為了實(shí)現(xiàn)高效率、低能耗、長壽命、低污染的綜合目標(biāo),現(xiàn)代煉鐵工藝在生產(chǎn)方式上已經(jīng)逐漸趨于大型化和高效化。高爐內(nèi)部是一個非線性、大時滯的復(fù)雜系統(tǒng),高溫高壓的環(huán)境使得爐溫的測量和控制都不易實(shí)現(xiàn)。本文利用鐵水硅含量和高爐爐溫之間的正相關(guān)性,通過對鐵水硅含量的預(yù)測實(shí)現(xiàn)對爐溫的間接預(yù)測。針對硅含量預(yù)測中影響因素眾多的問題,本文利用神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)復(fù)雜的非線性映射的能力建立BP神經(jīng)網(wǎng)絡(luò)模型,對高爐鐵水硅含量進(jìn)行預(yù)測。本文對某鋼高爐的實(shí)際生產(chǎn)數(shù)據(jù)做了灰色關(guān)聯(lián)度分析,選取鼓風(fēng)濕度、爐頂溫度、爐頂壓力等十個與鐵水的硅含量相關(guān)性較大的因素作為預(yù)測模型的輸入,在建立模型之前通過歸一化處理統(tǒng)一各數(shù)據(jù)量綱,研究并確定各因素的滯后時間。針對前期建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型存在預(yù)測性能不穩(wěn)定、個別樣本誤差偏大的問題,進(jìn)而提出利用遺傳算法全局搜索能力強(qiáng)和容錯率高的優(yōu)點(diǎn)對傳統(tǒng)預(yù)測模型的初始權(quán)值和閾值進(jìn)行參數(shù)尋優(yōu)并建立GA-BP模型仿真實(shí)驗(yàn),仿真結(jié)果顯示優(yōu)化后的預(yù)測模型在預(yù)測穩(wěn)定性和命中率上都有一定提高。最后利用粒子群算法收斂速度快、效率高的優(yōu)點(diǎn)優(yōu)化預(yù)測模型建立APSO-BP模型并進(jìn)行仿真實(shí)驗(yàn)。通過對三種預(yù)測模型的結(jié)果對比發(fā)... 

【文章來源】：安徽工業(yè)大學(xué)安徽省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

高爐煉鐵工藝流程圖

生產(chǎn)的連續(xù)性：高爐從開始投入使用到大修停爐這段時間一直持續(xù)不停地工作，只有在發(fā)生產(chǎn)事故或者維護(hù)時才暫時休風(fēng)，任何生產(chǎn)問題的出現(xiàn)都容易導(dǎo)致高爐停爐而造成巨額損失。 機(jī)械自動化程度高：為了保證高爐生產(chǎn)的連續(xù)性，高爐需要具有較高的機(jī)械自動化水平以連續(xù)供足量的原料和產(chǎn)品。 大規(guī)模：目前高爐有效容積達(dá)到 5000m3，日產(chǎn)萬噸生鐵，消耗萬噸原料，整個供料、鐵過程都是大規(guī)模的連續(xù)生產(chǎn)過程。 生產(chǎn)聯(lián)合性高：高爐煉鐵是鋼鐵行業(yè)的中間環(huán)節(jié)，一旦高爐出現(xiàn)生產(chǎn)事故就會對后續(xù)的企帶來巨大影響，所以需要對高爐的順行起到足夠重視以保證聯(lián)合企業(yè)生產(chǎn)。1.2 高爐數(shù)據(jù)采集

基于改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的高爐鐵水硅含量預(yù)測方法慢得到改善。高潮： John Hopfield 于 1982 年及 1984 年提出了 Hopfield 模型，神經(jīng)網(wǎng)了黃金時期，有別于符號邏輯處理方法，Hopfied 模型通過一種態(tài)過程解決問題。此后，John Hopfield 還利用該模型解決了復(fù)雜行商問題。在 80 年代末，反向傳播算法以及分布式表達(dá)的提出讓次興起，反向傳播算法至今依舊是最常用的網(wǎng)絡(luò)訓(xùn)練算法之一。經(jīng)網(wǎng)絡(luò)生物學(xué)基礎(chǔ)和模型的大腦中大概存在 1011個神經(jīng)元，神經(jīng)元屬于高度互相連接單元理大腦里接收到的信息，它由樹突、細(xì)胞體和軸突組成。圖 2-3簡圖。


本文編號：3438971