学位论文 > 优秀研究生学位论文题录展示

转炉终点控制模型的比较分析和改进研究

作　者: 史战东
导　师: 郑忠
学　校: 重庆大学
专　业: 冶金工程
关键词: 转炉炼钢终点控制对比分析 BP神经网络
分类号: TF713
类　型: 硕士论文
年　份: 2008年
下　载: 336次
引　用: 2次
阅　读: 论文下载

内容摘要

转炉终点控制直接影响产品质量、生产效率和经济效益,已成为衡量炼钢综合技术水平的一项重要指标。随着全连铸,生产工艺的发展、铁水预处理和精炼手段的不断完善,炼钢生产节奏大大加快,转炉终点控制的命中率提升对后续的炉外精炼和连铸过程有重要影响,转炉终点控制在整个炼钢生产中的地位显得尤为重要。因此,对提高转炉终点空控制命中率的研究在理论和应用方面具有重要意义。论文首先分析了转炉终点控制研究的现状,对转炉炼钢静态控制与动态控制模型方法、作用及功能关系进行了比较,指出随转炉装备水平的进步,基于人工智能的模型方法成为控制技术的主流,而且静态模型对转炉控制水平有重要影响;通过对基于GA-BP混合算法的转炉终点优化控制模型和转炉准动态控制模型的对比分析,认为混合算法可以提高静态模型的预测效果,而准动态模型可以反映转炉冶炼过程的动态操作和加料过程对一次倒炉时间和终点的影响,然而,模型样本数据的完整和准确性是这类基于数据建模的模型应用效果的关键。因此,论文结合实际的生产统计规律,对现有模型进行改进研究,建立了基于时间的BP神经网络终点控制模型。新建模型在数据的预处理上,结合转炉炼钢机理,并加入生产统计规律,在冶炼枪位的处理上引入与枪位成二次函数关系的氧气利用效率为模型输入参数,对枪位变化在转炉冶炼过程中所起的作用进行量化;在算法上针对BP神经网络容易陷入局部最优与“过拟合”等问题,采用了引入验证样本的改进BP神经网络学习算法,并在BP神经网络权值初始化设置和激励函数方面进行了改进。在模型的构建上,基于时间的BP神经网络终点控制模型考虑了时间对转炉冶炼的影响。根据攀钢1#转炉以冶炼Stb32系列钢的416炉生产数据,应用基于时间的BP神经网络终点控制模型进行的离线测试,将数据样本分别按80%、5%、15%的比例划分为训练样本、验证样本和测试样本的预测结果表明:在预测精度为一次倒炉温度|ΔT|≤15℃、一次倒炉碳含量|ΔC|≤0.03%条件下,碳、温命中率分别为72.6%和75.8%,同时命中率为58.1%,取得了较好的效果。论文研究工作取得了一定的进展,建立并实现的基于时间的BP神经网络终点控制模型,为转炉终点控制的相关研究提供了一种研究思路和研究手段。

全文目录

摘要  4-5
ABSTRACT  5-9
1 绪论  9-15
  1.1 前言  9
  1.2 转炉技术的进步  9-10
  1.3 转炉终点控制与研究进展  10-11
  1.4 转炉终点控制的应用  11-12
  1.5 研究背景与研究内容  12-15
    1.5.1 研究背景  12-13
    1.5.2 研究内容  13-15
2 不同控制模型的关系及方法分析  15-23
  2.1 静态控制模型与动态控制模型的关系  15-16
  2.2 转炉控制模型方法分析  16-21
    2.2.1 转炉静态控制  17-18
    2.2.2 转炉动态控制  18-19
    2.2.3 转炉全自动控制  19-20
    2.2.4 其它方法  20-21
  2.3 转炉终点控制技术的发展趋势分析  21-23
3 基于人工智能的转炉终点控制静态与准动态模型分析  23-30
  3.1 基于人工智能的转炉终点控制静态与准动态模型的原理  23-24
  3.2 基于GA-BP 神经网络的转炉终点控制模型的应用  24-25
  3.3 转炉终点预测的准动态控制模型的应用  25-26
  3.4 模型的比较分析  26-30
    3.4.1 终点控制模型  26-27
    3.4.2 模型的方法  27
    3.4.3 模型输入条件和特点  27-28
    3.4.4 模型的控制目标  28-29
    3.4.5 比较结果分析  29-30
4 终点控制模型的改进  30-47
  4.1 基于时间的BP 神经网络终点控制模型的原理  30-37
    4.1.1 模型的原理  30-32
    4.1.2 模型的方法  32-35
    4.1.3 模型的构建  35-36
    4.1.4 模型的改进  36
    4.1.5 BP 神经网络算法的改进  36-37
  4.2 基于时间的BP 神经网络终点控制模型建立的基础  37-41
    4.2.1 模型应用的条件  37-38
    4.2.2 模型应用的对象  38-39
    4.2.3 模型基本假设  39
    4.2.4 物料平衡计算  39-41
  4.3 数据的预处理  41-47
    4.3.1 数据的收集与清理  41
    4.3.2 有效参数的评估与选择  41-43
    4.3.3 模型输入变量与输出变量的选取  43-44
    4.3.4 过程数据的模式量化与变换  44-47
5 基于时间的BP 神经网络终点控制模型的实现与测试  47-56
  5.1 基于时间的BP 神经网络终点控制模型的实现  47-50
  5.2 基于时间的BP 神经网络终点控制模型的测试  50-56
    5.2.1 试验设计  50-51
    5.2.2 试验数据  51-52
    5.2.3 试验结果与分析  52-56
6 结论与展望  56-58
  6.1 结论  56
  6.2 展望  56-58
致谢  58-59
参考文献  59-63
附录  63-65
  作者在攻读学位期间发表的论文目录  63-65

转炉终点控制模型的比较分析和改进研究

内容摘要

全文目录

相似论文