论文部分内容阅读
炼钢的主要任务是脱碳、升温、调整钢的成分和去除杂质,生产出质量高的钢水。而转炉冶炼过程中的不确定因素很多,是一个复杂的周期性降碳、升温过程,针对这一过程建立的传统的数学模型也不能得到令人满意的结果。
人工神经网络具有较强的非线性问题处理能力,可实现实时应用及在线响应。针对转炉炼钢过程复杂,影响终点因素多,且难以进行连续准确测量的特点,本文提出了基于混合递阶遗传RBF神经网络(HGA-RBF)的转炉炼钢终点预报模型。研究了RBF网络的特点,利用递阶遗传算法克服了网络的结构和参数选择的随机性问题,并结合最小二乘法提高收敛速度。在MATLAB编程环境下编程,仿真结果证明此算法在一定程度上提高了RBF网络的优化收敛速度和训练测试精度。
在建立神经网络模型的过程中,分析了影响转炉吹炼终点的因素。对所有影响因素进行分析筛选。从降低维数、减少模型运算量方面考虑,剔除了部分变量。最后确定作为神经网络输入变量的因素有:铁水成分(C、Si)及温度、铁水量、废钢量、炉耗氧量、石灰加入量、轻烧加入量、生铁块加入量、硅石加入量共10个因素。在此基础上采用本文的方法建立了转炉终点碳、终点温度两个预报模型。选用某钢厂转炉车间的生产数据,通过现场提供的实际冶炼数据试验,此模型预报精度较高。
本文探讨了转炉炼钢过程的影响因素,为生产合格钢水及转炉的动态控制提供了理论依据,分析了主要工艺参数(如铁水温度、耗氧量等)对转炉冶炼终点的影响。为今后转炉冶炼终点的在线预报和快速出钢模型的开发提供了依据。