论文部分内容阅读
进入20世纪90年代，在信息技术和控制技术的迅猛发展和广泛应用的推动下，钢铁工业向高精度、连续化、自动化、高效化快速发展，信息技术、控制技术使检测和执行设备取代了传统的人工操作，工艺参数的检测方法和检测仪表得到了高速发展；在现代钢铁生产过程控制中，计算机技术的应用已深入各个领域，仿真技术和人工智能技术在钢铁工业中日益广泛应用，包括模糊控制、专家系统和神经元网络在各个工序的应用均已取得可喜成果和经济效益。
烧结工序是炼铁过程的第一道工序，烧结工序进步，对高炉冶炼创造出有利条件，可实现高产、低耗、节能、降成本，近年来，烧结自动化控制逐渐得到重视。
烧结终点(BTP-BurningThroughPoint)是烧结结束时的位置。终点位置适宜且保持稳定，可以提高成品率并充分利用烧结面积，在保证质量的同时得到最大生产率，降低能耗。烧结终点的控制，在国外已成为烧结过程控制的主要项目之一。
本文通过对生产工艺过程的分析，确定了五个影响烧结终点的可以在线检测的生产参数，即大烟道负压、风量、机速、点火温度、装入量。建立了三个烧结终点预报模型，即简单BP网络烧结终点预报模型(模型Ⅰ)、采用k-means聚类的模糊神经网络预报模型(模型Ⅱ)和神经网络加强预报模型(模型Ⅲ)。利用200组规则化处理后的现场生产数据，对三种模型进行网络训练，另用34组数据验证模型，并对烧结终点进行预报。
模型Ⅰ网络结构简单，规则后的预报置信区间在±0.02以内的占预报集样本总数的73.5％，均方差为8.79×10-3；在算法中采用聚类过程的模型Ⅱ和模型Ⅲ的网络结构虽然复杂，但规则后的预报置信区间在±0.02以内的占预报集样本总数均上升为85.3％，均方差分别为9.45×10-3和8.99×10-3，预报结果明显优于模型Ⅰ。