基于量子遗传神经网络的铁水温度预报研究

摘要

合理的炉温是保证高炉平稳、安全、高效、节能运行的关键，也是判断高炉炉况的一个重要指标。建立能指导高炉炼铁工人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。
　　首先，通过对炉内热化学反应、出铁沟铁水温度曲线、出铁沟铁水温降等分析研究了高炉生产过程的复杂性。同时分析了在高炉生产中与炉温相关的主要影响参数及其数据特征，确定了各参数与铁水温度间的相关性与时滞性。其次，建立了基于遗传神经网络的铁水温度预报模型。该模型将遗传算法的全局搜索和BP算法的局部搜索结合在一起，优化网络的连接权值和阈值，可避免陷入局部极小从而得到最佳的神经网络。
　　最后，针对GABP模型易早熟、处理规模小等问题，提出了基于量子理论的遗传神经网络铁水温度预报模型改进方法。将中引入到GABP中，先把量子态叠加思想应用于神经网络中形成多层激活函数的量子神经网络，再将量子理论与遗传算法结合形成量子遗传算法对量子神经网络进行优化，进而建立了基于量子遗传神经网络的铁水温度预报模型。该模型采用量子编码表征染色体，表示出解的线性叠加态，因而具有更好的种群多样性、更快的收敛速度和全局寻优的能力。
　　本文以柳州钢铁（集团）公司2号高炉采集的300炉次数据为研究对象，经过仿真实验分析，在相对误差±1％时，遗传神经网络模型的命中率为75.0％;量子遗传神经网络模型的命中率为86.3％。结果表明:基于量子遗传神经网络的铁水温度预报模型比基于遗传神经网络的预报模型具有更高的命中率和精度。

目录

声明

摘要

第1章 绪论

1．1 课题背景及意义

1．1．1 课题背景

1．1．2 课题意义

1．2 高炉炼铁炉温预测国内外研究现状

1．3 论文主要研究内容

第2章 高炉冶炼过程复杂性及出铁沟铁水温度分析

2．1 高炉冶炼过程复杂性分析

2．1．1 高炉冶炼工艺过程

2．1．2 高炉冶炼过程的复杂性

2．1．3 炉内热化学反应及流体运动分析

2．2 出铁沟铁水温度连测曲线分析

2．3 出铁沟铁水温降分析

2．4 本章小结

第3章 高炉冶炼过程的铁水温度相关参数分析

3．1 高炉冶炼过程的工艺参数

3．1．1 状态参数

3．1．2 控制参数

3．2 参数的相关性分析

3．2．1 铁水温度的自相关性

3．2．2 工艺参数的相关性

3．3 参数对铁水温度时滞分析

3．3．1 高炉时滞现象

3．3．2 参数与铁水温度间的滞后时间分析

3．4 本章小结

第4章 基于遗传神经网络的铁水温度预报模型

4．1 预报模型结构的确定

4．1．1 参数的选取

4．1．2 预报模型各层的确定

4．2 数据的选择与规范化

4．2．1 数据的选择与清洗

4．2．2 数据的规范化

4．3 遗传算法概述

4．4 遗传神经网络的算法设计

4．4．1 编码问题

4．4．2 适应度函数的确定

4．4．3 遗传操作

4．4．4 算法的实现步骤

4．5 铁水温度预报结果及比较

4．6 本章小结

第5章 基于量子思想的GABP预报模型改进研究

5．1 GABP预报模型算法局限性分析

5．2 运用量子理论对GABP模型改进

5．3 基于遗传算法优化量子神经网络的铁水温度预报模型

5．3．1 量子神经网络基础

5．3．2 量子神经网络设计

5．3．3 铁水温度预报结果及比较

5．4 基于量子遗传算法优化神经网络的铁水温度预报模型

5．4．1 量子遗传算法

5．4．2 量子遗传算法设计

5．4．3 铁水温度预报结果及比较

5．5 基于量子遗传神经网络的铁水温度预报模型

5．5．1 量子遗传神经网络

5．5．2 铁水温度预报结果及比较

5．6 本章小结

第6章 结论与展望

6．1 结论

6．2 展望

参考文献

致谢