论文部分内容阅读
合理的炉温是保证高炉平稳、安全、高效、节能运行的关键,也是判断高炉炉况的一个重要指标。建立能指导高炉炼铁工人进行炉温控制的炉温预报模型不仅具有重要的理论价值,而且也具有重要的生产实践价值。首先,通过对炉内热化学反应、出铁沟铁水温度曲线、出铁沟铁水温降等分析研究了高炉生产过程的复杂性。同时分析了在高炉生产中与炉温相关的主要影响参数及其数据特征,确定了各参数与铁水温度问的相关性与时滞性。其次,建立了基于遗传神经网络的铁水温度预报模型。该模型将遗传算法的全局搜索和BP算法的局部搜索结合在一起,优化网络的连接权值和阈值,可避免陷入局部极小从而得到最佳的神经网络。最后,针对GABP模型易早熟、处理规模小等问题,提出了基于量子理论的遗传神经网络铁水温度预报模型改进方法。将量子理论中引入到GABP中,先把量子态叠加思想应用于神经网络中形成多层激活函数的量子神经网络,再将量子理论与遗传算法结合形成量子遗传算法对量子神经网络进行优化,进而建立了基于量子遗传神经网络的铁水温度预报模型。该模型采用量子编码表征染色体,表示出解的线性叠加态,因而具有更好的种群多样性、更快的收敛速度和全局寻优的能力。本文以柳州钢铁(集团)公司2号高炉采集的300炉次数据为研究对象,经过仿真实验分析,在相对误差士1%时,遗传神经网络模型的命中率为75.0%；量子遗传神经网络模型的命中率为86.3%。结果表明：基于量子遗传神经网络的铁水温度预报模型比基于遗传神经网络的预报模型具有更高的命中率和精度。