| 【中文题名】 | 基于炉热指数和RBF的高炉热状态预测系统 |
| 【英文题名】 | The Heat State Prediction of Blast Furnace Based on the Stove Heat-index and RBF |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-25 |
| 【中关键词】 | 铁水硅含量,炉热指数,神经网络,径向基函数,高炉热状态预测, |
| 【英关键词】 | the Content of Silicon in Molten Iron,the Stove Heat_index,Neural Network,Radial Basis Function,Heat State Prediction of Blast Furnace, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
钢铁工业是国民经济的支柱产业,高炉炼铁是钢铁工业的重要组成部分。如何控制高炉安全、稳定、均衡、顺行从而达到炼铁界提出的“优质、低耗、高产、长寿”的炼铁目标具有重要的生产实践价值。
文中以国内某大型钢铁公司的高炉生产数据为背景,以铁水中硅含量为主要的预报依据。整个模型分静态预报和动态预报两部分。
静态模型部分根据需要计算所需的实时参数,同时根据冶炼工艺原理及具体高炉的实际情况计算高炉物料平衡,热平衡,作为炉况预测的辅助判断条件。利用炉热指数与铁水含硅量的线性吻合关系,选用三种炉热指数进行铁水含硅量及铁水温度的预报。
动态预报部分,针对高炉热状态模型参数复杂的特点,从与铁水含硅量的相关性,时序性以及对铁水炉温的影响等各个方面具体分析高炉热状态的部分影响因素,确定RBF的输入参数。结构上在RBF神经网络加入了自反馈的连接单元,使RBF网络具有了记忆过去时态数据的能力。提高了RBF网络对时间序列的收敛性,加快了训练时间,提高了函数的逼近精度。文中详细介绍了利用人工神经网络建立预测模型的思想及特点,分析了RBF神经网络的网络结构及训练算法。
最后本文用Matlab建立仿真平台,... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
ABSTRACT |
4-7 |
|
1 绪论 |
7-12 |
|
1.1 课题来源 |
7 |
|
1.2 高炉过程的特点 |
7 |
|
1.3 高炉热状态预测的现状及意义 |
7-8 |
|
1.4 高炉热状态预测的技术难度和技术价值 |
8-10 |
|
1.4.1 技术价值 |
8-9 |
|
1.4.2 技术难度 |
9-10 |
|
1.5 论文的研究内容及目标 |
10-12 |
|
2 高炉热状态预报的研究 |
12-14 |
|
2.1 热状态预报研究的主要内容 |
12 |
|
2.2 高炉铁水含硅量预报 |
12-14 |
|
2.2.1 高炉铁水含硅量预报方法的研究 |
12-13 |
|
2.2.2 神经网络方法在高炉铁水含硅量预报中的应用 |
13-14 |
|
3 神经网络理论基础 |
14-22 |
|
3.1 神经网络概述 |
14-15 |
|
3.2 神经网络的基本原理 |
15 |
|
3.3 人工神经网络的构成 |
15-16 |
|
3.4 RBF 网络简介 |
16-18 |
|
3.4.1 RBF 基函数 |
16-17 |
|
3.4.2 RBF 神经网络结构 |
17 |
|
3.4.3 RBF 神经网络的映射 |
17-18 |
|
3.5 RBF 的学习算法 |
18-22 |
|
3.5.1 隐含层单元数的选择 |
18-19 |
|
3.5.2 中心的选择 |
19-20 |
|
3.5.3 RBF 的在线学习算法 |
20-22 |
|
4 高炉物料平衡，热平衡以及炉热指数的计算 |
22-42 |
|
4.1 计算使用的冶炼参数说明 |
22-23 |
|
4.1.1 计算思路, 条件及规定 |
22 |
|
4.1.2 冶炼参数说明 |
22-23 |
|
4.2 物料平衡的计算 |
23-27 |
|
4.3 热平衡的计算 |
27-39 |
|
4.3.1 第一总热平衡计算法 |
27-33 |
|
4.3.2 第二总热平衡法 |
33-36 |
|
4.3.3 高温区域热平衡 |
36-39 |
|
4.4 炉热指数的计算 |
39-42 |
|
5 高炉热状态的主要影响因素 |
42-49 |
|
5.1 状态参数 |
42-46 |
|
5.1.1 料速 |
42-44 |
|
5.1.2 透气性指数 |
44-45 |
|
5.1.3 铁量差 |
45-46 |
|
5.2 控制参数 |
46-49 |
|
5.2.1 风温 |
46-47 |
|
5.2.2 风量 |
47-48 |
|
5.2.3 喷煤 |
48-49 |
|
6 高炉热状态预测模型的建立 |
49-61 |
|
6.1 基于炉热指数的高炉热状态静态预报 |
50-53 |
|
6.1.1 静态机理预报模型的构成 |
50-51 |
|
6.1.2 静态机理预报的仿真与分析 |
51-53 |
|
6.2 神经网络输入参数分析 |
53-57 |
|
6.2.1 神经网络建模参数的确定 |
53-54 |
|
6.2.2 输入参数与炉热状态的时序关系 |
54-55 |
|
6.2.3 数据的选择与规范化 |
55-57 |
|
6.3 基于RBF 结构的高炉热状态预测模型 |
57-61 |
|
6.3.1 模型的建立 |
57 |
|
6.3.2 判断条件的确立 |
57 |
|
6.3.3 神经网络结构 |
57-59 |
|
6.3.4 仿真结果与分析 |
59-61 |
|
7 结论与展望 |
61-62 |
|
致谢 |
62-63 |
|
参考文献 |
63-66 |
|
附录：作者在攻读硕士学位期间发表的论文 |
66 |
|
| 【DOI】 | LunWen.ID:2.2008.389135 |
