| 【中文题名】 | 新临钢高炉入炉焦比的系统预测与分析 |
| 【英文题名】 | The Systemetic Prediction and Analysis of Coke Ratios in Xinlingang Iron and Steel Company |
| 【学科专业】 | 钢铁冶金 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-2 |
| 【中关键词】 | 高炉,预测,入炉焦比,灰预测,人工神经网络, |
| 【英关键词】 | blast furnace,prediction,coke ratios,grey prediction,artificial neural networks, |
| 【分类导航】 | 工业技术>冶金工业>炼铁>高炉熔冶过程>> |
| 【论文摘要】 |
本文全面回顾了我国钢铁企业能源消耗状况，特别是炼铁工序能耗。炼铁工序是钢铁企业能耗量最大的生产工序，其能耗组成中燃料消耗占的比列较大，因而高炉入炉焦比对于炼铁工序能耗影响较大。而入炉焦比又受到风温、风量、生铁硅含量、利用系数、矿石品位、渣铁比和休风率等众多因素的影响。本文将以新临钢高炉1996年到2005年的经济技术指标的相关统计数据为基础，运用三种不同的方法对入炉焦比进行了预测。其中基于时间序列的BOX—Jenkins方法ARMA模型预测的平均相对误差为2.02％，文中还应用了灰色系统分析和预测理论，分析了影响因素对入炉焦比的关联程度，同时对入炉焦比进行了预测，其灰预测GM(1，1)模型的平均相对误差为0.9352％。最后将人工神经网络的理论和方法引入到钢铁企业工序能耗的系统分析领域中，对人工神经网络基本理论，特点及其应用作了简要阐述。神经网络以BP算法模型为主要研究对象，论述了网络模型的拓扑结构、机理和学习训练的功能。采用BP神经网络其预测值相对准确，预测结果平均相对误差为0.908％。因此三种方法在钢铁企业炼铁能耗系统分析中的应用是必要和可行的。预测的结果对探索节能手段和方法具有一定实用价值。 |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-8 |
|
1 前言 |
8-10 |
|
2 文献综述 |
10-24 |
|
2.1 我国高炉生产主要技术 |
10-14 |
|
2.1.1 中国高炉炼铁技术概况 |
10-13 |
|
2.1.2 高炉操作技术进步 |
13-14 |
|
2.2 我国钢铁工业能耗现状与节能前景 |
14-19 |
|
2.2.1 我国钢铁工业能耗 |
14-16 |
|
2.2.2 我国钢铁工业能耗存在的主要差距 |
16-19 |
|
2.3 国内外炼铁系统节能现状 |
19-21 |
|
2.3.1 炼铁系统节能降耗情况 |
19-20 |
|
2.3.2 国内外高炉降焦节能进展 |
20-21 |
|
2.4 研究背景、目的和意义 |
21-24 |
|
2.4.1 课题研究背景 |
21-22 |
|
2.4.2 研究内容及意义 |
22-24 |
|
3 预测理论基础 |
24-27 |
|
3.1 系统预测概述 |
25 |
|
3.2 系统预测的一般步骤 |
25-26 |
|
3.3 系统预测的工程运用 |
26-27 |
|
4 炼铁厂入炉焦比的BOX-JENKINS预测 |
27-40 |
|
4.1 BOX-JENKINS模型 |
27-28 |
|
4.2 相关函数简介 |
28-30 |
|
4.3 偏相关函数简介 |
30-31 |
|
4.4 模型的识别和参数估计 |
31-34 |
|
4.4.1 模型的识别 |
31-32 |
|
4.4.2 参数的估计 |
32-34 |
|
4.5 炼铁厂入炉焦比及其影响因素的BOX-JENKINS预测 |
34-39 |
|
4.5.1 炼铁厂入炉焦比的预测 |
34-38 |
|
4.5.2 炼铁厂入炉焦比影响因素的预测 |
38-39 |
|
4.6 小结 |
39-40 |
|
5 炼铁厂入炉焦比的灰色分析和预测 |
40-50 |
|
5.1 灰色系统理论 |
40 |
|
5.2 灰色关联分析 |
40-41 |
|
5.3 炼铁厂入炉焦比的灰色系统分析 |
41-45 |
|
5.4 新临钢高炉入炉焦比的灰色预测 |
45-48 |
|
5.4.1 灰色预测模型特点及建模过程步骤 |
45-47 |
|
5.4.2 模型的建立及预测结果 |
47-48 |
|
5.5 小结 |
48-50 |
|
6 基于人工神经网络的高炉入炉焦比的预测分析 |
50-61 |
|
6.1 BP神经网络基本原理 |
50 |
|
6.2 BP网络模型 |
50-54 |
|
6.2.1 BP网络结构 |
51 |
|
6.2.2 BP网络学习规则 |
51-53 |
|
6.2.3 BP神经网络设计 |
53-54 |
|
6.3 人工神经网络在高炉炼铁过程中的应用 |
54 |
|
6.4 入炉焦比的PLS-BP网络模型及预测 |
54-59 |
|
6.5 降焦节能预测与分析 |
59-60 |
|
6.6 小结 |
60-61 |
|
7 结论 |
61-62 |
|
致谢 |
62-63 |
|
参考文献 |
63-67 |
|
附录 |
67-80 |
|
| 【DOI】 | LunWen.ID:2.2008.388763 |
