论文部分内容阅读
钢铁工业是国民经济的支柱产业，高炉炼铁是钢铁工业的上游主体工序，它对钢铁工业的发展起着十分重要的作用。高炉是一个巨大的反应器，炉内进行着一系列复杂的物理化学变化，而温度不仅是保持这些变化顺利进行的关键，也是影响生铁质量的重要因素。铁水硅含量是表征高炉热状态及其变化的重要标志。因此，多年以来，作为高炉冶炼过程自动控制的核心内容，对高炉铁水硅含量预报模型的研究一直是冶金科研中的重要课题。
本文以国内某钢铁公司高炉在线采集数据为研究对象，进行高炉铁水硅含量预测。在分析了高炉冶炼过程以及生产现场的实际需求后，提出了基于改进粒子群优化算法和BP神经网络相结合的预测模型。仿真实验证明，此模型能够在较短的预测时间内得到理想的预测性能，在实际生产中具有广阔的应用前景。
本文进行了以下几个方面的理论研究：
首先，研究了高炉炼铁流程和炉温预测模型的国内外进展；其次，研究了某钢铁公司高炉冶炼的具体特点和生产需求；再次，对BP网络原理和基于不同改进策略的粒子群优化算法的原理进行研究；最后，利用改进粒子群算法优化BP网络。
本文做了大量的仿真实验：
首先，进行了基本粒子群算法优化BP网络预测性能实验；其次，对基于不同改进策略的粒子群算法优化BP网络预测性能进行实验；再次，实现BP网络结构优化；最后，对粒子群算法参数进行调优。
本文结论结合仿真实验结果，指出模型在预测性能和预测时间上满足实际生产要求，充分肯定了模型对工长的操作具有指导意义；最后归纳出高炉铁水硅含量预测模型的深入研究方向和未来发展趋势。