贾晓卫[1]2002年在《正规化模糊神经网络及其在提钒炼钢智能控制模型中的应用研究》文中认为控制学术权威Austrom指出：模糊逻辑控制、神经网络和专家系统是叁种典型的智能控制方法。由于专家系统在实际应用中有较多的问题和困难(如：知识的获取主要靠人工移植，因此成本高、效率低；采用常规的分明集，致使它的推理能力弱，容易产生匹配冲突、组合爆炸等问题)，现在智能控制的重点则集中在模糊逻辑、神经网络以及二者的结合应用上。特别是二者的结合，由于融合了各自的优点，并能在一定程度上克服二者一些固有的缺陷，因而已受到人们的广泛关注，成为智能控制研究的热点。本文针对单纯模糊系统在传统建模方法上的缺陷：难以提取和调整模糊规则与隶属函数，并且其工作量往往随变量数目的增长呈指数级增长，在前人提出的正规化模糊神经网络(NFNN)结构基础上，改进了已有的规则合并的算法。利用这种算法，可以将由神经网络自动获取的模糊规则进行合并与调整，并通过一个函数的仿真实验验证了算法的有效性。转炉炼钢过程是一个复杂的多元多相高温反应过程，其模型的建立则是一个典型的多元非线性的映射过程，尤其在大多中小型转炉不宜增设副枪的条件下，如何在传统的静态模型之外寻找性能更优越的控制模型，就显得比较突出和迫切。本文即是把NFNN应用于某钢厂转炉提钒炼钢静态控制模型的建立问题之中，建立了转炉炼钢的冷却剂加料子模型。论文最后的测试结果说明了这种建模方式的有效性与实用性，也再次验证了规则合并的有效性。
梅彬[2]2002年在《转炉提钒智能控制模型的研究与应用》文中研究表明钒是一种具有战略价值的金属材料，在钢铁冶金、有色金属加工、电子和航空航天等方面有着广泛的应用。我国目前已掌握了提钒技术，是世界四大产钒国之一。转炉提钒是我国主要的生产方式。转炉提钒是一个多元多相的高温化学反应过程，反应机理复杂，影响因素众多，受原材料、工艺环境变化的影响较大，不便于人工控制。为提高提钒技术水平，改变生产过程中存在的指标波动大的缺点，需要对生产过程实现计算机控制，以减少提钒操作中人为因素的影响。论文从工程应用的角度出发，针对我国转炉提钒手工操作的现状，在开发提钒静态模型的过程中，以转炉提钒为特定研究对象，考虑了传统数学模型适应性差、难于移植的缺点，利用神经网络、事例推理等人工智能技术开发出具有较好自学习和自适应能力的静态模型。论文首先介绍了建立提钒静态模型的意义，讨论了国内外转炉模型的研究应用情况及发展趋势，深入分析了各种建模方法的优缺点。针对提钒过程的复杂性，提出转炉提钒建模应以神经网络为主要技术手段，结合其他人工智能技术，建立起比传统数学模型具有更高精度的模型。论文结合工艺原理和实际提钒过程的特点，找出提钒过程的内在影响因素和影响静态模型的主要因素。然后分别应用传统BP算法、全量法和增量法建立冷却剂子模型，对叁者的拟合和预报精度作了深入分析，并结合统计学习理论针对传统的BP算法存在的问题提出了改进的算法。仿真结果表明该算法具有较快的收敛速度和较强的学习能力。本文同时应用事例推理技术建立枪位控制模型，并给出了具体的实现步骤。最后，本文使用面向对象的可视化Visual C++ 6 .0编程语言，开发出提钒静态控制模型软件。
钟志强[3]2002年在《基于径向基神经网络和遗传算法建立转炉提钒终点预报模型的研究》文中认为钒在钢铁冶金、电子及国防工业等方面有着重要的应用价值，是一种具有战略价值的金属材料。我国目前的转炉提钒为人工操作模式，由操作人员根据经验和感觉进行操作，自动化水平低，存在着钒渣质量和半钢质量不稳定的问题；在国外，俄罗斯等一些国家已经在使用静态模型对提钒过程进行控制，取得了较好的效果，但是这些模型大都是根据复杂的物理化学规律研制的机理模型，要求有非常稳定的生产流程和工艺条件，对于铁水成分、生产设备等变化的适应性差，不但移植困难，而且模型价格异常昂贵。研制具有高性价比的转炉提钒模型是我国钒生产企业的迫切需要，对如提钒这样的复杂冶金工业过程建模也是目前国内外的研究热点之一。随着计算智能研究的兴起，一些新的建模方法如RBF神经网络和遗传算法等为复杂的冶金工业过程建模提供了新的思路和方法。本文使用RBF神经网络和遗传算法建立了转炉提钒终点预报模型，并取得了较好的效果，为计算智能方法在复杂工业过程建模中的应用作出了有益的尝试。本文首先根据冶金学原理，找出影响转炉提钒终点状态的主要因素，并从某大型钢厂的原始数据中提取合符要求的数据进行建模。从降低模型的复杂度的角度，本文将整个终点预报模型分成叁个独立的模型，即终点温度模型、终点碳模型、终点钒模型。在深入研究神经网络理论的基础上，本文使用RBF神经网络对终点的叁个指标分别建模。由于RBF神经网络本身对其神经元个数、Spread等参数比较敏感，所以这些参数的选取对RBF神经网络的逼近效果影响很大，靠经验方法和手工测试方法选取的神经元个数、Spread等网络参数得到的网络模型对测试集误差较大，也就是说模型的泛化能力不好。本文通过对泛化理论的研究，分析了影响泛化能力的主要因素，提出了使用遗传算法对RBF神经网络的神经元个数、Spread等参数进行优化，求取具有较好泛化能力的神经网络的方法，试验证明通过这种方法求得的一组网络模型具有较好泛化能力，并成功的对测试集进行了准确的预报。最后得到的转炉提钒终点状态预报模型对终点温度的预报命中率达到86.4%，对终点碳的预报命中率达到83.7%，终点钒的预报命中率达到59.4%，碳温同时命中率达到76.3%，叁者同时命中率达到43.2%。
陈小平[4]2002年在《攀钢提钒炼钢厂转炉炼钢过程质量控制与优化研究》文中指出本文结合攀钢转炉炼钢工艺现状及全连铸对钢水质量的要求，从改进炼钢过程质量控制的角度，以转炉－连铸机炉机匹配条件下提高钢种炼成率为目标，在现有LGMIS系统和转炉炼钢过程静态控制模型的基础上，详细分析了攀钢转炉炼钢的钢种炼成率以及影响攀钢转炉炼钢的钢种炼成率的因素，分析了转炉炼钢主原料（铁水、半钢、混合铁水）的质量和物流条件对攀钢炼钢过程质量的影响，提出了通过控制转炉炼钢主原料质量和物流条件改进炼钢过程质量控制的策略。在提钒炼钢厂信息管理系统（LGMIS）和转炉过程计算机系统（PZLGPS）的基础上，研究了适宜的炼钢过程质量控制模型方法，构建了转炉终点预测和过程工艺优化的黑箱模型；设计了在攀钢生产管理辅助决策支持系统LG-IDSS的框架下进行转炉过程质量控制专用辅助决策子系统；采用转炉炼钢过程质量控制模型以及攀钢LGMIS和转炉过程计算机中的转炉冶炼数据进行了计算，确定了满足炼钢过程质量控制要求的转炉炼钢优化工艺参数。
赵重阳[5]2012年在《转炉提钒静态控制模型建立与优化的研究》文中研究指明钒钛磁铁矿是生产钒及含钒产品的主要矿物资源，将其经高炉冶炼得到含钒铁水后，再通过转炉氧化吹炼得到半钢和钒渣，半钢进入转炉继续炼钢，而钒渣经过钠化焙烧、浸取、沉淀等步骤制取V_2O_5等含钒产品。其中，转炉提钒是提钒工艺的关键步骤，其冶炼终点钒渣和半钢的质量直接影响后续工艺中钒的提取率和炼钢工艺的顺行。控制转炉冶炼温度和元素的氧化程度，提高钒的提取率，并保证半钢质量，是转炉提钒终点控制的主要目的。为此，本论文通过研究转炉提钒工艺中冷却剂的冷却效应、无烟煤对终点的影响以及提钒物料平衡、热平衡和钒平衡，建立转炉提钒静态控制模型，为攀钢转炉提钒过程控制提供理论指导并应用于实际生产。本文以攀钢提钒工艺为研究对象，通过理论计算和DSC实验，研究各冷却剂在不同温度下的冷却效应，研究表明，冷固球团的冷却能力分别是生铁块、钒渣及绝废渣的3.6、1.8、1.7倍，结合成本以及冷却能力进行综合考虑，建议转炉氧化吹炼过程中采用冷固球团作冷却剂。通过理论分析和现场数据分析，得出转炉提钒过程中，在1t铁水中加入1kg无烟煤的增碳量为0.02%，增温效应为2.4℃，加入无烟煤对减少渣中TFe含量基本无影响，但会增高半钢残V含量和回硫。通过现场实验，研究转炉提钒过程的物料平衡、热平衡及钒平衡。转炉提钒的钒收率大约为66.10%，改善冶炼工艺，减少半钢残钒和出半钢过程中钒渣的流失有利于提高钒的提取率。提钒过程吹炼损失约为5.24%，较转炉炼钢的吹炼损失小。炉子的热效率为93.90%，提钒过程中应尽量采取两炉或叁炉出渣。本文采用MATLAB软件，结合提钒反应机理，运用BP神经网络技术建立了冷却剂加入量模型、供氧模型和终点预测模型，将冷却剂的冷却效应、无烟煤的热效应及物料平衡加入到模型的建立过程中，达到简化参数的目的，使模型的精度更高。就攀钢生产特点，对数据进行系统地分析，并运用聚类算法等方法对数据进行处理，然后对模型进行训练与检验。得到冷固球团模型检验样本的平均误差为13.7%，供氧量模型检验样本的误差为7.04%，所建立的吹氧量模型和冷却剂加入量模型具有易于控制、稳定性好的特点。预测模型的终点温度和终点C含量预测误差较小，分别为0.97%和2.61%，终点V含量的预测误差较大。通过分析训练结果及模型存在的问题，结合遗传算法，对模型参数进行了优化，达到网络权值全局寻优的效果。并且分别对叁个模型网络的中间层神经元数目进行优化。冷却剂加入量模型和吹氧量模型的中间层神经元数目最终的优化结果分别为15和24个，预测模型的中间层神经元数目最优为25个。
代友训[6]2007年在《转炉炼钢终点准动态控制系统研究》文中研究说明对转炉炼钢一次倒炉的准确预报有助于提高转炉终点控制能力、缩短冶炼周期、降低冶炼成本、提高钢水质量,实现转炉工序以及全厂生产计划、调度的标准化操作。本文旨在将BP神经网络和遗传算法进行有机结合,以寻求更好的转炉炼钢一次倒炉预测的准动态控制模型,研究工作在理论和实际应用方面都具有重要的意义。首先分析了转炉控制技术与终点控制现状,介绍了BP神经网络的原理和算法,针对BP神经网络容易陷入局部最优与“过拟合”等问题,采用了引入验证样本的改进BP神经网络学习算法,以及引入验证样本的改进BP-GA混合学习算法。对BP神经网络以及遗传算法的各种组合算法的对比数值试验表明:引入验证样本的学习算法能有效地改善神经网络模型的泛化能力;基于BP-GA混合学习算法的人工神经网络预测模型在预测命中率和学习效率等方面具有较好的性能。通过分析转炉炼钢工艺特点、自动化现状及终点影响因素,在检测手段受限的情况下,以提高中小型转炉一次倒炉的熔池成分和温度命中率、减少倒炉次数、实现标准化操作、提高转炉控制水平为目标,根据历史数据分钢种在冶炼过程的不同时刻建立初始加入的铁水和半钢温度、成分和重量、吹炼模式、供氧模式、原料和辅料加入模式与一次倒炉熔池成分、温度以及一次倒炉时间之间的关系,在吹炼过程中依据冶炼初始条件和当前冶炼进度定时对一次倒炉熔池成分、温度和一次倒炉时间做出适时预测。在此基础上,用所建立的模型对攀钢提钒炼钢厂不同转炉、不同钢种类别的一次倒炉[C]、温度和一次倒炉时间进行了离线检验。实例研究结果表明:在预测精度为一次倒炉温度T≤15℃、一次倒炉碳含量C≤0.02%、一次倒炉时间t≤1 min的情况下,一次倒炉碳、温度同时命中率和一次倒炉时间一致率对1#转炉以Stb32为主的一系列钢的平均值达到了43.0%和80.1%,对3#转炉以U75V为主的一系列钢的平均值达到了45.4%和79.1%。若以对应钢种冶炼的工艺标准对模型测试结果进行评判时,其命中率均优于同期人工一次倒炉合格率。
陈乘浪[7]2007年在《复杂工艺流程网络化重量信息采集管理的关键技术研究》文中进行了进一步梳理炼钢生产是间歇和连续作业方式相混杂的多工序生产过程,具有多段生产、多段运输、多段存储、地面与空间交叉运输等特点。生产过程主要是连续的,但带有间隙性。工艺路线相对固定,但存在多途径性。在这样一个工艺流程复杂的生产系统中实现生产工艺各个环节重量信息的网络化采集管理,为企业质量管理、生产调度等提供数据支持,对保证整个生产系统高效、稳定地运行有重要作用。本文以某炼钢厂为研究对象,研究了该厂复杂工艺流程和现有信息采集系统条件下的网络化重量信息采集管理的关键技术,并在此基础上利用无线传输、网络通信、串口通信、射频识别、计算机网络、数据库、ASP等技术实现了从铁水进入炼钢厂开始组罐-脱硫-扒渣-提钒-混铁炉-转炉炼钢-炉后处理-LF/RH精炼处理-方坯/板坯连铸全过程138个称重计量点重量信息的网络化采集管理。利用无线数传电台将吊车电子秤重量信息快速、准确地传输至地面,并在此基础上利用网络通信、串口通信等技术实现了重量信息的自动采集。利用射频识别技术实现了炼钢转炉与兑铁吊车对应关系的自动识别。设计了一系列算法,解析并统一了多种电子秤仪表的数据格式;计算得到了吊车重量的准确信息;实现了提钒转炉与兑铁吊车对应关系的自动判别。利用计算机网络、数据库、ASP等技术实现了整个生产现场当前重量和历史重量信息的网络化管理。充分利用了现有各系统的重量信息和网络资源,避免重复劳动并减少投资。数据库采用规范化设计,保证了数据的完整可靠。利用数据库维护计划和作业功能,保证了数据库长期稳定运行。采集站实现了重量信息的查询、统计、报表等功能,使现场工作人员及时了解各自工序的铁水、钢水、物料消耗、连铸拉坯等情况。为了方便企业管理人员可以及时掌握整个厂区的生产状况,还利用ASP技术实现了重量信息的网络化查询、统计、报表、数据分析等功能。设计了一个双层结构的缓冲秤,解决了废钢秤由于受到外力冲击导致秤台变形甚至传感器损坏而影响正常生产的问题。本研究将无线传输、网络通信、串口通信、射频识别、计算机网络、数据库等技术综合应用到复杂工艺流程条件下的重量信息采集管理,丰富了重量信息采集管理的方法,投入运行以来取得了良好的实际应用效果。
王华秋[8]2003年在《一种改进型径向基神经网络的研究及应用》文中进行了进一步梳理本文详细论述了径向基神经网络算法及其基于混沌遗传优化的改进型径向基神经网络算法，以及该算法在转炉提钒静态模型的建立过程中的应用。通过参考国内外研究成果，研究并分析了径向基神经网络的研究成果和当前的进展，针对传统径向基神经网络算法存在的不足以及所需要解决的工程问题，本文提出了一种基于混沌遗传算法的改进型径向基神经网络的建模方法。针对目前国内外还没有一种成熟可靠的数学模型来对转炉提钒过程如何操作进行控制和指导，用该算法辨识转炉提钒的反应过程；并且在实际生产运行中，根据提钒前的检验数据来预测提钒时应该怎样进行操作才能保证良好的提钒效果和半钢质量，从而达到工艺生产目标的实现。本文根据建模的需要，对建模和优化方法进行了研究和改进。首先，本文详细分析了遗传算法进行全局搜索的基本原理之后，考虑到遗传算法在种群进化质量方面的局限性，一方面自适应地调整交叉变异概率的方法来提高种群进化质量，另一方面提出了利用混沌序列的内部有规律性对种群的初始值进行变化，这两种措施的提出克服了遗传算法的“早熟"现象的出现，并且仿真实验验证了此混沌遗传算法的有效性。接着，本文深入探讨了神经网络基本理论以及传统径向基神经网络的学习算法，在此基础上，针对径向基神经网络逼近能力和泛化能力不理想的问题，将径向基神经网络和混沌遗传算法相结合，充分利用径向基神经网络的逼近能力和混沌遗传算法的全局搜索能力。结合点就是采用混沌遗传算法来求解径向基神经网络隐层到输出层的权值，并且仿真实验验证了改进型径向基神经网络算法的合理性。在经过比较，确定了用改进型径向基神经网络建立转炉提钒静态数学模型，并用建立静态模型对转炉提钒过程进行离线控制。同传统的径向基神经网络控制结果比较，得出以下结论：利用混沌遗传算法求解径向基神经网络的权值比用梯度下降法调整权值的方法更容易达到全局最优解，而且提高了神经网络的逼近非线性系统的精度和速度；利用改进型径向基神经网络建立的转炉提钒模型具有自学习性、自组织性和自适应性，用该模型预测提钒辅料加入量后，钒、碳、半钢温度的各项指标的命中率均得到提高，具有生产使用价值。
颜海松[9]2008年在《提钒炼钢厂物料信息管理与预测系统的研究》文中研究指明炼钢是间歇和连续作业方式相混杂的多工序生产过程,其生产数据的采集与传送实时性强,工序间联系紧密,各道工序产生的生产实时数据多,生产状况千变万化,各基层与生产管理部门、生产指挥系统数据交换频度高。提钒炼钢厂生产工艺流程中的所有物料信息在时间、空间及工艺流程中,构建了企业内部最直接、最基本的信息流。因此为提钒炼钢厂提供准确的物料实时重量信息和消耗预测信息,对于理顺其物流、合理衔接各工序生产、最大程度发挥工序能力、及时调整产品结构、构筑信息化工程、实施精细化生产和精细化管理是十分重要的。本文以提钒炼钢厂为对象,在研究了该厂复杂的工艺流程和现有生产管理系统的基础上,建立物料重量信息网络化采集管理与消耗预测系统,使达到自动采集与管理各个生产工序的物料重量信息、工艺数据和进行物料消耗预测的目的,方便操作人员的生产管理和调度。系统的方案设计主要是根据生产工艺流程的特点,采用分片区管理的模式,在各个片区设置相应的片区采集站,采集各自片区的物料重量信息和相关生产参数,使工作人员及时掌握生产数据,方便生产过程跟踪和物料信息的管理。系统主要研究并实现了物料称重数据传输、采集、管理和物料的消耗预测等功能。通过TCP/IP通信、串口通信、Windows Sockets通信、无线电台传输、射频识别等关键技术实现称重数据的传输,使重量信息准确快速地进入到采集站的计算机中;利用相关软件实现称重数据的自动采集与存储,以及相关数据的查询、统计、报表等功能;利用SQL Server 2000以及数据库维护计划和作业功能,进行生产数据的存储、读取及维护,以保证数据库长期稳定运行和数据的完整可靠,并且采用B/S模式,通过ASP技术实现重量信息的在线查询和统计;利用遗传算法改进神经网络,分析并建立了物料消耗预测模型,以准确实现对下一周期物料需求信息的预报。该系统的使用,极大地减少了操作人员工作强度和人为因素的影响,提高了物料重量数据的准确性、实时性;实现了全厂工艺历史数据的综合查询与分析,方便了现场技术人员、企业管理人员进行全厂生产过程分析,很好地支持了炼钢厂生产管理和生产计划调度。
张兴兰[10]2002年在《RBF神经网络理论及其在脱硫智能控制系统中的应用》文中进行了进一步梳理本文详细论述了神经网络尤其是基于径向基函数（RBF）的神经网络基本理论以及攀钢铁水脱硫智能控制模型的建立过程。针对攀枝花钢铁集团有限公司炼钢厂的脱硫预处理过程，国内外目前还没有一套成熟的建模技术来对脱硫过程进行控制。在深入了解国内、国际研究现状，研究并分析脱硫预处理工艺流程特点及对脱硫率的各种影响因素的情况下，本文提出了一种基于径向基函数神经网络的建模方法，对脱硫预处理过程进行智能控制；并根据已经获得的数据来预报未来的操作参数，有效的指导生产，从而提高脱硫率以及后步工序生产的效率和成品钢材的产量和质量。本文在详细分析和深入研究了神经网络基本理论及传统的正交最小二乘算法（OLS）训练RBF网络中心的基础之上，提出用递归正交最小二乘法(ROLS)来训练RBF网络。同时还利用ROLS算法训练网络后所得的有用信息来顺序选择网络中心，即后向选择法。理论研究和仿真实验证明：ROLS法比起批处理正交最小二乘法（OLS）所需的计算空间小，训练速度快；用后向选择法选择中心能最大程度地减小网络的输出误差，使网络结构简化，并且具有更强的泛化能力和逼近能力。在此基础上，用所建立的径向基函数神经网络模型对攀钢炼钢厂的脱硫过程进行离线控制。同统计分析结果比较，得出以下结论：利用改进ROLS算法训练RBF网络比k-均值算法能够得到更加合理的网络结构和网络输出；利用RBFNN所建立的脱硫智能控制模型具有自学习性、自组织性和自适应性，其控制精度达到90%以上；RBF神经网络模型基本可以对脱硫过程进行及时控制；基于RBFNN模型的预测效果优于传统的统计分析结果。
参考文献：
[1]. 正规化模糊神经网络及其在提钒炼钢智能控制模型中的应用研究[D]. 贾晓卫. 重庆大学. 2002
[2]. 转炉提钒智能控制模型的研究与应用[D]. 梅彬. 重庆大学. 2002
[3]. 基于径向基神经网络和遗传算法建立转炉提钒终点预报模型的研究[D]. 钟志强. 重庆大学. 2002
[4]. 攀钢提钒炼钢厂转炉炼钢过程质量控制与优化研究[D]. 陈小平. 重庆大学. 2002
[5]. 转炉提钒静态控制模型建立与优化的研究[D]. 赵重阳. 重庆大学. 2012
[6]. 转炉炼钢终点准动态控制系统研究[D]. 代友训. 重庆大学. 2007
[7]. 复杂工艺流程网络化重量信息采集管理的关键技术研究[D]. 陈乘浪. 重庆大学. 2007
[8]. 一种改进型径向基神经网络的研究及应用[D]. 王华秋. 重庆大学. 2003
[9]. 提钒炼钢厂物料信息管理与预测系统的研究[D]. 颜海松. 重庆大学. 2008
[10]. RBF神经网络理论及其在脱硫智能控制系统中的应用[D]. 张兴兰. 重庆大学. 2002
标签：自动化技术论文; 遗传算法论文; 神经网络算法论文; 预测模型论文; 网络模型论文; 转炉炼钢论文; 预测控制论文; 数据建模论文; 智能控制论文; 建模软件论文;