铁合金冶炼过程能耗监测与分析研究

论文摘要

铁合金企业是高耗能企业,企业的竞争力主要取决于产品的成本。能耗是成本中可控的主要部分,所以对能耗的研究有助于控制成本中的能耗水平,降低成本,从而增强企业竞争力。要解决铁合金企业的高能耗问题,目前迫切需要解决的两个问题是：一是提高铁合金企业能源信息化管理水平,使企业的计量手段和方法更趋于合理化；二是掌握科学、有效的能耗分析手段。本论文就是针对这两个问题进行研究的。通过对铁合金企业能耗的监测与分析,研究影响能耗的因素,从而找出其中规律,明确企业节能降耗的方向,为做出正确的节能决策提供可靠依据。本文首先建立铁合金企业能耗监测系统。结合中钢集团吉林铁合金股份有限公司铁合金冶炼过程的生产工艺,开发了基于现场总线、组态技术及以太网络通讯技术等的能耗监测系统,阐述了该系统的设计方法及各模块功能,本系统实现了能源计量的集中化管理、实时能源监测、历史查询、能源统计、数据图形和报表等功能。能耗监测系统提高了冶金企业能源信息化管理水平,提高了企业工作效率,并保证了数据的可靠性,为下一步能耗分析打下良好基础。接着,在能耗监测系统提供的可靠数据基础上,利用智能算法对铁合金企业能耗进行科学分析和能耗影响因素Pareto构序。首先,构造了铁合金企业能耗分析模型。建立能耗分析模型时,分别采用了三种方法对模型进行训练。第一种方法是标准BP算法；第二种方法是改进的BP算法,采用附加动量法、自适应学习率法及LM算法等来改进BP算法;第三种方法是遗传算法与改进BP网络结合的算法,称为GA-BP算法,此法充分利用了遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点,用遗传算法来优化神经网络初始权重；同时,为了有效提高BP网络收敛速度,采用LM算法作为GA优化后的BP网络的后续训练。有效克服了标准BP算法网络收敛速度慢和容易陷入局部极小值的缺陷。采用上述三种算法,通过Matlab软件在计算机上编程模拟对模型进行训练、仿真,证实了GA-BP算法,在训练速度、精度及泛化能力上均优于其它两种算法,所以在建立能耗分析模型的时,我们选择的是GA-BP算法。能耗分析模型建立好了之后,结合中钢集团吉林铁合金股份有限公司八分厂的实际生产数据,利用训练后的神经网络具有联想记忆和推测的特性,找出各主要因素变化对铁合金生产能耗的影响程度,把各因素对能耗的影响程度进行量化表示,对能耗影响因素进行了定量分析,并对能耗的影响因素进行了Pareto构序,为企业的能源决策提供了理论依据,促进了节能降耗。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的来源
• 1.2 课题研究的背景和意义
• 1.3 论文选题在该领域国内外发展现状
• 1.4 本文主要研究内容和创新
• 1.4.1 本文研究内容
• 1.4.2 本文创新之处
• 第二章 铁合金冶炼过程工艺分析
• 2.1 铁合金生产任务
• 2.2 铁合金主要生产工艺流程
• 2.3 铁合金冶炼过程能源消耗概述
• 2.4 本章小结
• 第三章 能耗监测系统
• 3.1 能耗监测系统方案设计
• 3.1.1 能耗监测系统的特点
• 3.1.2 系统的功能
• 3.2 能耗监测系统硬件设计
• 3.2.1 能耗监测系统硬件网络结构
• 3.2.2 系统硬件配置
• 3.2.3 系统数据通讯技术
• 3.2.4 基于485现场总线和工业以太网的能耗监测系统
• 3.3 监测系统软件的设计
• 3.3.1 监测软件的选择
• 3.3.2 能源监测系统功能的实现
• 3.4 本章小结
• 第四章 神经网络及遗传算法基础理论
• 4.1 神经网络概述
• 4.1.1 神经网络概念及特点
• 4.1.2 人工神经元
• 4.1.3 人工神经网络的类型
• 4.2 BP神经网络
• 4.2.1 BP网络结构
• 4.2.2 BP网络的学习过程
• 4.2.3 BP网络的特点
• 4.3 BP算法的改进
• 4.3.1 BP算法的缺点
• 4.3.2 BP网络学习算法的改进
• 4.4 遗传算法
• 4.4.1 遗传算法理论基础及特点
• 4.4.2 遗传算法的参数设定
• 4.5 遗传算法与BP神经网络的结合
• 4.5.1 遗传算法和BP结合的可行性
• 4.5.2 遗传算法和BP结合的方式
• 4.6 本章小结
• 第五章 铁合金企业能耗分析
• 5.1 铁合金企业能耗分析模型的建立
• 5.1.1 输入变量的选择
• 5.1.2 样本数据预处理
• 5.1.3 基于BP网络的能耗分析模型结构
• 5.2 能耗分析模型的训练
• 5.2.1 采用标准BP算法训练模型
• 5.2.2 采用改进的BP算法训练模型
• 5.2.3 采用GA-BP算法训练模型
• 5.3 模型的检测及结果分析
• 5.4 铁合金冶炼能耗定量分析
• 5.5 能耗影响因素的PARETO排序
• 5.6 本章小结
• 第六章 结论与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 作者简介
• 攻读硕士学位期间研究成果