炼焦配煤智能优化模型及其应用研究

《炼焦配煤智能优化模型及其应用研究》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、摘要炼焦配煤过程是存在诸多不确定性的复杂工业过程，配合煤的煤质直接影响焦炭的质量，而配合煤的性质又是由掺配的各单种煤的性质与配比决定的，变量之间的关系十分复杂。这种复杂的非线性关系，使得传统控制方法难以实施有效的控制。在炼焦配煤过程中，配煤比是影响焦炭质量的主要因素。本文从炼焦工艺出发，提出了一种炼焦配煤智能优化模型，能够精确地确定配煤比，有效地提高了焦炭的质量和配煤效率，降低了生产成本。论文的主要研究成果包括：(1)本文从炼焦配煤工艺流程出发，详细分析了影响配合煤质量的各种因素，包括各单种煤的灰分、硫分、挥发分、粘结性指数、水分等。在机理分析的基础上，本文提出建立配

2、合煤质量预测模型，它以上述五个相关因素为辅助变量，采用线性回归得到配合煤的质量预测值。同时，本文对焦炭质量的影响因素进行了详细分析，采用BP神经网络描述配合煤和焦炭指标之间的关系，建立了焦炭质量预测模型(以配合煤的水分、灰分、挥发分、硫分、粘结性指数和细度作为神经网络的输入来进行预测)。(2)针对传统的基于人工经验的配比计算量大、准确性不高的特点，本文基于给定的焦炭质量指标和配合煤质量指标、煤场现有的各大类煤种质量参数、以及配煤和炼焦条件，根据一定的成本和库存等约束条件，提出应用模拟退火算法，建立了配比计算和配比优化模型，通过该模型可以获得最优的配煤比和配煤方案。(3

3、)本文在IFIX组态软件的操作平台下，以VC++为开发工具，实现了炼焦配煤智能优化应用软件的设计，并对实际运行结果进行了分析。工业运行结果表明本文提出的优化策略有效地提高了配煤效率，节约了配煤成本，同时焦炭质量预测精度达到了90％以上，有效的提高了焦炭质量。关键词：配煤过程，线性回归，神经网络，模拟退火算法，智能优化ABSTRACTThecoalblendingandcokingprocess，inwhichmuchuncertaintyexists，istoocomplicatedtodescribe．Themixedcoalquality,whichisdeter

4、minedbythequalityandproportioningratioofsinglecoal，hasdirectinfluence011thecokequalityindex．ThenonlinearrelationamongthevariablesisSOcomplexthatthetraditionalmethodscanhardlycontroleffectively．Incokingprocess，blendingratioofcoalisthemainfactortoinfluenceoncokequalityprediction．Startingf

5、romthecokingprocess．ancoalblendingandcokingintelligentoptimizationmodelwhichCallaccuratelydeterminethecoalblendingrateispresentinthispaper,whicheffectivelyhavebeenimprovedthequalityofcokeandthecoalblendingefficiency,thushavebeenloweredthecostofproduction．Themainstudyachievementsinclude：

6、(1)Startingatthetechniqueofcoalblendingprocess，thispaperanalyzedindetailallkindsoffactorsthatinfluencethequalityofthemixedcoal，whichincludethecomponentofash，sulfur,volatility,andwaterandfeltingindexofeverysinglecoals．Thispaperpresentbuildingaqualityforecastingmodelofmixedcoalonthebasiso

7、fprincipleanalysis，whichtaketheabovefivefactorsasassistantvariablesandobtainthequalityforecastingvaluebylinearregress．Atthesametime，thispaperanalyzedindetailthefactorsthatinfluencethequalityofthecoke，describedtherelationshipbetweentheindexofmixedcoalandcokeusingBPneuralnetworka