基于改进的粒子群BP神经网络的高炉热状态预报模型的研究

论文摘要

钢铁工业是国民经济的支柱产业,高炉炼铁是钢铁工业的重要组成部分。高炉炉温是高炉顺行的保证,也是判断高炉炉况的一个重要指标。如何建立能指导高炉炼铁人员进行炉温控制的炉热状态预报模型不仅具有重要的理论价值,而且也具有重要的生产实践价值。但是从控制论的角度来看,高炉过程是一种时延很大的非线性系统,在建模方面有着很大的难度。尤其高炉炉温的表达,难度更大。本文针对国内某大型钢铁企业4#高炉的实际情况提出了以化学热—铁水Ti含量代替物理热来判断炉温的变化。并在此基础上,根据已开发的静态模型分析4#高炉冶炼过程的规律、定量关系;通过分析影响炉缸热制度的主要因素及普通矿冶炼热制度与钒钛矿热制度的差别来研究4#高炉炉缸热制度特点。本文针对粒子群优化算法（PSO）的早熟现象,提出了一种基于学习因子自适应调整思想的改进PSO算法,并对算法进行了性能测试表明:改进的PSO算法收敛速度快,具备收敛概率和搜索精度;然后提出了用改进的PSO算法来训练BP神经网络,以此来提高网络训练效果。根据网络模型自身的特点,有必要控制输入参数的个数,同时在选取参数时应该尽量选择对输出量影响较大的参数;本文接着通过对各工艺参数之间相关性分析以及各工艺参数与铁水Ti含量间的相关性分析,得出了对炉温变化较敏感的参数以及各工艺参数对炉温影响的滞后时间。在此基础上,实现了对网络模型输入参数的选择。本文最后建立了基于PSO-BP神经网络的高炉热状态的动态预报模型;同时对4#高炉生成过程中的实际数据进行了预处理,并结合处理后的样本数据对模型进行仿真实验,实验结果表明,用改进BP-PSO网络对高炉铁水Ti含量预报的精度要高于标准的BP网络,此精度完全可以满足实际生产的需要,并且改进BP-PSO网络比标准BP网络的训练时间明显缩短。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 引言
• 1.2 高炉热状态预测模型研究的目的和意义
• 1.3 国内外炉温预测控制的现状
• 1.3.1 国外发展情况
• 1.3.2 国内发展情况
• 1.4 炉温预测的主要技术难度
• 1.5 本文研究内容
• 2 炉缸热制度
• 2.1 高炉炼铁原理
• 2.1.1 高炉冶炼的任务
• 2.1.2 高炉结构及炼铁过程
• 2.1.3 高炉冶炼的工艺特点
• 2.2 炉缸热制度
• 2.2.1 热制度的选择
• 2.2.2 影响热制度的主要因素
• 2.3 炉温异常分析
• 2.3.1 炉缸向凉
• 2.3.2 炉缸向热
• 2.4 4 #高炉炉缸热制度
• 2.4.1 静态模型的功能
• 2.4.2 模型参数的处理方法
• 2.4.3 模型的分析结果
• 3 改进的粒子群优化算法训练BP 神经网络
• 3.1 BP 神经网络
• 3.1.1 人工神经网络简述
• 3.1.2 BP 神经网络与BP 学习算法
• 3.1.3 BP 神经网络的优势和不足
• 3.1.4 神经网络结构优化方法分析
• 3.2 粒子群优化算法
• 3.2.1 算法原理
• 3.2.2 算法流程
• 3.2.3 基本PSO 与其他进化算法的比较
• 3.2.4 粒子群优化算法参数分析
• 3.3 改进的粒子群优化算法
• 3.4 改进的粒子群优化算法的性能测试
• 3.5 用改进的粒子群优化算法训练BP 神经网络
• 4 炉热预报数据分析
• 4.1 非线性回归分析
• 4.1.1 回归分析的基本概念
• 4.1.2 非线性回归分析
• 4.2 模型输入参数的确定
• 4.2.1 相关性分析的目的
• 4.2.2 各工艺参数间相关性分析
• 4.2.3 滞后时间的确定
• 4.2.4 炉热状态预报模型参数的确定
• 5 基于改进的粒子群BP 神经网络的高炉热状态预报
• 5.1 模型结构和参数的确定
• 5.2 数据预处理
• 5.3 模型的预报与仿真
• 6 结论与展望
• 致谢
• 参考文献
• 附录