| 【中文题名】 | 转炉炼钢终点静态控制预测模型 |
| 【英文题名】 | The Final Static Control Prediction Models in Converter Steelmaking Process |
| 【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】 | 2006-5-24 |
| 【中关键词】 | 转炉炼钢,终点控制,统计模型,人工神经网络模型,, |
| 【英关键词】 | Converter Steelmaking Process,Final Control,Statistical model,ANN model, |
| 【分类导航】 | 工业技术>冶金工业>冶金机械、冶金生产自动化>炼钢机械与生产自动化>> |
| 【论文摘要】 | 终点控制是转炉吹炼后期的一项重要操作。天铁冶金集团炼钢厂采用的是人工经验控制,终点命中率很低,延长了吹炼时间,增加金属料消耗,影响钢的品质。当前,主要采用静态和动态相结合的控制方法。
机理模型、统计模型及人工神经网络模型是目前常用的模型。机理模型在实际应用中涉及的参数较多且不易测取与控制,准确建模还有相当的困难。如果生产条件和工艺操作方法比较稳定,转炉炼钢冶炼特性具有较好的再现性,这时可以采用反映终点钢水碳含量与温度的统计模型。由于转炉炼钢过程高度复杂、随机性强,采用具有很强的自学习能力、容错能力和推理能力的人工神经网络技术对转炉炼钢终点控制提供了一条新的实现途径。
基于天铁冶金集团30吨转炉炼钢实际生产工况数据,首先建立了转炉炼钢终点静态控制的吹氧量及矿石用量统计模型,其预测100个炉次的吹氧量及矿石用量平均相对误差分别为0.58%及10.4%。考虑到影响终点钢水温度及碳含量的因素比较复杂,本文设计了预测钢水终点温度及碳含量的人工神经网络模型,并利用Levenberg-Marquardt算法对257个炉次实际生产数据进行了模型训练,并对另外100个炉次的终点钢水温度及碳含量进行了预测,在终点钢水温度... |
| 【论文题纲】 |
|
第一章 绪论 |
7-17 |
|
1.1 转炉炼钢简介 |
7 |
|
1.2 转炉炼钢自动化技术 |
7-15 |
|
1.2.1 转炉炼钢静态控制模型的应用与发展 |
9-10 |
|
1.2.2 转炉吹炼自动控制技术与终点控制 |
10-13 |
|
1.2.3 转炉吹炼过程控制系统的发展过程 |
13-15 |
|
1.3 研究方案 |
15-17 |
|
1.3.1 本选题研究的主要内容 |
15 |
|
1.3.2 论文的组织安排 |
15-17 |
|
第二章 氧气顶吹转炉炼钢技术工艺 |
17-26 |
|
2.1 氧气顶吹转炉炼钢工艺知识 |
17-20 |
|
2.1.1 转炉炼钢的主要原料 |
17-19 |
|
2.1.2 物料平衡和热平衡 |
19-20 |
|
2.2 天铁集团炼钢厂转炉主要技术参数及生产工艺流程 |
20-21 |
|
2.3 转炉炼钢厂冶炼制度 |
21-26 |
|
第三章 转炉炼钢静态终点控制的模型基础 |
26-59 |
|
3.1 建模概述 |
26-30 |
|
3.1.1 数学建模的过程 |
26-27 |
|
3.1.2 对模型的基本要求 |
27-28 |
|
3.1.3 模型预报性能的评价 |
28-29 |
|
3.1.4 LD转炉静态控制数学模型的结构 |
29-30 |
|
3.2 转炉炼钢物理过程机理分析 |
30-44 |
|
3.2.1 转炉装入量Wz 确定 |
32 |
|
3.2.2 熔剂计算 |
32-35 |
|
3.2.3 物料平衡计算 |
35-38 |
|
3.2.4 控制终点碳含量的总吹氧量方程 |
38-40 |
|
3.2.5 控制钢水终点温度的矿石量方程 |
40-44 |
|
3.3 统计型静态控制数学模型 |
44-59 |
|
3.3.1 统计数据处理方法 |
45-49 |
|
3.3.2 模型建立基础 |
49-52 |
|
3.3.3 转炉静态回归模型的建立 |
52-54 |
|
3.3.4 统计模型的使用效果及分析 |
54-59 |
|
第四章 转炉炼钢终点预报神经网络模型 |
59-77 |
|
4.1 智能控制概述 |
59-61 |
|
4.1.1 人工神经网络技术 |
59-60 |
|
4.1.2 人工神经网络的结构 |
60-61 |
|
4.2 多层前馈人工神经网络 |
61-67 |
|
4.2.1 BP神经网络的原理 |
61-62 |
|
4.2.2 BP网络的误差反向传播算法 |
62-64 |
|
4.2.3 Levenberg-Marquardt算法 |
64-67 |
|
4.3 神经网络建模数据的预处理 |
67-69 |
|
4.3.1 影响转炉终点碳温的因素 |
67-68 |
|
4.3.2 样本数据的收集和模型因变量和自变量的选取 |
68 |
|
4.3.3 数据的预处理 |
68-69 |
|
4.4 人工神经网络在转炉炼钢终点预报中的应用 |
69-77 |
|
4.4.1 一般人工神经网络的开发步骤 |
69-70 |
|
4.4.2 转炉终点碳温预报神经网络模型的建立 |
70-73 |
|
4.4.3 模型训练结果分析 |
73-77 |
|
第五章 结束语 |
77-79 |
|
5.1 结论 |
77 |
|
5.2 未来需改进的问题及措施 |
77-79 |
|
参考文献 |
79-83 |
|
发表论文和科研情况说明 |
83-84 |
|
致谢 |
84 |
|
| 【DOI】 | LunWen.ID:2.2008.378303 |
