基于人工神經(jīng)網(wǎng)絡的鐵水預處理終點硫含量預報模型.pdf

1、隨著冶金工業(yè)的發(fā)展和鋼質量的不斷提高，鐵水預脫硫成為鋼鐵生產(chǎn)工藝流程中的一項重要任務。為了實現(xiàn)鐵水預處理工藝過程快節(jié)奏、高效率化的生產(chǎn)發(fā)展需求，前人提出了利用計算機模型進行鐵水預處理終點硫含量預報的方法。但預報終點硫含量的過程是一個非常復雜的工藝過程，應用傳統(tǒng)的工藝理論建模已難以適應其多參數(shù)、非線性和高度不確定對象的特點，因此近年來多采用人工智能的方法來進行預報。 課題以梅山鋼鐵公司(以下簡稱梅鋼)和本溪鋼鐵公司(以下簡稱本鋼)

2、的鐵水預處理生產(chǎn)工藝為研究背景，采用改進的BP算法，應用VisualBasic6.0高級程序語言進行程序設計，建立鐵水預處理終點硫含量預報模型。模型建立過程中，針對BP網(wǎng)絡迭代次數(shù)多、收斂速度慢等問題對標準BP算法進行了分析和改進，得到了適于本模型的改進型BP算法。對模型中各個參數(shù)的選擇做了較詳細的選擇分析，從熱力學和動力學的角度出發(fā)，結合現(xiàn)場數(shù)據(jù)情況，深入考察了影響鐵水預處理終點硫含量的各種因素，確定了模型的網(wǎng)絡結構及輸入、輸出參數(shù)。

3、 用梅鋼的1154爐數(shù)據(jù)和本鋼的1900爐數(shù)據(jù)作為模型的訓練樣本，另外，再分別隨機選取100爐數(shù)據(jù)作為模型測試樣本，分別對模型進行了訓練和測試。然后，對產(chǎn)生誤差的原因以及模型各個輸入?yún)?shù)與終點硫含量的關系進行了分析和討論。 課題得到的主要結論如下： (1)提出了采用自適應調整學習率、增加動量項和最大誤差學習法的適合本課題使用的改進BP算法。其中，新提出的自適應調整學習率改進方法如下： {η(t)=η(t-

4、1)·(1+b/Y)，α=α；△E＜0η(t)=η(t-1)·(1-b/Y),α=0;△E＞0(2)確定模型輸入?yún)?shù)為：鐵水溫度、鐵水重量、鎂粉耗量、石灰粉耗量、初始硫含量；模型的輸出參數(shù)為：終點硫含量； (3)改進的BP算法比標準BP算法預報誤差≤0.003％的精度提高28％； (4)梅鋼模型的網(wǎng)絡結構為5-14-1結構，動量項為0.6。本鋼模型的網(wǎng)絡結構為5-10-1結構，動量項為0.7。輸入輸出數(shù)據(jù)歸一化范圍均為[