学位论文 > 优秀研究生学位论文题录展示

快速出钢模型的开发和运用

作　者: 张波
导　师: 彭其春
学　校: 武汉科技大学
专　业: 钢铁冶金
关键词: BP神经网络多元线性回归转炉冶炼终点预报锰磷硫含量
分类号: TF713.7
类　型: 硕士论文
年　份: 2011年
下　载: 33次
引　用: 0次
阅　读: 论文下载

内容摘要

随着钢铁产量不断增加,品种钢比例不断提高,对钢液内磷、硫成分控制越来越严。武钢三分厂经常出现因转炉终点磷、硫偏高,而后工序措施采取不到位造成改钢、中断或回炉等;以及出钢时一律采取出钢脱硫措施,而造成成本的浪费较大的问题。因此,如何准确预测转炉吹炼终点时钢中锰、硫和磷含量,为后工序的控制提供依据,具有一定的经济前景。本文根据转炉计算机炼钢的现状,研究转炉冶炼终点锰、磷、硫含量的影响因素,采用代数学模型和BP神经网络模型算法,分别建立了转炉开终点锰、磷、硫含量预报模型,并以MATLAB、FORTRAN 77、VC++等编程语言为工具,开发了一套快速出钢模型。为此,本文主要得出如下结论:(1)通过对转炉冶炼过程的机理分析,以及对大量的生产数据进行考查、筛选,确定转炉终点[Mn]、[P]、[S]含量预测的主要输入变量。(2)在对所采集的数据进行筛选后分别建立了转炉终点[Mn]、[P]、[S]含量预测的多元线性回归模型。从结果中可以看出多元线性回归模型的拟合度较低,预测命中率不理想,不能对现场生产起到指导意义。(3)分别建立了转炉终点[Mn]、[P]、[S]含量预测的BP神经网络模型。经过反复的比较训练,确定了其网络模型结构,通过建立的BP神经网络模型对检测样本进行预测,从结果中可以看出BP神经网络模型在拟合度和命中率方面比多元线性模型要有很大的提高。(4)对所建立模型的性能进行了研究,分析了BP神经网络模型的各输入量对转炉冶炼终点的影响,均符合动力学、热力学等冶金反应原理。(5)对现场生产中转炉出钢终点[Mn]、[P]、[S]含量进行预测,其预测结果为:转炉终点[Mn]含量预测,其相对误差在±15%内的预测占总数的91.7%;其绝对误差在0.01%内的预测占总数的93.75%。转炉终点[P]含量预测相对误差在±15%内的预测占总数的83.75%;其绝对误差小于±0.002%的预测占总数的93.75%。转炉终点[S]含量预测相对误差在±20%内的预测占总数的85.43%;其绝对误差在±0.002%内的预测占总数的87.5%。(6)转炉终点预报模型分为参数优化和现场预测两个部分。其中现场预测部分采用FORTRAN 77编写,镶嵌在原有的程序中;参数优化部分则采用VC++编写。而现有的参数则是通过MATLAB计算得到。(7)采用规定输入参数范围、以多元线性回归模型预测结果作为对比标准及对输入数据进行适当位数的处理等方法提高了转炉终点预报模型的命中率。

全文目录

摘要  4-5
Abstract  5-10
第一章文献综述  10-18
  1.1 转炉炼钢概述  10
  1.2 转炉冶炼控制模型  10-15
    1.2.1 静态控制模型  11-13
    1.2.2 动态控制模型  13-14
    1.2.3 全自动吹炼控制  14-15
  1.3 BP神经网络的特点及应用现状  15-16
    1.3.1 BP神经网络特点  15
    1.3.2 BP神经网络模型原理  15-16
    1.3.3 BP神经网络模型的局限性  16
  1.4 研究方案  16-18
    1.4.1 研究内容  16-17
    1.4.2 研究方法  17-18
第二章建模分析  18-24
  2.1 数据预处理  18-19
    2.1.1 有效参数的评估与选择  18
    2.1.2 样本的归一化处理  18
    2.1.3 模型预报性能的评价标准  18-19
  2.2 代数学模型  19-21
    2.2.1 多元线性回归模型结构  19
    2.2.2 多元线性回归模型算法  19-21
  2.3 BP神经网络模型  21-22
    2.3.1 BP神经网络原理  21-22
    2.3.2 BP误差反向传播算法  22
  2.4 小结  22-24
第三章转炉终点[Mn]含量预报模型  24-34
  3.1 转炉终点[Mn]含量影响因素分析  24-26
    3.1.1 热力学条件分析  24-25
    3.1.2 动力学条件分析  25
    3.1.3 输入参数的选取  25-26
  3.2 多元回归模型  26-28
    3.2.1 回归模型结构  26
    3.2.2 回归结果及分析  26-28
  3.3 BP神经网络模型  28-30
    3.3.1 BP神经网络模型结构  28-29
    3.3.2 预报结果及分析  29-30
  3.4 影响因素分析  30-32
    3.4.1 各个过程[Mn]含量对转炉终点[Mn]含量的影响  30-31
    3.4.2 温度对转炉终点[Mn]含量的影响  31-32
    3.4.3 吹氧量对转炉终点[Mn]含量的影响  32
  3.5 转炉终点[Mn]含量预报在生产中的使用情况  32-33
  3.6 小结  33-34
第四章转炉终点[P]含量预报模型  34-44
  4.1 转炉终点[P]含量影响因素  34-36
    4.1.1 热力学条件分析  34-35
    4.1.2 动力学条件分析  35
    4.1.3 输入参数选取  35-36
  4.2 多元回归模型  36-38
    4.2.1 回归模型建模  36
    4.2.2 回归结果及分析  36-38
  4.3 BP神经网络模型  38-39
    4.3.1 BP神经网络模型结构  38
    4.3.2 预报结果及分析  38-39
  4.4 影响因素分析  39-42
    4.4.1 各个过程[P]含量对转炉终点[P]含量的影响  40
    4.4.2 石灰加入量对转炉终点[P]含量的影响  40-41
    4.4.3 总吹氧量对转炉终点[P]含量的影响  41
    4.4.4 温度对转炉终点[P]含量的影响  41-42
  4.5 转炉终点[P]含量预报在生产中的使用情况  42-43
  4.6 小结  43-44
第五章转炉终点[S]含量预报模型  44-53
  5.1 转炉终点[S]含量影响因素  44-45
    5.1.1 热力学条件分析  44
    5.1.2 动力学条件分析  44-45
    5.1.3 输入参数选取  45
  5.2 多元回归模型  45-48
    5.2.1 回归模型建模  45
    5.2.2 回归结果及分析  45-48
  5.3 BP神经网络模型  48-49
    5.3.1 BP神经网络模型结构  48
    5.3.2 预报结果及分析  48-49
  5.4 影响因素分析  49-51
    5.4.1 各个过程[S]含量对转炉终点[S]含量的影响  49-50
    5.4.2 温度对转炉终点[S]含量的影响  50-51
    5.4.3 石灰加入量对转炉终点[S]含量的影响  51
  5.5 转炉终点[S]含量预报在生产中的使用情况  51
  5.6 小结  51-53
第六章预测模型的实现  53-58
  6.1 编程语言的选取  53
  6.2 参数优化软件  53-55
    6.2.1 输入参数设置  54
    6.2.2 参数的优化与检测  54-55
  6.3 模拟预测软件  55-56
  6.4 现场预测问题及优化  56-57
  6.5 小结  57-58
第七章结论  58-60
参考文献  60-64
致谢  64-65
附录1 神经网络预测模型建模归一化矩阵参数  65

快速出钢模型的开发和运用

内容摘要

全文目录

相似论文