烧结料加水混合过程智能控制研究

摘要

冶金工艺中,用烧结矿作为高炉炼铁的主要原料可以使冶炼效率大大提高,从而烧结矿的生产成为钢铁生产工艺过程中重要的环节之一.针对烧结料加水混合过程中加水量自动控制面临的难点问题,通过对工艺过程的主要参变量进行测量和数据处理,采用神经网络建立该过程的模型,由遗传神经网络进行过程参数估计,并进行自动控制仿真等一系列探索性的研究工作,证明了对存在多干扰因素的复杂非线性过程的测控问题,采用智能控制技术作为解决方案是可行的.通过计算机数字滤波和数据跟踪等处理,解决了分布的测量空间上测量数据的会合时间同步问题,获取了大量过程参数作为神经网络建模的样本.采用多种改进措施,完成神经网络的过程建模,使其与传统方法建模相比更接近实际过程.在参数估计模型的建模过程中,采用遗传算法对神经网络初始化过程进行全局寻优,通过数字实验,证明了可以克服网络训练时易陷入局部最优的问题,可以使参数估计模型求解的数据更接近实际工艺参数,使得加水量计算更接近实测数据,为控制系统实际开发应用等工作提供参考.

目录

文摘

英文文摘

第一章绪论

1.1课题的提出

1.2方案可行性分析

1.3主要研究内容

第二章烧结料加水混合工艺过程及设备

2.1生产工艺介绍

2.2混合料水分在烧结生产中的作用

2.3主要设备及工作原理

第三章生产工艺参数的测量

3.1主要工艺参数测量方法

3.2测量仪表的安装

3.3测量方案及数据处理

3.3.1测量方案

3.3.2数据采集

3.3.3测量值的跟踪

3.3.4计算机对测量值的跟踪处理

第四章混合过程神经网络建模

4.1人工神经网络概述

4.1.1人工神经网络的发展

4.1.2人工神经网络的特点

4.1.3人工神经网络的前景

4.2神经网络系统建模

4.2.1神经网络系统建模基础

4.2.2神经网络辨识模型的结构

4.3神经网络模型选择

4.4 BP神经网络

4.4.1神经元模型及作用函数的选择

4.4.2神经网络学习

4.4.3基本BP学习算法

4.5初始权值和学习样本的选择

4.5.1初始权值的选择

4.5.2学习样本的选择

4.6BP神经网络结构设计

4.6.1输入输出层的设计

4.6.2隐层数的设计

4.6.3隐节点数的设计

4.7学习样本的获取

4.8过程模型的建立

4.8.1解析模型

4.8.2神经网络模型

4.9BP神经网络数字实验

4.9.1陷入局部极小点数字实验

4.9.2学习步数-误差数字实验

4.10 BP学习算法存在的问题及改进

4.10.1 BP学习算法存在的问题

4.10.2 BP学习算法的改进

4.11改进的BP神经网络数字实验

4.11.1陷入局部极小点数字实验

4.11.2学习步数-误差数字实验

4.12两种算法数字实验比较

第五章混合过程遗传神经网络参数估计

5.1参数估计

5.2遗传算法简介

5.2.1遗传算法的发展

5.2.2遗传算法的概要

5.2.3遗传算法的特点

5.2.4遗传算法的运算过程

5.3遗传算法与神经网络

5.3.1遗传神经网络的研究内容

5.3.2遗传神经网络的原理

5.4遗传神经网络参数估计的实现

5.4.1遗传算法设计

5.4.2遗传算法优化神经网络权值的设计

5.4.3烧结料加水混合过程参数估计

5.5烧结料加水混合过程参数估计数字实验

第六章结论与展望

6.1结论

6.2展望

附录

参考文献

致谢