【摘要】：轉爐煉鋼是目前世界上煉鋼的主要方法,主要任務是冶煉出溫度、成分均合乎鋼種要求的鋼水,其中對轉爐的終點控制是關鍵技術。提高終點控制的準確性能夠有效降低生產(chǎn)成本,提高效益。我國目前依然存在大量的自動控制水平較低的小型煉鋼廠,受到多方面限制,還在依靠人工經(jīng)驗和靜態(tài)控制指導生產(chǎn)。針對這一問題,結合神經(jīng)網(wǎng)絡和靜態(tài)控制建立模型來提高對轉爐終點碳溫預測的精度,從而達到對轉爐煉鋼終點的控制。在充分閱讀國內外轉爐終點控制領域的相關文獻的基礎上,介紹目前國內外的研究現(xiàn)狀和成果。深入分析了轉爐煉鋼機理模型,根據(jù)冶煉目標要求和原料成分,利用熱平衡和物料平衡,計算出入爐前的原料配比�；跉v史數(shù)據(jù)建立預測模型是靜態(tài)控制的核心,根據(jù)采集的原始數(shù)據(jù),對數(shù)據(jù)進行預處理.包括剔除異常值,歸一化,采用灰色關聯(lián)分析相關參量與終點碳溫的相關度。取關聯(lián)度較大的參量作為模型的輸入。基于樣本數(shù)據(jù),建立BP神經(jīng)網(wǎng)絡預測模型,針對BP模型基于梯度下降迭代調整權值而的缺陷,采用粒子群算法對網(wǎng)絡的初始權值和閾值進行優(yōu)化,來避免網(wǎng)絡陷入局部最優(yōu)和反復的迭代,提高模型的預測精度。建立ELM預測模型,ELM采用的是隨機隱藏層初始權值和閾值的做法,通過解析計算來求得輸出權值。針對網(wǎng)絡結構冗余泛化能力不夠的缺陷,融合粒子群算法和差分進化算法,對ELM模型隨機的隱藏層初始權值和閾值進行尋優(yōu),以提高模型的泛化能力和預測精度。采用某煉鋼廠中采集的60組實際煉鋼生產(chǎn)數(shù)據(jù)作為樣本,對幾種模型進行仿真校驗,橫向對比優(yōu)化前后各模型的預測精度,對結果綜合進行總結,縱向分析模型優(yōu)化前后的性能參數(shù)和預測結果,最后綜合得出結論。
【圖文】：

第二章 轉爐煉鋼工藝制度流程和機理模型稱之為脫氧；同時加入的合金元素還使鋼水達到出鋼要求；這一過程稱之為脫氧合金化。2.3 轉爐煉鋼的工藝流程轉爐煉鋼周期一般為 30分鐘左右，吹煉過程占其中近一半時間。通常從上一爐倒渣完畢到下一爐倒渣結束為一個周期。圖 2.1為轉爐煉鋼工藝流程：

在技術判別無法決定，應根據(jù)數(shù)理統(tǒng)計判別方法，決不能憑個人主觀直覺對數(shù)據(jù)進行剔除，這樣建立的預測模型實際效果將受到影響，無法在實踐中應用。常見的數(shù)理統(tǒng)計判斷準則有以下幾條：拉依達準則[27]，格羅布斯準則[28]，狄克松準則[29]等等。這些準則都有各自的特點，，本文的原始數(shù)據(jù)容量較大，僅拉依達準則較為合適，但拉依達準則本身會受到異常值的影響，若異常值變化波動范圍較大，均值就不能客觀的反映數(shù)據(jù)特征，處理結果會受到較大影響。所以采用基于總體參數(shù)的總括值[30]法對數(shù)據(jù)進行處理。總括值法是基于數(shù)據(jù)排序和評秩運算從數(shù)據(jù)集中系統(tǒng)的提取的統(tǒng)計值，對數(shù)據(jù)沒有任何限制性要求，只是直觀的表達數(shù)據(jù)形狀的真實面貌，它對異常值的判斷是基于四分位數(shù)和四分位距，少部分數(shù)據(jù)變化波動范圍較大，對結果的改變也是輕微的。相比于拉依達準則，對于不良數(shù)據(jù)的耐抗性更強。這五種總括值分別為上四分數(shù)，中位數(shù)，下四分數(shù)，最大值，最小值。通常采用箱型圖來對數(shù)據(jù)進行分析處理，這種方式直觀明了�？偫ㄖ档南湫蛨D 3.11如下：
【學位授予單位】：南昌大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TF713

【參考文獻】

相關期刊論文 前10條

1 王崇剛;;如何運用神經(jīng)網(wǎng)絡開展計算機網(wǎng)絡的安全性評估[J];科技展望;2015年27期

2 阮飛;趙鳳光;富曉陽;劉卓承;揭暢;;轉爐煉鋼物料平衡熱量平衡通用計算軟件開發(fā)及應用[J];工業(yè)加熱;2015年04期

3 呂忠;周強;周琨;陳立;申雙葵;;基于遺傳算法改進極限學習機的變壓器故障診斷[J];高壓電器;2015年08期

4 石艷;黃亞純;曾維友;劉志強;;轉爐煉鋼動態(tài)控制模型研究與工程應用[J];礦冶工程;2014年04期

5 王領;;基于鐵碳合金相圖的碳鋼鍛造性能分析研究[J];湖南農(nóng)機;2014年05期

6 丁碩;常曉恒;巫慶輝;楊友林;;數(shù)值優(yōu)化改進的BP神經(jīng)網(wǎng)絡逼近性能對比研究[J];山東科學;2014年01期

7 劉超;;轉爐煉鋼終點控制技術研究及應用[J];特鋼技術;2013年03期

8 黃賢源;翟國君;隋立芬;黃謨濤;歐陽永忠;柴洪洲;;LS-SVM算法中優(yōu)化訓練樣本對測深異常值剔除的影響[J];測繪學報;2011年01期

9 趙曉東;徐生林;楊成忠;;轉爐煉鋼多變量神經(jīng)網(wǎng)絡預報模型[J];化工學報;2010年08期

10 李彬;李貽斌;榮學文;;ELM-RBF神經(jīng)網(wǎng)絡的智能優(yōu)化策略[J];山東大學學報(理學版);2010年05期

本文編號：2688879