基于神经网络预测模型的高炉喷煤操作模式优化

摘要

喷煤冶炼是当前阶段我国高炉炼铁的主要方法。鉴于高炉冶炼的过程异常复杂、有些关键性的工艺指标不能实现动态的监测,并且各过程变量之间存在着强烈的耦合,因此,这就给冶炼过程的相关研究与探索造成了非常大的阻碍。同时,生产过程中也会产生海量的过程数据,筛选出所需要的条件变量、状态变量和操作变量,同时,将它们以高炉喷煤冶炼操作模式的形式描述。基于现场高炉专家标准挑选出的优良操作模式库依旧很大,采用遍历匹配的方式直接搜索满足期望综合工艺指标的优良操作模式依然费时费力。为解决这个难题,论文给出了高炉喷煤冶炼过程的操作模式分级匹配与智能演化的方案,在理论上完成了高炉喷煤冶炼过程的操作优化。
　　高炉铁水中的[si]含量是高炉冶炼过程中的重要控制变量之一,其不仅是衡量产品质量的一个重要指标,而且还反映了高炉能量利用的好坏,同时也是高炉操作者在实际生产过程中对炉况进行判断的一个比较直接的参数,对维持高炉的稳定、顺行、高产尤为重要。然而,实际冶炼过程中,铁水[si]含量不能实时的监测到,这就对操作模式的优化与演化过程造成比较大的困难。为了实时获取当前时刻高炉铁水[si]含量的值,本文在对影响高炉铁水[si]含量各因素进行收集、分析的基础上,并结合高炉现场专家经验,建立了[si]含量的BP神经网络预测模型。通过实际生产数据仿真验证表明,该模型可有效的对高炉喷煤冶炼过程中铁水[si]含量进行实时的预测。
　　针对优良操作模式库庞大而引起的模式匹配速度慢,且匹配精度低等问题,本文提出了一种基于改进的欧几里得距离的方法,它以相似性度量为基础,有效的解决了匹配过程的精度问题;随后,本文还提出了一种操作模式多级匹配的策略,具体步骤为:对已筛选初的模式库完成。2次聚类分析,最终得到5个优良操作模式集子类;然后通过比较当前输入模式与各个操作模式集子类聚类中心之间的距离,以确定当前输入模式所属的子类;最后,在已确定的子类中,再次以最小距离为基准,完成操作模式的二级匹配,最终完成整个过程的优化控制,仿真表明,此策略可以有效地加快匹配速率。
　　由于高炉喷煤冶炼过程综合工艺指标要求苛刻,优良模式子集中可能不存在与当前输入完全匹配的操作模式,故而造成操作模式匹配失败。针对这种情况,又给出了高炉喷煤操作模式演化的方法,此方法通过粗选模式集建立起操作模式与喷煤综合工艺指标的模型,然后在该模型的基础上,采用 PSO优化算法对当前输入模式进行操作参数的优化,从而获得满足期望综合工艺指标的优化操作模式,同时把已优化过的当前输入模式返回到优良操作模式库中,用来丰富和完善优良模式库。
　　本文利用操作模式多级匹配及演化的策略,同时结合包钢6＃高炉实际喷煤冶炼生产过程数据,进行了匹配与演化过程的相关仿真,理论上验证了所提方法的有效性和可行性,为高炉现场操作者提供很好的参考及指导意见。

目录

封面

声明

中文摘要

英文摘要

目录

1绪论

1.1 课题背景

1.2 影响高炉喷煤的工艺参数

1.3 高炉喷煤优化控制的意义

1.4 课题研究背景及研究现状

1.5 课题主要研究内容

2人工神经网络基本理论

2.1人工神经网络基本原理

2.2 BP网络算法

3 数据预处理

3.1 数据集成

3.2 数据清理

3.3 数据变换

3.4 变量相关性分析

4 铁水[si]含量预测神经网络模型设计

4.1 Matlab程序设计语言简介

4.2 变量的选取

4.3 时滞的确定

4.4 BP神经网络预测模型的建立

5 高炉喷煤综合工艺指标评判及操作模式分级匹配

5.1综合工艺指标评判

5.2 操作模式分级匹配

6 高炉喷煤过程操作模式演化

6.1 高炉喷煤过程操作模式演化框架

6.2 高炉喷煤冶炼过程综合工艺指标预测模型

6.3 基于粒子群算法的操作参数寻优

6.4 仿真与分析

结论

参考文献

附录A 建模数据

附录B 建模数据

在学研究成果

致谢