智能方法在煉鐵系統實現多目標預測及優(yōu)化的研究.pdf

1、該研究提出將BP神經網絡與遺傳算法(GA)相結合,建立GA-BP網絡模型.模型利用遺傳算法篩選網絡模型的輸入變量,通過網絡自構性學習確定網絡隱含層結點數.通過這些手段,使網絡結構優(yōu)化和簡化,縮短網絡學習訓練時間,提高模型預測精度.該研究應用GA-BP網絡模型,建立了三層GA-BP神經網絡模型,對煉鐵系統進行多目標質量預測,獲得了較高的預測精度.其中,燒結礦質量預測包括FeO含量和轉鼓強度兩個指標,燒結礦FeO含量預測子模型從10個工藝參

2、數中,通過遺傳操作篩選出混合料粒度、溫度、廢氣溫度、料層厚度、機速、原始水6個因素作為網絡輸入變量,隱含層數為2層,通過自構性學習,結點數分別選擇為20和8.當要求FeO含量預測絕對誤差為±0.15％時,命中率可達82.78％.燒結礦轉鼓強度預測模型的輸入變量分別是點火溫度、廢氣溫度、混合料溫度、機速、二次水、混合料粒度,隱含層數為2層,結點數分別選擇為20和9.當要求轉鼓強度預測絕對誤差為±0.15％時,命中率可達91.46％.高爐鐵

3、水質量預測包括鐵水[Si]、[S]含量的預測,網絡輸入變量為風量、熱風壓力、全壓差、透氣性指數、熱風溫度、爐頂溫度、噴煤量、富氧量、鐵間料批數九個因素,當要求硅含量預報的絕對誤差為±0.1％時,命中率為95％;當要求硫含量預報的絕對誤差為±4ppm時,命中率可達84.69％,命中率較高.結果表明:GA-BP網絡模型比傳統的BP網絡模型能夠獲得更高的精度.該研究提出應用GA-BP網絡模型建立煉鐵系統多目標優(yōu)化分析模型,分別將高爐系統和燒結