控制方法及其實現(xiàn)技術(shù)”(61290323),以柳鋼2號高爐為研究對象,開展基于改進隨機權(quán)神經(jīng)網(wǎng)絡(luò)的多元鐵水質(zhì)量建模研究,具體工作如下:(1)針對現(xiàn)有隨機權(quán)神經(jīng)網(wǎng)絡(luò)建模方法存在的節(jié)點選擇不當時易出現(xiàn)過擬合的問題,基于自編碼(Autoencoder)算法和主成分分析(PCA)技術(shù),提出一種新型的改進隨機權(quán)神經(jīng)網(wǎng)絡(luò)-基于自編碼和主成分分析的隨機權(quán)神經(jīng)網(wǎng)絡(luò)(AE-P-RVFLNs),并建立高爐多元鐵水質(zhì)量指標的帶輸入的非線性自回歸(NARX)模型。首先,對高爐的狀態(tài)變量和控制變量進行分析得到16個影響鐵水質(zhì)量指標的變量,并引入PCA對16個變量進行降維處理以降低運算的復(fù)雜程度。其次,為了使模型更好的逼近實際系統(tǒng)的動態(tài)特性,本文引入NARX模型,并基于AIC(Akaike's Information Criterion)準則和 SR(Schwartz-Rissanen)準則確定了 NARX模型的最佳階次。在確定了模型結(jié)構(gòu)后,為了分析出實際復(fù)雜工業(yè)數(shù)據(jù)中的有用信息和發(fā)現(xiàn)輸入數(shù)據(jù)之間的隱藏關(guān)系,用Autoencoder訓(xùn)練輸入數(shù)據(jù),并將訓(xùn)練得到的輸出權(quán)值作為后續(xù)神經(jīng)網(wǎng)絡(luò)中的輸入權(quán)重。隨后,引入PCA技術(shù)對隱層輸出矩陣進行降維處理,避免隱層輸出矩陣多重共線問題,大大降低網(wǎng)絡(luò)中的無用隱層結(jié)點個數(shù),簡化網(wǎng)絡(luò)結(jié)構(gòu),有效避免由于隱層節(jié)點過多導(dǎo)致的過擬合問題。最后,將所提方法在柳鋼2號高爐進行了工業(yè)試驗和比較研究。結(jié)果表明,相對于常規(guī)鐵水質(zhì)量估計方法,本文所提模型提高了計算精度和計算速度,并且有效解決了常規(guī)RVFLNs由于隱層節(jié)點選擇不當造成的過擬合問題。(2)針對常規(guī)RVFLNs計算結(jié)果不穩(wěn)定以及精度需要進一步提高的問題,本文提出基于改進增量型隨機權(quán)神經(jīng)網(wǎng)絡(luò)(I-RVFLNs)的多元鐵水質(zhì)量動態(tài)NARX建模方法。首先,改進并設(shè)定了符合高爐煉鐵工藝實際和多輸入多輸出動態(tài)建模問題的算法終止條件;其次,針對增量型神經(jīng)網(wǎng)絡(luò)節(jié)點過多的情況,提出一種改進的增量型隨機權(quán)神經(jīng)網(wǎng)絡(luò),該算法在不改變網(wǎng)絡(luò)節(jié)點個數(shù)和保證誤差不斷下降的前提下,依次改變每個節(jié)點的輸出權(quán)重來,逼近理想輸出值;最后基于柳鋼2號高爐的實際數(shù)據(jù)建立了改進的增量型隨機權(quán)神經(jīng)網(wǎng)絡(luò)的多元鐵水質(zhì)量動態(tài)NARX模型,并和其他模型進行對比實驗。結(jié)果表明,相對于常規(guī)鐵水質(zhì)量模型,上述模型有更好的精度和速度。
【圖文】：

等溶劑結(jié)合形成爐渣，隨鐵水一同排出。大量還原性氣體在上升過程中經(jīng)過一系逡逑列復(fù)雜的反應(yīng)，最終形成高爐煤氣從爐頂回收，經(jīng)重力除塵后作為熱風(fēng)爐、加熱逡逑爐、焦爐、鍋爐等的燃料，其工藝流程圖如圖２．１所示［４１］。逡逑由高爐煉鐵工藝可知，，高爐冶煉過程包含眾多的工序和大量的影響因素，如逡逑配料、上料、鼓風(fēng)、噴煤等，且高爐內(nèi)部存在著固液氣三種不同的相態(tài)，三相流逡逑體之間不斷進行著動量、質(zhì)量和能量的傳遞和轉(zhuǎn)換，同時在高溫高壓下，高爐內(nèi)逡逑發(fā)生大量的化學(xué)反應(yīng)，其復(fù)雜程度可想而知。此外，高爐冶煉過程所具有的時變、逡逑高維等復(fù)雜特性和封閉設(shè)備條件下所帶來參數(shù)檢測上的困難，導(dǎo)致操作人員難以逡逑對高爐內(nèi)部的運行狀態(tài)進行實時監(jiān)測。因此有必要建立鐵水質(zhì)量模型來間接反映逡逑高爐當前和預(yù)期的內(nèi)部溫度和指標參數(shù)變化，為現(xiàn)場操作人員提供全面的爐況和逡逑鐵水質(zhì)量信息。逡逑－１０－逡逑

圖３．１前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)逡逑Ｆｉｇ．邋３．１邋Ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ｔｙｐｉｃａｌ邋ｆｅｅｄｆｏｒｗａｒｄ邋ｎｅｕｒａｌ邋ｎｅｔｗｏｒｋ逡逑圖３．１給出了單隱層前饋網(wǎng)絡(luò)的結(jié)構(gòu)圖。Ｎ個任意的樣本集合（＼，兄），逡逑＼邋二匕，，？，…，？］１邋ｅ／Ｔ，少，NB２，．＂，＿ｙ？？］Ｔ邋￡／？’’’，／邋＝邋１，２，＂－，＃。一個帶有１個隱逡逑層節(jié)點，以舛幻為激勵函數(shù)的標準單隱層前饋神經(jīng)網(wǎng)絡(luò)可以表示為：逡逑人＝５＾＞（＇，；＾，６；），／二１，．．．，＃邐（３．１）逡逑７＝１逡逑式（３．１）中，和＼是《個輸入節(jié)點連接第＿／個隱含層的輸入權(quán)重和逡逑隱層偏置；Ａ邐Ａ？，］Ｔ是第個隱含層節(jié)點連接ｍ個輸出節(jié)點的輸出權(quán)重；逡逑ＭｙＸ，表示．與；Ｃ，的內(nèi)積；０（＞＾．，．＼：，．，６／）為第＿／個隱含層節(jié)點的輸出函數(shù)。對于加性逡逑節(jié)點
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP183;TF53

【參考文獻】

相關(guān)期刊論文 前3條

1 儲滿生;尚策;艾名星;沈峰滿;;高爐煉鐵技術(shù)的最新進展[J];中國冶金;2006年10期

2 劉祥官,劉芳,劉元和,羅登武,王子金,吳曉峰;萊鋼1號750m~3高爐智能控制專家系統(tǒng)[J];鋼鐵;2002年08期

3 周明;秦民生;;高爐鐵水含硅預(yù)報數(shù)學(xué)模型[J];鋼鐵;1986年05期

本文編號：2670612