| 【中文题名】 | 智能控制在高炉炉温预测中应用研究 |
| 【英文题名】 | The Application and Research of Intelligent Control about Temperature Predict Inside Blast Furnace |
| 【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】 | 2006-7-13 |
| 【中关键词】 | 高炉,铁水硅含量,时差法,神经元网络,炉温预报模型, |
| 【英关键词】 | blast furnace,the Silicon content of molten iron,time-sequence arithmetic,neural network,the temperature prediction model, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>自动控制、自动控制系统>计算机控制、计算机控制系统 |
| 【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。高炉炉温是高炉顺行的保证,也是判断高炉炉况的一个重要指标。如何建立和实现能指导高炉炼铁人员进行炉温控制的炉温预报模型不仅具有重要的理论价值,而且也具有重要的生产实践价值。但是从控制论的角度来看,高炉过程是一种时延很大的非线性系统,在建模方面有着很大的难度。尤其高炉炉温的表达,难度更大。因为铁水硅含量可间接的反映出高炉炉温的变化,所以本课题选用铁水硅含量模型作为高炉炉温模型。
本文首先概述了高炉炼铁的工艺过程,阐述了炉温预报的生产价值和技术难度。然后通过对高炉炼铁过程的分析,确定了影响炉温的重要因素,并对这些参数进行分析和预处理。进而通过对时间序列模型,模糊控制模型,神经网络模型的分析,提出一种新的数学模型:时序神经网络模型。最后根据现场采集的数据对其进行仿真实验。仿真结果表明:采用时差法和神经网络结合建立的数学模型,对炉温的预测命中率明显高于其他数学模型,说明该方法的合理性和基于该算法所构建预测模型的可行性。 |
| 【论文题纲】 |
|
第一章 绪论 |
11-17 |
|
1.1 高炉炼铁概述 |
11-12 |
|
1.2 炉温预测及其智能控制的技术价值 |
12-13 |
|
1.3 国内外炉温预测控制的现状 |
13-15 |
|
1.4 炉温预测的主要技术难度 |
15-17 |
|
第二章 智能控制技术理论 |
17-32 |
|
2.1 模糊控制技术 |
17-21 |
|
2.1.1 模糊控制原理 |
17-18 |
|
2.1.2 模糊控制器的组成 |
18-21 |
|
2.2 神经元网络 |
21-26 |
|
2.2.1 人工神经元网络模型 |
21-23 |
|
2.2.2 人工神经元网络的结构 |
23-25 |
|
2.2.3 人工神经网络的学习 |
25-26 |
|
2.3 遗传算法及其在神经网络控制中的应用 |
26-32 |
|
2.3.1 遗传算法的特点 |
26-27 |
|
2.3.2 遗传算法的基本操作 |
27-30 |
|
2.3.3 遗传算法在神经网络控制中的应用 |
30-32 |
|
第三章 炉温预测的数据分析 |
32-43 |
|
3.1 影响炉温水平的工艺参数 |
32-34 |
|
3.2 数理统计特征值 |
34-35 |
|
3.3 参数相关性分析 |
35-37 |
|
3.3.1 相关性分析的目的 |
35-36 |
|
3.3.2 输入工艺参数的相关性分析 |
36-37 |
|
3.4 滞后时间的确定 |
37-40 |
|
3.5 炉温预报模型输入参数的确定 |
40 |
|
3.6 数据预处理 |
40-43 |
|
第四章 数学模型研究 |
43-67 |
|
4.1 传统数学模型 |
43-53 |
|
4.1.1 时间序列模型 |
43-46 |
|
4.1.2 模糊控制模型 |
46-48 |
|
4.1.3 神经网络模型 |
48-53 |
|
4.2 时差分析法 |
53-57 |
|
4.2.1 时差学习方法的引入 |
53-54 |
|
4.2.2 时差学习方法概述 |
54-57 |
|
4.3 时差神经网络预报模型 |
57-62 |
|
4.3.1 时差神经网络炉温预报模型结构 |
57-58 |
|
4.3.2 隐含层和层内结点的选择 |
58-60 |
|
4.3.3 时差神经网络模型算法 |
60-62 |
|
4.4 仿真实验 |
62-67 |
|
第五章 结论与展望 |
67-69 |
|
参考文献 |
69-71 |
|
| 【DOI】 | LunWen.ID:2.2008.379000 |
