论文部分内容阅读
人工神经网络系统理论与应用研究是近年来得到迅速发展的一个国际前沿课题,它的发展涉及到众多的领域。自从20世纪90年代末以来,神经网络在过程工业领域,特别是在过程预测、过程控制、过程故障诊断等方面得到广泛应用。BP神经网络是人工神经网络的一种,它可以逼近任意非线性函数,是非线性预测控制领域中广泛采用的方法。因此本文以南京某钢厂LF精炼炉为研究对象,完成了LF精炼炉控制系统,并在此基础上研究了LF精炼脱硫原理,建立了基于BP网络的硫含量预估模型,这对于稳定钢材质量,提高生产自动化水平具有重要的意义。主要工作如下: (1)研究1BP神经网络的基本原理、算法步骤以及建立BP网络需要考虑的因素。 (2)研究粒子群(PSO)算法的基本原理以及改进策略,针对BP神经网络预测存在局部极小缺陷和收敛速度慢的缺点,本文采用PSO算法来优化BP神经网络的连接权值,提高神经网络的收敛速度、学习能力以及泛化能力。 (3)了解南京某钢厂LF精炼炉的工艺过程,完成具体的需求分析,设计出符合该钢厂要求的LF精炼炉控制系统。并现场完成该系统人机界面、数据库、相关工艺模型的调试工作。 (4)了解LF精炼炉生产过程中钢水硫含量的变化规律,结合实际的冶炼过程找出影响终点硫含量的主要因素,建立基于PSO优化BP网络的硫含量预估模型。 最后,通过实际数据对模型进行仿真实验。实验结果表明,基于PSO优化BP网络的硫含量预估模型,其预测误差更小、收敛速度更快。该模型预测得出的S含量误差都控制在0.001%以内,达到了预期的效果。表明本文所建立的LF精炼炉硫含量预估模型对终点硫含量的预报是比较可信的,有一定的实用价值。