LF精炼炉合金化模型研究

论文摘要

LF炉已成为二次精炼过程中的关键设备之一,对调整钢液成分,特别是对合金成分的控制起重要作用。因此,合金成分控制现已成为LF炉的主要研究对象之一。在LF炉炼钢生产过程中,按不同的钢种要求,需要添加合金对钢水成分进行调整,以便使冶炼的钢水达到钢种要求的目标成分。由于每种合金由几种不同的元素组成,不同合金可能有相同的元素成分,所以存在多种加料方案,因此,为了精确地实现成分目标要求与合金成本最小化,本课题采用单纯形法建立最优加料模型,以便使钢液成分达标的同时合理地优化合金加料方案,达到控制钢液终点成分与降低加料成本的目的。然而,合金化模型的精确度很大程度上依赖于合金元素收得率的计算,因此要想获得精确的合金化模型,必须要精确地计算出合金元素收得率,在LF炉精炼过程中,影响元素收得率的因素很多,如钢水温度,脱氧度等,其关系非常复杂,对于这种具有多变量、时变、非线性、耦合、大惯性、大滞后特点的系统,常规的建模方法难以取得理想的效果,因此,本课题采取BP神经网络建立合金元素收得率预测模型,克服了建立合金元素收得率模型的难点。在BP神经网络所建立的预测模型基础上,引进标准粒子群对其进行优化,改进BP神经网络的收敛速度不高的缺点,PSO算法简洁而容易实现,早期收敛速度快,可以克服神经网络收敛慢的问题,并且提高了收敛精度,但PSO算法后期会受随机振荡影响,使其在全局最优值附近需要较长的搜索时间,收敛速度慢,极易限于局部极小值,使得精度降低,易发散,因此在粒子群算法的基础上加入模拟退火算法,克服了算法易陷入局部极小值的缺点,并利用MATLAB软件对BP网络,粒子群优化BP网络,SA-PSO优化BP网络进行仿真实验,并比较仿真结果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 LF精炼炉发展概况
• 1.2 课题的目的和意义
• 1.3 LF炉合金化模型的国内外发展状况
• 1.3.1 国外发展状况
• 1.3.2 国内发展状况
• 1.4 本课题所做的主要工作
• 第2章 LF钢包精炼炉
• 2.1 LF炉机械设备
• 2.2 LF炉精炼功能
• 2.2.1 白渣精炼
• 2.2.2 埋弧加热
• 2.2.3 还原气氛营造
• 2.2.4 吹氩搅拌
• 2.3 LF炉的主要控制
• 2.3.1 温度控制
• 2.3.2 合金成分微调
• 2.4 LF炉优点
• 2.5 本章小结
• 第3章 LF炉最优合金化模型
• 3.1 建模思想
• 3.2 模型建立
• 3.2.1 最优加料模型中参数的确定
• 3.2.2 模型求解
• 3.2.3 影响模型精确度的因素
• 3.3 本章小结
• 第4章 基于神经网络的元素收得率预测模型
• 4.1 人工神经网络
• 4.1.1 人工神经网络的发展
• 4.1.2 人工神经网络的特点
• 4.2 BP神经网络简介
• 4.2.1 BP神经网络的构成
• 4.2.2 BP神经网络的学习过程
• 4.2.3 设计BP神经网络需要考虑的因素
• 4.2.4 BP神经网络的优缺点
• 4.2.5 BP神经网络常用的改进算法
• 4.3 基于BP神经网络的元素收得率预测模型
• 4.3.1 元素收得率的神经网络结构
• 4.3.2 仿真分析
• 4.4 本章小结
• 第5章 基于SA-PSO优化神经网络的元素收得率预测模型
• 5.1 粒子群优化算法
• 5.1.1 粒子群优化算法的研究综述
• 5.1.2 基本粒子群优化算法
• 5.1.3 标准粒子群优化算法
• 5.1.4 标准PSO优化神经网络的设计
• 5.1.5 标准PSO优化神经网络的实现步骤及流程图
• 5.1.6 仿真分析
• 5.2 模拟退火优化算法
• 5.2.1 固体退火过程
• 5.2.2 Metropolis准则
• 5.2.3 组合优化与固体退火的相似性
• 5.2.4 模拟退火算法的特点
• 5.2.5 模拟退火算法的有限时间实现
• 5.2.6 模拟退火算法应用的一般要求
• 5.3 粒子群算法与模拟退火算法的结合
• 5.3.1 SA-PSO算法实现步骤及流程图
• 5.3.2 仿真分析
• 5.4 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士期间参加项目科研情况