基于改进BP神经网络的高炉铁水硅含量预测方法

发布时间：2021-10-16 02:27

　　为了实现高效率、低能耗、长寿命、低污染的综合目标,现代炼铁工艺在生产方式上已经逐渐趋于大型化和高效化。高炉内部是一个非线性、大时滞的复杂系统,高温高压的环境使得炉温的测量和控制都不易实现。本文利用铁水硅含量和高炉炉温之间的正相关性,通过对铁水硅含量的预测实现对炉温的间接预测。针对硅含量预测中影响因素众多的问题,本文利用神经网络能够实现复杂的非线性映射的能力建立BP神经网络模型,对高炉铁水硅含量进行预测。本文对某钢高炉的实际生产数据做了灰色关联度分析,选取鼓风湿度、炉顶温度、炉顶压力等十个与铁水的硅含量相关性较大的因素作为预测模型的输入,在建立模型之前通过归一化处理统一各数据量纲,研究并确定各因素的滞后时间。针对前期建立的BP神经网络预测模型存在预测性能不稳定、个别样本误差偏大的问题,进而提出利用遗传算法全局搜索能力强和容错率高的优点对传统预测模型的初始权值和阈值进行参数寻优并建立GA-BP模型仿真实验,仿真结果显示优化后的预测模型在预测稳定性和命中率上都有一定提高。最后利用粒子群算法收敛速度快、效率高的优点优化预测模型建立APSO-BP模型并进行仿真实验。通过对三种预测模型的结果对比发... 

【文章来源】：安徽工业大学安徽省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

高炉炼铁工艺流程图

生产的连续性：高炉从开始投入使用到大修停炉这段时间一直持续不停地工作，只有在发生产事故或者维护时才暂时休风，任何生产问题的出现都容易导致高炉停炉而造成巨额损失。 机械自动化程度高：为了保证高炉生产的连续性，高炉需要具有较高的机械自动化水平以连续供足量的原料和产品。 大规模：目前高炉有效容积达到 5000m3，日产万吨生铁，消耗万吨原料，整个供料、铁过程都是大规模的连续生产过程。 生产联合性高：高炉炼铁是钢铁行业的中间环节，一旦高炉出现生产事故就会对后续的企带来巨大影响，所以需要对高炉的顺行起到足够重视以保证联合企业生产。1.2 高炉数据采集

基于改进 BP 神经网络的高炉铁水硅含量预测方法慢得到改善。高潮： John Hopfield 于 1982 年及 1984 年提出了 Hopfield 模型，神经网了黄金时期，有别于符号逻辑处理方法，Hopfied 模型通过一种态过程解决问题。此后，John Hopfield 还利用该模型解决了复杂行商问题。在 80 年代末，反向传播算法以及分布式表达的提出让次兴起，反向传播算法至今依旧是最常用的网络训练算法之一。经网络生物学基础和模型的大脑中大概存在 1011个神经元，神经元属于高度互相连接单元理大脑里接收到的信息，它由树突、细胞体和轴突组成。图 2-3简图。


本文编号：3438971