基于神经网络的铜闪速熔炼过程工艺参数预测模型

《基于神经网络的铜闪速熔炼过程工艺参数预测模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据第38卷第3期2007年6月中南大学学报(自然科学版)J．Cent．SouthUniv．(ScienceandTechnology)Vbl．38No．3Jun．2007基于神经网络的铜闪速熔炼过程工艺参数预测模型喻寿益，王吉林，彭晓波(中南大学信息科学与工程学院，湖南长沙，410083)摘要：基于铜闪速熔炼过程是典型的高温、多相多组分复杂生产过程，熔炼时，闪速炉内发生激烈而迅速的化学反应，冰铜品位、冰铜温度和渣中铁硅比是铜熔炼过程的关键三大工艺参数，在线检测时存在成本高、滞后大，实现困难等问题，在分析影

2、响工艺参数因素的基础上，提出一种基于BP神经网络的三大工艺参数预测方法，通过收集现场生产数据，挖掘其中隐含的工艺参数信息，建立预测模型。仿真结果表明，这三大工艺参数的最大绝对误差分别为O．630，6．680和O．051，最大相对误差分别为1．16％，0．55％和3．40％，说明模型预测结果与实际生产数据较吻合，该预测模型可用来指导实际生产操作，并可用于铜闪速熔炼过程参数优化。关键词：铜闪速熔炼；BP神经网络；预测模型中图分类号：TPl3文献标识码：A文章编号：1672．7207(2007)03—0523—05P

3、redictionmodelofcraftparametersbasedonneuralnetworkduringtheprocessofcopperflashsmeltingYUShou-yi，WANGJi—lin，PENGXiao—bo(SchoolofInformationScienceandEngineering，CentralSouthUniversity,Changsha410083，China)Abstract：Copperflashsmeltingisacomplexindustrialproc

4、esswithmultiplephasesandmultiplecomponentsathiightemperature．Duringtheprocessofsmelting，thereactionsoccurfiercelyandrapidlyinflashfumace，andmattegrade，mattetemperatureandmassrateofFeandSi02arethethreekeytechnologyparametersduringtheprocessofcopperflashsmelti

5、ng．Themeasurementmethodoftheseparametersisnotonlyhardtobedetectedon-line，butalsohastime—delayingandcostsalot．Abackpropagationneuralnetworkpredictionmodelwaspresentedtopredicttheseparameters，anditssimulationexperimentwasgiven．Thesimulativeresultsshowthatthebi

6、ggestabsoluteerrorofthethreeparametersare0．630，6．680and0．051andthebiggestrelativeerrorare1．16％，0．55％and3．40％，respectively．Theseresultsindicatethatthepredictionresultsofthemodelisinaccordancewiththepracticaldataverywell，andthusthemodelcanbeusedintheparametero

7、ptimizationforcopperflashsmeltingandcanbeusedtooptimizeparametersinthepracticalproduction．Keywords：copperflashsmelting；backpropagationneu：alnetwork；predictionmodel铜闪速熔炼是一个典型的高温、多相多组分的复杂生产过程，熔炼时，闪速炉内反应迅速，所有反应在2～3s内完成。当处理料量不变时，闪速炉产出的冰铜品位、冰铜温度、渣中铁硅比(质量比)等参数是铜闪速

8、炉熔炼过程的综合判断指标，只要稳定这三大参数，就可以实现熔炼、吹炼以及硫酸生产过程的稳定‘卜21。计算机对闪速熔炼过程的控制，实际上就是对冰铜品位、冰铜温度和渣中铁硅比这三大工艺参数进收稿日期：2006—1卜08基金项目：国家自然科学重点基金资助项目(60634020)；国家自然科学基金资助项目(60574030)；湖南省自然科学基金资助项目(06FD007)；国家发改委专项基金资助项