基于RBF神经网络的铁水脱硫预报模型的研究及应用

摘要

硫元素是绝大多数钢种中的有害元素，目前国内的铁水脱硫技术比较落后，铁水硫含量波动大、脱硫粉剂消耗大，经济效益不理想。铁水脱硫过程是一个非常复杂的多元非线性反应过程，应用传统的工艺理论建模已难以适应其多参数、非线性的特点。本文以铁水脱硫生产为背景，在分析了脱硫过程特点的基础上，建立了基于径向基函数(RBF)的神经网络铁水脱硫预报模型，主要包括以下几方面的工作:
　　(1)以宝钢股份浦钢铁水脱硫系统为背景，介绍了铁水脱硫生产工艺流程，分析了脱硫过程的机理，确定了影响硫含量的因素。
　　(2)采用递归正交最小二乘法(ROLS)作为学习算法，提出了一种基于径向基神经网络的脱硫剂投入量预报模型。
　　(3)为了克服脱硫剂变化引起的模型误差，需根据预报误差对模型数据进行校正，本文设计了集数据采集，样本预处理，统计分析，脱硫剂投入量计算及技术指标验证于一体的综合智能铁水脱硫预报模型。
　　(4)采用了Oracle数据库对数据进行处理和存储，通过C++和MATLAB混合编程的方法，实现了铁水智能脱硫的功能，现场运行结果表明，按照本文给出的模型计算脱硫剂投入量，可得到满意的脱硫效果。

目录

声明

摘要

第1章 绪论

1．1 研究铁水脱硫预报模型的意义

1．2 铁水脱硫工艺简介

1．2．1 铁水脱硫主要方法

1．2．2 铁水脱硫工艺控制技术

1．3 铁水脱硫预报模型的发展概况

1．3．1 机理模型

1．3．2 统计模型

1．3．3 智能模型

1．4 本文工作

第2章 铁水脱硫工艺过程分析

2．1 脱硫工艺的主要设备及流程

2．2 铁水脱硫化学反应原理

2．3 影响脱硫效果的因素

2．4 本章小结

第3章 基于RBF神经网络的铁水脱硫预报模型的建立

3．1 神经网络结构的选取

3．1．1 RBF人工神经网络简介

3．1．2 RBF网络和BP网络的比较

3．1．3 RBF神经网络算法原理

3．2 学习算法的确定

3．2．1 正交最小二乘法(OLS)

3．2．2 递归正交最小二乘法(ROLS)

3．2．3 网络中心的选择

3．3 脱硫剂加入量预报模型算法实现

3．4 脱硫剂加入量预报模型的总体结构

3．5 本章小结

第4章 铁水脱硫预报模型的应用

4．1 铁水脱硫预报模型系统的实现

4．1．1 硬软件环境

4．1．2 系统程序结构

4．1．3 通讯接口

4．2 训练样本的选取

4．2．1 样本数据处理流程

4．2．2 数据预处理方法

4．3 人机界面

4．4 运行结果

4．5 本章小结

第5章 结束语

参考文献

致谢

攻硕期间参加的项目