復吹轉(zhuǎn)爐神經(jīng)網(wǎng)絡終點預測模型.pdf

1、人工神經(jīng)網(wǎng)絡具有較強的非線性問題處理能力且容錯性能強,可實現(xiàn)實時應用以及在線響應.針對轉(zhuǎn)爐煉鋼過程復雜,影響終點因素多,而且難以進行連續(xù)準確測量的特點,該文開發(fā)了基于人工神經(jīng)網(wǎng)絡技術的轉(zhuǎn)爐煉鋼終點預報模型.該課題應用SQL Server數(shù)據(jù)庫系統(tǒng)建立了轉(zhuǎn)爐生產(chǎn)記錄數(shù)據(jù)庫.數(shù)據(jù)庫包括了轉(zhuǎn)爐生產(chǎn)記錄中的所有數(shù)據(jù)項,足以保證進行人工神經(jīng)網(wǎng)絡訓練的需要.在建立神經(jīng)網(wǎng)絡模型的過程中,分析了影響轉(zhuǎn)爐吹煉終點的因素.應用模式識別的方法,對所有影響因素

2、進行分析篩選,從降低維數(shù)、減少模型運算量方面考慮,剔除了部分變量.最后確定作為神經(jīng)網(wǎng)絡輸入變量的因素有:鐵水成分(C、Si、Mn、P、S)及溫度、鐵水量、廢鋼量、供氧時間、冶煉周期、爐耗氧量、石灰加入量、輕燒白云石加入量共13個因素.在此基礎上建立了一個三層BP神經(jīng)網(wǎng)絡模型,實現(xiàn)了對轉(zhuǎn)爐終點的全面預測.采用某鋼鐵廠轉(zhuǎn)爐車間2003年上半年的生產(chǎn)數(shù)據(jù),從中選取3300爐數(shù)據(jù)訓練網(wǎng)絡,得到了如下的網(wǎng)絡參數(shù):1)預測終點碳含量:隱含層節(jié)點數(shù)(

3、n)12、學習率(η)0.5、動量系數(shù)(α)0.6、傳遞函數(shù)中的溫度參數(shù)(λ)1.9.2)預測終點溫度:隱含層節(jié)點數(shù)(n)7、學習率(η)0.4、動量系數(shù)(α)0.6、傳遞函數(shù)中的溫度參數(shù)(λ)2.0.3)預測終點磷含量:隱含層節(jié)點數(shù)(n)7、學習率(η)0.2、動量系數(shù)(α)0.7、傳遞函數(shù)中的溫度參數(shù)(λ)2.5.對模型預測誤差的分析表明,訓練集樣本數(shù)據(jù)的選擇對模型的精度具有至關重要的影響.在考慮所有對冶煉終點存在影響的因素的前提下