LF炉温度预报模型研究

摘要

针对传统温度预报模型中计算复杂度较高、耗时长且浪费大量人力的缺点,本文以印度比莱钢铁厂LF炉(ladle furnace)为研究对象,提出了基于蒙特卡洛方法优化神经网络结构的新模型.该方法相比于传统的神经网络算法省去了由人工实验不断尝试来确定网络结构的复杂过程.本文采用最大相似法和邻近炉次法对数据进行筛选建立新的样本数据库,提高样本数据的精确性,减小样本数据的误差.采用遗传算法对神经网络进行优化,使模型的收敛速度更快,预测精度更高.仿真结果表明,本模型的预报误差在±5℃的准确率达90.52％,在±10℃以内的准确率达96.93％,具有较高的预测精度,能够满足LF炉炉外精炼生产需要.