论文部分内容阅读
钢包炉(LF)精炼法作为主要的炉外精炼手段,在炼钢工艺流程中发挥着缓冲器的作用。LF具有精炼效果好、运行可靠等优点,因此在我国钢铁企业中得到了较为广泛的应用。钢水终点温度是精炼过程需要重点控制的工艺参数之一,它对于保证连铸生产顺行、降低原材料和能量消耗以及提高铸坯质量具有十分重要的意义。但目前的技术条件难以实现钢水温度的在线测量,这给钢水终点温度的精确控制带来极大困难。建立钢水温度终点预报模型,是解决上述问题的一条有效途径。本文以某钢厂300吨LF精炼炉为研究对象,针对单一使用机理模型或黑箱模型的不足,提出利用混合建模方法来构建表征在线可测变量与钢水温度之间函数关系的数学模型。本文的主要研究工作归纳如下:首先,对LF钢水温度终点预报机理进行分析。通过对LF精炼过程的能量平衡分析建立含有2个未知函数的LF钢水温度终点预报机理模型。精炼初始时刻包衬温度分布采用出钢至精炼前的能量平衡关系式与包衬的传热数学模型联立求解。其次,利用BP神经网络拟合机理模型中的未知函数关系。对于实际LF精炼过程,往往难以获得神经网络的目标输出,所以无法采用常规BP训练算法确定出神经网络的连接权和阈值。本文将神经网络连接权和阈值的求解问题转化为以预测温度和实际温度的均方根误差为目标函数的优化问题。并选用粒子群优化算法来求解上述优化问题,从而获得神经网络的连接权和阈值。最后,混合模型实验验证。采集某钢厂实际生产数据组500组,随机选取400组用于混合模型的构建,剩余100组用于模型精度的测试。测试结果为,钢水终点温度预报偏差在±5℃以内的命中率为87%,偏差在±10℃以内的命中率为91%。为了进一步体现本文所建混合模型的优势,本文还建立了基于BP神经网络的钢水终点温度黑箱模型。实验结果表明,本文所建混合模型无论在精度还是聚集度方面都明显高于黑箱模型。