通过研究高炉-转炉界面铁水运输过程温度的主要影响因素,确定了影响高炉-转炉界面铁水运输过程温度的参数,建立了基于Levenberg-Marquardt (LM)算法BP神经网络的高炉-转炉界面铁水温度及铁水过程温降的预报模型.用沙钢100包铁水数据进行模型训练,50包铁水数据进行现场预报,结果表明:在高炉-转炉界面“一包到底”模式下,当绝对误差| X |≤20℃时,铁水温度命中率为94％,铁水温降命中率为78％；当绝对误差|X|≤40℃时,铁水温度命中率为100％,铁水温降命中率为92％,该预报模型能够满足现场实际生产需求,对炼钢生产有很好的指导意义.
参考文献
| [1] | 朱苗勇.现代冶金学:钢铁冶金卷[M].北京:冶金工业出版社,2005 |
| [2] | 陈家祥.钢铁冶金:炼钢部分[M].北京:冶金工业出版社,1990 |
| [3] | 王雅贞.转炉炼钢问答[M].北京:冶金工业出版社,2003 |
| [4] | 戴葵.神经网络实现技术[M].长沙:国防科技大学出版社,2004 |
| [5] | 许东;吴铮.基于MATLAB6.X的系统分析与设计——神经网络[M].西安:西安电子科技大学出版社,2002 |
| [6] | 楼顺天;姚若玉;沈俊霞.MATLAB7.X程序设计语言[M].西安:西安电子科技大学出版社,2007 |
| [7] | Yun S.Y.;Chang K.S. .Dynamic Prediction Using Neural Network for Automation of BOF Process in Steel Industry[J].Iron & Steelmaker,1996(8):37-42. |
| [8] | 刘洪霖;包宏.化工冶金过程人工智能优化[M].北京:冶金工业出版社,1999 |
| [9] | Wasserman P D.Neural Computing:Theory and Practice[M].New York:Van Nostrand Reinhold Company Inc,1989 |
| [10] | 张慧书,战东平,姜周华.基于改进BP神经网络的铁水预处理终点硫含量预报模型[J].钢铁,2007(03):30-32. |
| [11] | Holland J H.Adaptation in Natural and Artificial Systems[M].Cambridge,MA:The MIT Press,1992 |
| [12] | Wasserman P D.Neural Computing:Theory and Practice[M].New York:Van Nostrand Reinhold Company Inc,1989 |
| [13] | 冯明霞;邹家树;李强 .应用该进的神经网络模型预报转炉冶炼终点[J].炼钢,2006,22(01):42. |
| [14] | Hagan M.T.;Menhaj M.B. .Training feedforward networks with the Marquardt algorithm[J].IEEE Transactions on Neural Networks,1994(6):989-993. |
| [15] | 李长荣,赵浩文,谢祥,尹青.基于L-M算法BP神经网络的转炉炼钢终点磷含量预报[J].钢铁,2011(04):23-25,30. |
上一张
下一张
上一张
下一张
计量
- 下载量()
- 访问量()
文章评分
- 您的评分：
-
10%
-
20%
-
30%
-
40%
-
50%