基于人工神经网络的铁水预处理终点硫含量预报模型

【摘要】：随着冶金工业的发展和钢质量的不断提高，铁水预脱硫成为钢铁生产工艺流程中的一项重要任务。为了实现铁水预处理工艺过程快节奏、高效率化的生产发展需求，前人提出了利用计算机模型进行铁水预处理终点硫含量预报的方法。但预报终点硫含量的过程是一个非常复杂的工艺过程，应用传统的工艺理论建模已难以适应其多参数、非线性和高度不确定对象的特点，因此近年来多采用人工智能的方法来进行预报。 课题以梅山钢铁公司(以下简称梅钢)和本溪钢铁公司(以下简称本钢)的铁水预处理生产工艺为研究背景，采用改进的BP算法，应用Visual Basic 6.0高级程序语言进行程序设计，建立铁水预处理终点硫含量预报模型。模型建立过程中，针对BP网络迭代次数多、收敛速度慢等问题对标准BP算法进行了分析和改进，得到了适于本模型的改进型BP算法。对模型中各个参数的选择做了较详细的选择分析，从热力学和动力学的角度出发，结合现场数据情况，深入考察了影响铁水预处理终点硫含量的各种因素，确定了模型的网络结构及输入、输出参数。 用梅钢的1154炉数据和本钢的1900炉数据作为模型的训练样本，另外，再分别随机选取100炉数据作为模型测试样本，分别对模型进行了训练和测试。然后，对产生误差的原因以及模型各个输入参数与终点硫含量的关系进行了分析和讨论。 课题得到的主要结论如下： (1)提出了采用自适应调整学习率、增加动量项和最大误差学习法的适合本课题使用的改进BP算法。其中，新提出的自适应调整学习率改进方法如下： (2)确定模型输入参数为：铁水温度、铁水重量、镁粉耗量、石灰粉耗量、初始硫含量；模型的输出参数为：终点硫含量； (3)改进的BP算法比标准BP算法预报误差≤0.003％的精度提高28％； (4)梅钢模型的网络结构为5-14-1结构，动量项为0.6。本钢模型的网络结构为5-10-1结构，动量项为0.7。输入输出数据归一化范围均为[0.2，0.8]区间； (5)梅钢模型的预报结果有19％的炉次预报值与实际值完全一致，有90％的炉次误差≤0.003％，达到96％的炉次误差≤0.005％，平均误差为0.0017％；