基于BP神经网络的高炉炉缸内衬侵蚀识别

摘要

钢铁工业作为国家最重要的材料和基础工业，担负着国民经济高速发展和国防安全所需钢铁材料的生产重任。高炉是钢铁生产整体流程中的重大设备。高炉炉缸中盛放高温铁水，其结构主要是由内衬耐火材料砌筑体、冷却器和外壳组成。由于高炉炉缸长期受到物理作用和化学作用，因此，内衬的侵蚀具有不可避免性，并且随着高炉服役时间的增加而越加严重。一般情况下，通过埋设于高炉炉缸内衬中的热电偶的温度值来估测内衬的侵蚀，此方法具有很大的经验性，且估测时未建立数学模型，所以误差也较大。因此是否能够全面地了解到高炉内衬的侵蚀情况，及时准确地掌握炉缸内衬的运行状态，从而正确指导高炉操作，延长高炉一代炉役，具有十分重要的意义。
　　高炉内衬侵蚀状态的预测属于热传导反问题，即用热电偶的温度值来推导内衬侵蚀边界形貌。所以，要进行高炉内衬侵蚀状态的诊断，就需要建立内衬侵蚀边界曲线与热电偶所测温度的对应的函数关系式，但是很难写出这一函数表达式，从而难以预测出高炉内衬的侵蚀边界。因此，选用具有强大非线性映射能力的BP神经网络来进行高炉内衬侵蚀状态的预测研究。应用BP神经网络时，需建立训练样本，本文分别从炉缸横截面、炉缸侧壁纵截面和炉缸炉底子午面三个模型出发，通过合理假设内衬侵蚀边界形状，由热传导有限单元法计算出测温点的温度，对三个模型分别建立50组侵蚀样本。构造样本数据结构时，将测温点温度作为神经网络的输入，而对应的侵蚀边界线上的离散点坐标作为神经网络的输出。通过BP神经网络训练，即可以建立一种测温点温度与侵蚀边界线上离散点坐标所对应的数值模型。当将实际测温度点温度代入训练好的BP神经网络时，就可利用神经网络的函数逼近和记忆功能预测出对应的内衬侵蚀边界。
　　为了验证BP神经网络用于高炉炉缸内衬侵蚀诊断的可行性，用某高炉炉缸侵蚀数据建立30组侵蚀样本进行实例验证。由验证结果可知，仿真侵蚀边界与实际侵蚀边界很接近，炉角处的误差稍大。在工程允许误差范围内，BP神经网络方法可以用于高炉炉缸内衬侵蚀诊断。

目录

声明

摘要

第1章 绪论

1．1 高炉工作过程的特点

1．2 炉缸内衬的侵蚀机理

1．3 研究炉衬侵蚀的意义

1．4 炉缸炉底内衬侵蚀监测技术现状

1．5 神经网络在高炉上的应用情况

1．6 本课题的研究内容

第2章 传热学在炉缸内衬侵蚀分析中的应用

2．1 概述

2．2 热分析基础知识

2．2．1 传热学经典理论

2．2．2 热传递方式

2．3 炉缸内衬侵蚀分析的正解与反解

2．3．1 炉缸内衬侵蚀分析的正解

2．3．2 炉缸内衬侵蚀分析的反解

2．4 高炉炉缸传热学基本方程

2．5 高炉内衬侵蚀状态分析

2．6 炉缸内衬的侵蚀判据

第3章 炉缸内衬侵蚀温度场的有限元计算

3．1 概述

3．2 有限元法原理

3．3 温度场有限元法

3．4 炉缸二维传热的有限元法

3．5 ANSYS有限元分析

3．5．1 ANSYS有限元分析步骤

3．5．2 APDL理论

3．6 炉缸炉底内衬温度场有限元求解

3．6．1 炉缸炉底模型的简化处理

3．6．2 炉缸内衬温度场有限元求解的APDL参数化设计

3．6．3 炉缸炉底内衬侵蚀温度场的有限元求解结果

第4章 BP神经网络设计及传热反问题求解

4．1 人工神经网络概述

4．1．1 人工神经网络的发展历程

4．1．2 神经网络的学习方式

4．2 神经网络的特点及优点

4．3 MATLAB神经网络工具箱

4．4 BP神经网络及其学习算法

4．5 BP神经单元模型

4．6 BP神经网络的设计

4．6．1 BP神经网络的设计原则

4．6．2 BP神经网络结构参数设计

4．7 BP神经网络与函数逼近

4．8 神经网络求解反问题的可行性

4．9 传热反问题

4．10 基于神经网络的传热反问题研究

第5章 BP神经网络识别炉缸横截面及侧壁纵截面的内衬侵蚀

5．1 炉缸横截面局部侵蚀形貌数据库的建立

5．1．1 炉缸横截面局部侵蚀模型的建立

5．1．2 炉缸横截面侵蚀样本的建立

5．1．3 BP神经网络的设计及对炉缸横剖面侵蚀样本的训练

5．1．4 炉缸横截面侵蚀形貌仿真

5．2 炉缸侧壁纵截面侵蚀形貌数据库的建立

5．2．1 炉缸侧壁纵截面模型的建立

5．2．2 炉缸侧壁纵截面侵蚀样本的建立

5．2．3 BP神经网络的设计及对炉缸侧壁纵剖面侵蚀样本的训练

5．2．4 炉缸侧壁纵截面内衬侵蚀仿真

第6章 BP神经网络识别炉缸炉底子午面的内衬侵蚀

6．1 炉缸炉底子午面侵蚀形貌数据库的建立

6．1．1 炉缸炉底子午面侵蚀模型的建立

6．1．2 炉缸炉底子午面侵蚀样本的建立

6．1．3 BP神经网络的设计及对炉缸炉底子午面侵蚀样本的训练

6．1．4 炉缸炉底子午面侵蚀仿真

6．2 BP神经网络识别某高炉炉缸内衬侵蚀

6．2．1 炉缸模型的简化

6．2．1 炉缸内衬侵蚀样本的建立

6．2．3 BP神经网络的设计及训练

6．2．4 BP神经网络仿真炉缸内衬侵蚀边界

第7章 结论与展望

7．1 结论

7．2 展望

参考文献

致谢

附录1

附录2

附录3

附录4

附录5

附录6

附录7

附录8