焦炭质量与炼焦能耗的预测模型研究

发布时间：2020-11-14 16:19

　　 钢铁行业作为我国经济发展的支柱产业,是资源和能源密集产业,焦炭质量与炼焦能耗作为炼焦生产过程中的重要指标,对企业的经济效益有着重要的意义。目前炼焦企业设备和技术欠缺,很难实现在线监测。为了保证焦炭的质量及稳定性,炼焦能耗符合要求,对焦化生产过程进行实时控制,降低企业生产成本,提高经济效益,因此需要建立相应的预测模型进行预测来指导企业的生产。本文针对炼焦企业焦炭质量与炼焦能耗很难实现在线监测的问题,在对国内外研究现状分析的基础上,对焦炭的生产工艺、焦炭质量指标以及炼焦能耗等进行了深入的探究,构建一种基于混沌优化算法(Chaos Optimization Algorithm)和差分进化算法(Differential Evolution Algorithm,DE)优化的RBF神经网络模型,将该模型用于焦炭质量与炼焦能耗的预测。炼焦的实际过程是一个涉及物理与化学的过程,结合炼焦生产过程中的炼焦生产流程原理,分析探讨影响焦炭质量与炼焦能耗的因素,找到模型的输入输出量,构建相应的预测模型。通过对炼焦企业采集的数据进行筛选与预处理,利用实际生产数据对神经网络进行学习,确定神经网络的参数,用训练后的网络对焦炭质量与炼焦能耗进行预测,将预测得到数据与实际数据进行对比分析。为解决神经网络参数随机选择影响预测模型精度问题,本文提出混合算法对神经网络的函数中心、宽度以及输出权值进行优化。首先将RBF(Radial Basis Function)网络仿真得到的中心值、宽度以及输出权值进行组合,作为CDE(Chaos and Differential Evolution Optimization Algorithm,CDE)算法种群规模的个体,初始化CDE算法中各个参数,混合算法的适应度函数取决于RBF网络的均方差,并作为评价种群的标准,得到最优的解,将这些解解码后代回网络,得到CDE-RBF网络的预测模型,将该模型用到实际生产的预测中,进行焦炭质量与炼焦能耗的预测。最后焦炭质量与炼焦能耗的预测模型仿真结果表明CDE-RBF神经网络预测模型能够弥补RBF网络预测精度低的缺点,能够正确指导炼焦企业焦炭生产过程中的实时控制,为炼焦企业了解焦炭质量好坏与炼焦能耗多少提供了参考,对实际生产具有指导作用。
【学位单位】：辽宁石油化工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TQ520.1;TP18
【文章目录】：
摘要
abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 焦炭质量与炼焦能耗预测研究现状
    1.3 相关原理研究现状
    1.4 论文研究内容及结构安排
2 炼焦生产机理分析及影响因素的确定
    2.1 炼焦生产机理分析
    2.2 炼焦能耗预测模型分析
        2.2.1 焦炭质量指标要求
        2.2.2 焦炭质量预测模型影响因素
        2.2.3 焦炭质量预测模型变量确定
    2.3 炼焦能耗预测模型分析
        2.3.1 炼焦能耗影响因素
        2.3.2 炼焦能耗预测模型变量确定
    2.4 本章小结
3 焦炭质量与炼焦能耗RBF预测模型分析
    3.1 RBF神经网络
        3.1.1 径向基函数
        3.1.2 RBF神经网络结构
        3.1.3 RBF神经网络的学习算法
    3.2 RBF神经网络的焦炭质量预测模型分析
        3.2.1 数据样本选择预处理
        3.2.2 RBF神经网络预测模型确定
        3.2.3 RBF神经网络的预测分析
    3.3 RBF神经网络的炼焦能耗预测模型分析
        3.3.1 RBF神经网络预测模型确定
        3.3.2 数据样本选择预处理
        3.3.3 神经网络的预测分析
    3.4 本章小结
4 混沌差分进化算法
    4.1 差分进化算法
        4.1.1 差分进化算法原理
        4.1.2 差分进化算法的步骤
        4.1.3 差分进化算法的参数分析
        4.1.4 差分进化算法的优缺点
    4.2 混沌搜索算法
        4.2.1 混沌映射
        4.2.2 混沌优化算法流程
    4.3 混沌差分进化算法
    4.4 本章小结
5 焦炭质量与炼焦能耗CDE-RBF预测模型
    5.1 CDE-RBF算法流程
    5.2 CDE优化RBF神经网络的焦炭质量预测模型
        5.2.1 CDE-RBF网络焦炭质量预测模型确定
        5.2.2 CDE-RBF算法的实现
        5.2.3 CDE-RBF神经网络焦炭质量预测模型的预测分析
    5.3 CDE优化RBF神经网络的炼焦能耗预测模型
        5.3.1 CDE-RBF神经网络炼焦能耗预测模型确定
        5.3.2 CDE-RBF算法的实现
        5.3.3 CDE-RBF神经网络炼焦能耗预测模型的预测分析
    5.4 本章小节
6 总结与展望
    6.1 总结
    6.2 展望
符号说明
参考文献
致谢
攻读硕士学位期间发表的学术论文目录

【参考文献】

相关期刊论文 前8条

1 詹艳艳;姜静;顾国利;;基于GA优化RBF网络的焦炭质量模型[J];电子技术;2015年04期

2 徐顺国;;依靠技术进步 降低炼焦工序能耗[J];梅山科技;2015年01期

3 姜静;黄永辉;;基于多元回归分析的焦炭质量预测的研究[J];计算机与应用化学;2013年10期

4 徐兰;方志耕;刘思峰;;基于粒子群BP神经网络的质量预测模型[J];工业工程;2012年04期

5 张伟峰;孔金生;;GA优化的BP神经网络焦炭质量预测模型[J];选煤技术;2011年03期

6 王伟;吴敏;雷琪;曹卫华;;炼焦生产过程综合生产指标的改进神经网络预测方法[J];控制理论与应用;2009年12期

7 谭跃;谭冠政;涂立;;一种新的混沌差分进化算法[J];计算机工程;2009年11期

8 周洪;闵礼书;邹祥林;;基于神经网络的特大型焦炉焦炭质量预测研究[J];系统仿真学报;2009年06期

相关硕士学位论文 前10条

1 王帅;炼焦煤分析及焦炭质量预测的研究[D];安徽工业大学;2018年

2 朱琳;差分进化算法的改进研究[D];西北师范大学;2018年

3 王娜;差分混合蛙跳算法的改进及其应用[D];广东工业大学;2017年

4 吴秀丽;元启发式水波优化算法改进及应用研究[D];广西大学;2017年

5 谭冬文;基于时延Logistic混沌映射的图像加密算法研究[D];兰州大学;2017年

6 潘金晶;基于RBF神经网络的溶解氧预测模型研究[D];上海海洋大学;2016年

7 黄齐华;莱钢焦煤性质分析及焦炭质量预测研究[D];安徽工业大学;2016年

8 代瑞瑞;差分进化算法改进研究[D];西北师范大学;2016年

9 田英奇;配煤炼焦试验优化与神经网络焦炭质量预测模型的研究[D];华东理工大学;2016年

10 李君祥;基于混沌和遗传算法修正的BP数据手套手势识别[D];哈尔滨理工大学;2016年

本文编号：2883679