炼钢生产过程预报(含摘要)

炼钢生产过程预报(含摘要)

ID:38420271

大小:216.50 KB

页数:5页

时间:2019-06-12

炼钢生产过程预报(含摘要)_第1页
炼钢生产过程预报(含摘要)_第2页
炼钢生产过程预报(含摘要)_第3页
炼钢生产过程预报(含摘要)_第4页
炼钢生产过程预报(含摘要)_第5页
资源描述:

《炼钢生产过程预报(含摘要)》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、基于人工神经网络技术的炼钢生产过程预报作者简介:李剑(1965-),男,汉族,山东单县人,工程师,主要从事冶金新工艺研究工作通讯地址:贵州省贵阳市瑞金南路2号贵州科技馆,邮编:550002联系电话:13809420565李剑[1],李长荣[2](1.贵州科技馆,贵阳,550002;2.贵州大学材料与冶金学院,贵阳,550003)摘要:炼钢过程是一个非常复杂的物理化学变化过程,无法用数学方法线性描述。人工神经网络因具有很强的非线性处理能力和较强的容错性,从而广泛应用于冶金生产过程。本文介绍了人工神经网络原理,通过对BP神经网络、RBF神经网络、灰色系统以及自适应模糊神经网

2、络在炼钢生产过程中的预报现状的介绍,指出人工神经网络技术的应用将进一步提高炼钢生产过程的自动化水平。关键词:炼钢神经网络静态模型终点预报中图分类号:TF701.3PredictionofartificialneuralnetworkinprocessofsteelmakingAbstract:Steelmakingisaverycomplexphysicalchemistryprocesswhichisverydifficulttodescribelinearity.Artificialneuralnetworkcanbeusedinmetallurgicalproce

3、ssduetoitsabilityindealingwithnon–linearproblemsandinfault–tolerance.TheprincipleofArtificialNeuralNetwork(ANN)isintroducedinthispaper.ThroughtotheanalysisofBPneuralnetwork,RBFneuralnetwork,graysystemandadaptivefuzzyneuralnetwork(AFNN)oftheend-pointpredictioninconverter,itispointedouttha

4、ttheapplicationofartificialneuralnetworkisfavorabletofurtherimproveautomaticcontrolinprocessofsteelmaking.Keywords:steelmakingneuralnetworkstaticmodelend-pointprediction氧气转炉炼钢是一个非常复杂的物理化学反应过程,期间存在着许多难以定量和模型化的因素,且各因素之间存在着非常复杂的非线性关系,人工控制很难一次达到终点目标值,必须经过多次补吹才能出钢,导致钢水质量差、生产成本高。传统的转炉吹炼控制模型以动态

5、模型和静态模型为基础,这些模型通常是在许多假设和操作人员估计值基础上得到的,很难准确描述转炉炼钢过程中复杂的物理化学变化,故终点命中率低,实用性差[1]。为了提高终点命中率,降低原料消耗,改变作业环境,国外从20世纪60年代开始就采用了计算机控制,到70年代已从静态制发展为动态控制。吹炼终点的命中率目前已达到90%以上。目前,发达国家转炉冶炼过程控制广泛采用动态控制模式,在预报转炉冶炼终点钢水温度及碳含量方面,终点命中率一般可达75%以上。而对于我国中小型转炉,因炉口直径小,从炉口插入副枪困难,因此不宜用转炉动态控制[2]。人工神经网络(ANN)有很强的自学习能力、自组

6、织能力和推理能力,而且具备很强的容错性,特别适用于非线性、不确定、不确知的的复杂系统。针对我国的转炉多为100t以下的中、小型转炉,无法采用动态控制模型,而传统的静态控制模型命中率低,因此进一步提高和改进转炉冶炼终点的控制模型是十分必要的,所以将人工神经网络技术与静态控制结合,对转炉冶炼终点进行预报,提供了一种崭新的转炉炼钢控制模式。1人工神经网络[3]人工神经网络(ANN)是模拟人脑中的神经元并且这些神经元广泛互联而成为一种复杂的网络模型。它是对人脑功能的抽象、简化和模拟。自1943年第一个神经网络模型—MP模型被提出至今,神经网络的发展十分迅速,特别是1982年提出

7、的霍普菲尔德(Hopfield)神经网络模型和鲁美尔哈特(Rumelhart)1985年提出的反向传播算法(BP),使Hopfield模型和多层前馈型神经网络成为用途广泛的神经网络模型[4]。图1为一个简化的神经单元的基本形式。它是一个多输入单输出的非线性器件,其中:表示第j个单元的内部阀值,为输入信号,表示与神经元连接的权值,该神经元模型可描述为:其中,,表示神经元的输出函数,最常见的三种函数形式是:硬极限函数(HardLimiter)、阀逻辑函数(ThresholdLogic)和S型单调函数(Sigmoid)[5-6]。其中,最典型的

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。