高炉炉温预测 BP 算法的应用改进

合集下载

BP-PSO在电加热炉中的温度智能预测

BP-PSO在电加热炉中的温度智能预测王龙刚;侯媛彬【摘要】Aiming at the features of electric furnace, e. g. , multiple variables, non-uniform distribution, and slow real time performance, that bring difficulty for establishing accurate model, the algorithm that combining BP neural network and particle swarm optimization (PSO) is proposed to establish the system model through recognizing the temperature variation of electric furnace, and to implement prediction of temperature varying trend based on the model. The experimental results show that comparing the BP neural network algorithm, through PSO and BP neural network algorithm, the effective time range of the predictive value is extended by 60% , and the accuracy of the predictive value is enhanced by 44% within the same effective prediction time.%针对电加热炉难以建立精确模型的问题,提出采用BP神经网络与粒子群优化(PSO)相结合的算法对电加热炉的温度变化进行辨识,并建立系统模型.在建立系统模型的基础上,对温度变化趋势进行了预测.试验结果显示,与BP神经网络算法相比,粒子群优化BP神经网络算法所得到的预测值有效时间范围延长了60％；在相同有效的预测时间内,预测值精度提高了43％.【期刊名称】《自动化仪表》【年(卷),期】2013(034)001【总页数】4页(P54-56,60)【关键词】电加热炉;粒子群优化;BP神经网络;系统模型;预测精度【作者】王龙刚;侯媛彬【作者单位】西安科技大学电气与控制工程学院,陕西西安710054;西安科技大学电气与控制工程学院,陕西西安710054【正文语种】中文【中图分类】TP180 引言电加热炉是一个非均匀分布、随时间连续变化的温度场，其炉温不仅与时间有关，而且还与空间位置有关。

高炉煤气产生量预测方法对比研究

ENERGY FOR METALLURGICAL INDUSTRYMay. 2021222018年全球共生产生铁12. 65亿t L1J 。

高炉*国家自然科学基金(51704069)收稿日期=2020-07 -28赖 «(1999 -),本科生;110819辽宁省沈阳市。

通讯作者:孙文强，副教授;E - mail ：sunwq@ mail. neu.edu. cn.高炉煤气产生量预测方法对比研究*赖茜1王子豪V 孙文强2(1.东北大学冶金学院热能工程系，2.中国科学技术大学纳米科学技术学院，3.国家环境保护生态工业重点实验室)摘要为了对比回归分析法、移动平均法和人工神经网络法(ANN)对高炉煤气产生量的预测效果，采用某企业实际数据，探讨了不同工况下各种预测方法的预测误差。

研究表明：回归分析法能保持较高的预测精度和稳定性，但是对鼓风量的精度要求较高；移动平均法在平稳运行期和过渡期的性能优于ANN,平稳运行期和过渡期的预测误差分别为44. 47m 3/min 和69. 30m 3/min ； ANN 在工况转换期的性能优于移动平均法，在减风期和休风期的预测误差分别为 1442. 93m 3/min 和 1220. 57 m 3/min o关键词高炉煤气预测回归分析移动平均人工神经网络文献标识码：A 文章编号：1001 -1617 ( 2021) 03 - 0022 - 05Comparison of different methodsfor predicting the generation of blast furnace gasLai Xi 1 Wang Zihao 1,2 Sun Wenqiang 1,3(1. Department of Thermal Engineering , School of Metallurgy , Northeastern University ,2. Nano Science and Technology Institute , University of Science and Technologyof China,3. State Environmental Protection Key Laboratory of Eco - industry)Abstract In order to compare the performances of different methods , including regression analysis ,moving average method and artificial neural network ( ANN ) , for predicting the generation of blast fur nace gas , the prediction errors under various working conditions were investigated based on real data. Results show that the regression analysis is more accurate and robust , however , it requires even more accurate input of the volume of blast. Regarding the moving average method and ANN , the averagemoving method is better than ANN during the smooth operation and transition periods , with the predic tion error values of 44. 47 and 69. 30 m 3/min , respectively. ANN performs better than moving averagemethod during the switch period , with errors of 1442. 93 and 1220. 57 m 3/min, respectively , during blast attenuation and blowdown periods.Keywords blast furnace gas prediction regression analysis moving average artificial neuralnetwork (ANN)煤气是高炉炼铁过程中的副产能源S3】，产生量约为1500 ~ 2000 m 3/t,且波动频繁⑷，给高炉煤气的智能化调度造成了困难[5_6],导致能源浪费与环境污染，甚至威胁整个煤气管网和设备的安全运行因此，高炉煤气的预测研究吸引了很多学者的兴趣。

基于遗传算法改进的BP神经网络加热炉控制系统参数优化

基于遗传算法改进的BP神经网络加热炉控制系统参数优化本文采用遗传算法改进BP神经网络实现了加热炉控制参数的优化，进一步提高了加热炉的热控制精度和稳定性。

论文的第一部分介绍了加热炉控制系统的基本原理和目标：实现对炉内温度的控制，以达到最佳的生产效果。

同时，本文介绍了BP神经网络的基本原理和遗传算法的基本思路，以此作为后续实验的理论基础。

在第二部分中，本文详细介绍了实现算法的过程。

首先，我们建立了一个基础的BP神经网络模型，并对其进行了训练和优化。

通过数据的反复测试和实验，我们发现这个模型的预测精度和稳定性存在一定的问题，因此需要进一步优化。

接下来，本文采用遗传算法来对BP神经网络的参数进行调节。

我们将网络的参数抽象成“染色体”的形式，通过不断地迭代、进化和选择，找到最优的参数组合。

在实验中，我们设定了适应度函数、交叉概率、变异概率等参数，以获得最佳的实验结果。

最终，通过遗传算法的改进，BP神经网络的预测精度和稳定性得到了大幅提升。

论文的第三部分展示了实验的结果和分析。

我们将实验数据以图表的形式展示，并结合。

图表分析，对实验结果进行了详细的解释和说明。

通过统计分析和对比，我们发现：经过遗传算法的改进，BP神经网络的热控制精度和稳定性得到了显著的提升，其中最高的精度提升达到了50%以上。

这表明，该方法可以在实际应用中发挥出良好的效果，并对提高加热炉的生产效率和控制质量有着积极的推动作用。

最后，在结论部分，本文对实验结果做了总结和讨论，并对未来工作的方向提出了展望。

我们相信，该方法在未来的应用中仍有很大的潜力和挑战，期待更多的研究者投入到这个领域来，一起推动控制技术的发展和进步。

BP神经网络在加热炉虚拟测温系统中的设计与实现

BP神经网络在加热炉虚拟测温系统中的设计与实现BP神经网络（Back Propagation Neural Network）是一种典型的人工神经网络模型，具有自适应性和非线性映射能力，被广泛应用于各种领域。

本文将探讨BP神经网络在加热炉虚拟测温系统中的设计与实现。

加热炉是工业生产中常见的设备，用于将物体加热至特定温度。

在传统的加热炉温度控制系统中，通常使用传感器实时测量温度，并通过调节加热介质的能量输入来保持温度稳定。

然而，传统温度控制系统存在一些问题，如系统响应慢、控制精度低等。

因此，设计一个虚拟测温系统来提高加热炉的温度控制性能变得非常重要。

BP神经网络由输入层、隐藏层和输出层组成，其中输入层接收传感器实时测量的数据，隐藏层通过非线性转换将输入信号映射到合适的维度，输出层通过反向传播学习算法对温度进行预测。

以下将详细介绍BP神经网络在加热炉虚拟测温系统中的设计与实现。

首先，需要收集加热炉的历史数据，包括加热介质的能量输入和实际测温数据。

这些数据将被用作BP神经网络的训练数据，通过大量的历史数据，网络可以学习到加热炉的非线性温度特性。

同时，还需准备一个用于验证网络性能的数据集。

接下来，需要确定BP神经网络的网络结构和参数。

网络的输入层神经元数量应与加热炉的测量数据维度相匹配，隐藏层神经元数量可以根据经验或试验进行调整，输出层神经元数量为1，即预测的温度值。

网络的参数包括学习率、动量因子等，通过试验和优化来确定最佳数值。

完成网络结构和参数的准备后，开始进行BP神经网络的训练和验证。

首先，将训练数据集输入网络中，通过前向传播计算网络的输出值，然后使用反向传播算法根据输出值和真实值之间的误差来调整网络的权值和阈值。

反复迭代此过程，直到网络的性能满足需求。

完成网络的训练后，进行网络的测试和验证。

将验证数据集输入网络，通过前向传播计算网络的输出值，并与真实值对比来评估网络的预测性能。

如果网络的预测误差在可接受范围内，则可以将该网络应用于加热炉的虚拟测温系统中。

高炉BPRT机组的改进

ＬＵＴｏＨＡＧＸｉ－ｕ，ＨＯＬ－ｕＩａ，ＵＮｎｊｎＺＡｉｎｊ（ｏｇｏｇＳｅｌｏｐｎｎａｇＩｎａｄＳｅｌｒｕ，ｎａｇ４５０）ＹｎｔｎｔｍａｙｏｙｎｏｎｔｏｐＡｙｎ５０４ｅＣｆＡｒｅＧ
少了高炉的故障休风次数，为稳定生产奠定了良好的设备基础。
【关键词】ＢＲ工艺设备ＰＴ
ＩｒｖｍｅｔｆｌｓｕｎｃｏｒＲｃｖｒｕｂｎＢＲＴｍｐｏｅｎａｔｒａｅＰｗｅｅｏｅｙＴｒｉｅ（Ｐ）ｏＢＦ
２改进方案
（）３系统中增加断线保护：整个机组有很多个检测点，改进前如果某个位移检测点或温度检测
（）喘振阀改为双气源控制：喘振阀的作１防防用是保护机组正常运行。改进前防喘振阀仅使用氮气控制，旦氮气压力不够或突然中断就会造一
成防喘振阀自动打开，机组被迫停机，高炉就会随之被迫休风。经攻关后采用喷煤压缩空气作为备用控制气源，增设气动三联件和止回阀，防喘并使振阀为双重气源控制，确保了机组的安全运行。（）２在控制程序中增设 “ 检修 ” 模式：改进前一旦某个测量点发生故障，就会造成机组停机高炉休风。案例１２０年３１：０８月６日因误传轴瓦温度过高信号机组自动停机，造成高炉休风１１ｉ。１ｍｎ案例２２０年６１日因误传风机进气侧振：０８月３

高炉炉温预报技术研究进展

工业技术
２０１３年第１１期ｌ科技创新与应用
Hale Waihona Puke 高炉炉温预报技术研究进展
李宪成
（山东钢铁莱芜分公司炼铁厂１＃１０８０高炉，山东莱芜２７１１０４）
摘要：针对高炉炉温预报技术，结合国内外相关工作的研究状况，从高炉数学模型发展的四个阶段：静态控制模型阶段、动态控制模型阶段、高炉专家系统、在线闭环控制系统，对高炉炉温预报技术取得的研究成果进行了总结和分析。关键词：专家系统；在线闭环控制系统；炉温预报
稳定运行的炉况是高炉稳定生产的先决条件，是延长高炉寿命的必要条件。高炉炼铁是在一个密闭的容器内进行的，炉内发生的物理、化学过程极其复杂，炉况状态无法直接检测，为及时准确地判断和预报高炉炉况，多少年来，各国的高炉研究专家都在想尽各种方法手段来解决这一问题，而高炉炉温成为研究者最关注的技术指标，高炉炉温预报可从从高炉数学模型发展的四个阶段来体现，具体包括静态控制模型阶段、动态控制模型阶段、高炉专家系统、在线闭环控制系统。其中高炉专家系统无论在国外还是国内钢厂都成为了主流技术，并且发挥了其优势，为广大钢铁企业带来了巨大的经济效益。１高炉炉温预报技术的发展高炉炉温预报技术的发展实质上可从高炉数学模型发展的四

基于BP神经网络的高炉焦化预测方法

维普资讯
２Ｏ０２年Ｖ０．＾Ｎ６１２ｏ．５
第２卷第６期＾５
ＪｕｎｌｆｈｌｑｎｎｅｓｙＮｔａＳｉｃｄｔｎｏｒａｏＣｏｉＵｉｒｔ（ａｒｌｃｎＥｉｏ）￣ｇｖｉｕｅｅｉ
如果ＢＰ网络学习的步长选择足够小，就可以使网
络的总误差函数达到最小值。是，但太小的学习步长会使得网络的学习速度过慢；若学习步长较大，权值更则新较大，有可能加快收敛速度，是，长选择过大，虽但步
焦比是高炉生产过程中最重要的技术经济指标之是高炉生产效率和能量消耗的集中体现。在实际生产过程中，比的预测主要是依靠现场操作人员的焦经验和一些数学或经验的模型来实现。但是，响高影
８６
重庆大学学报（自然科学版）
２０辈０２．
可能造成算法的不稳定。了克服这个问题，以动态为可
１
一
“
改变学习率，不同情况下采用相应的学习率。在如在误差曲面较为平缓的区域使用较大的学习率并添加惯性
输入层
／ｆ１
了提高高炉焦比的预测精度，以采用人工神经网络可
的方法。
图１具有一个隐含层的Ｂ经网络示意图Ｐ神
１ＢＰ网络］
误差反向传播网络（ｒｒｂｃｒａａｏｅＥｒａｋｐｏｇｔｎｎｔｏｐｉｗｒｓ简称Ｂｏｋ，Ｐ网络）一个多层前馈型神经网络，是这种网络在输入层和输出层之间至少有一个隐含层，每个神经元接点都与其后一层的接点相连接，是没但

基于改进BP神经网络的锅炉过热器管壁温度预测研究

基于改进BP神经网络的锅炉过热器管壁温度预测研究由于电站锅炉受热管壁长期处于高温状态，当其温度超过所用钢材的许用温度或因长期高温发生蠕变，便会引发各种运行事故。

本设计以府谷某电HG-2070/17.5-YM9型亚临界锅炉的末级过热器第22屏#3管壁为研究对象，提出了采用BP神经网络和改进粒子群（PSO）算法优化神经网络对末级过热器#3管壁温度进行预测的方法。

首先采用小波阈值去噪方法处理锅炉影响壁温的相关数据，得到处理后的训练样本；然后建立BP神经网络模型预测#3管壁温；最后利用PSO算法对BP神经网络初始参数的选取进行优化。

该算法加入了导向算子和激发因子，使网络的训练速度加快、训练精度提高。

结果表明：利用小波阈值去噪方法处理锅炉受热壁温度数据可以降低受干扰的数据误差，有效地提高了壁温预测的准确性；另外，较BP神经网络方法，改进粒子群神经网络模型用于壁温预测的稳定性较好，精度高。

标签：亚临界锅炉；末级过热器；BP神经网络；阈值去噪；PSO算法引言近年来，锅炉机组参数的进一步提高，“四管”超温爆管现象时常发生。

金属材料在高温与低载荷的长期作用下因蠕变损伤而断裂的行为，是火力发电厂高温部件失效主要原因，如高温过热器管和高温再热器管等因长期超温运行而泄漏爆破。

如果设备停机维修，其经济损失是相当大的，包括事后的机组冷态启动所耗油费、修复所用材料费与人工劳动费，设备可用率降低等一系列损失[1]。

电站锅炉有受热面与烟气通道两大部分。

各受热面包括省煤器、水冷壁、过热器及再热器等以及通流分离器件，如联箱、汽包（汽水分离器）等；烟气通道包括炉膛、水平烟道及尾部烟道等[1]。

其中过热器是利用炉膛辐射热能和烟气对流热能加热过热器系统内饱和蒸汽，以提高蒸汽压力、温度，降低烟气温度的热交换设备，由五个主要部分组成：末级过热器、过热器后屏、过热器分隔屏、立式低温过热器和水平低温过热器、顶棚过热器和后烟道包墙系统[2]。

陕西府谷某发电厂HG-2070/17.5-YM9锅炉是由哈尔滨锅炉厂股份有限公司所制造。

高炉炼铁简化模型

高炉炼铁简化模型摘要：高炉炼铁是一个复杂的生产过程，影响冶炼结果的因素众多，其中冶炼的关键技术是控制高炉炉温的升降，铁水中的硅含量，以及硫的含量。

基于高炉炼铁中过程的不可控性，通过数据挖掘中的BP神经网络来建立对硅的预测模型是可行的方法。

关键词：高炉炼铁；BP神经网络模型；曲线拟合引言钢铁冶炼是国民经济支柱性产业之一，质优价廉节能环保是发展的必然要求，高炉炼铁过程是一个高维的大数据时间序列，影响因素众多，但最终生产指标都与冶炼过程的一项控制性中间指标——炉温，即铁水含硅量[Si]（铁水含硅质量百分数）密切相关，准确预测[Si]时间序列关系着当前高炉各项操作参数的调控方向。

因此，[Si]的准确预测控制建模成为冶炼过程优化与预测控制的关键技术。

铁水质量也受多种因素影响，其中硫含量占重要地位，依据数据，假设铁水质量仅受硫含量影响且硫含量越低，质量水平越高。

因此，如何优化调整以减少硫含量成为产品控制的关键因素。

1 BP神经网络理论BP神经网络是一种按照误差逆向传播算法来进行训练的多层次前馈网络。

其能学习并存贮大量输入-输出模式的映射关系，其模型处理相关信息的基本原理为：输入信号xi通过其中间节点（即隐层点）作用于输出节点，经非线性变换，可产生输出信号Yk，如图1所示。

最终经过反复学习、训练，来确定最小误差对应的权值和阈值。

经过训练的BP神经网络模型能对类似的样本进行自行处理，输出误差最小的经过非线形转换的具体信息2 硅含量及炉温的预测2.1 数据初始化处理为消除量纲的影响，对原始数据进行归一化处理，是数据分布在0-1的区间内。

2.2 选取训练样本集及测试样本集以[Si]-[S]-FL-PML的前八百组数据为输入层，相应下一组的[Si]为输出层，进行训练。

一步预测：输入每组[Si]-[S]-FL-PML数据，每组数据可得到1个[Si]的值即为下一组中[Si]的预测值。

二步预测：将一步预测中所得到的预测值代入相应想要预测的[Si]的位置，再选取本组剩余三个数据，以这4个量作为新的输入，来预测接下来一组的[Si]的值。

炉温预测研究

炉温预测研究摘要：高炉炉温是衡量高炉运行状态的重要参数，而炉温是不能直接预测的。

在高炉中发生的一系列化学反应中，最终通过铁水中的硅含量来预测炉温是比较准确的，而影响硅含量的主要因素有喷煤、风量以及硅本身。

通过分析这三个影响因素来预测出硅含量的变化趋势，最终为工长做出优质的决策。

高炉炼铁是一个极其复杂的时间序列问题，在这里通过BP神经网络和NARX动态神经网络对炉温进行预测分析，NARX动态神经网络的的命中率达到74%，BP神经网络的命中率为62.12% 发现NARX动态神经网络预测的结果准确度较高；由此得出用NARX动态神经网络预测炉温较为适合这一结论。

关键词：硅含量；BP神经网络；NARX动态神经网络1 高炉炼铁机理及硅含量分析1.1 高炉炼铁机理首先将焦炭，铁矿石，石灰石，白云石，锰矿等一些溶剂通过入炉原料供应系统从高炉顶部装入高炉，当焦炭到达风口回旋区时，会与风口鼓入的氧，煤油，重油等一些辅助燃料发生化学反应，产生一氧化碳和氢气。

高炉中的气体从底部上升到高炉顶部，最终进入高炉气体处理装置进行二次利用或者净化除尘后排放。

在煤气自下而上的运动过程中，会与铁矿石发生传热，还原，熔化，脱碳等一系列反应，最终会产生一些炉渣落到炉缸区，漂浮在铁水上，最后从铁水中排出，排出后通过撇渣器实现炉渣和铁水分离。

铁水经过合理取样检验，检验合格后进入炼钢过程[4]。

如图1所示：高炉冶炼过程中的化学反应是流体下的动态化学反应[3]，因此不同于静态实验室的化学应，从数学建模的角度看，将高炉内发生的100多种主要化学反应进行抽象化，得到一个通用方程式，即：1.3 硅含量分析2 模型的建立2.1 NARX动态神经网络适合炉温预测的概述1.在静态神经网路中，输入信号向量从输入层开始从前往后依次经过各层处理，最终通过输出层输出结果。

当神经网络的输出信号反过来作为输入信号继续训练时，成为动态神经网络，动态神经网络具有“记忆”前一次或前几次的输出结果的能力，因此动态神经网络在处理复杂的时间序列问题上是具有很大优势的，[1]NARX动态神经网络带有一个后向反馈，从闭合的神经网络上形成一个循环，它的性能往往优于传统的人工神经网络，有着更快的收敛性和泛化能力。

基于遗传算法的BP神经网络在电站锅炉主蒸汽温度控制系统中的应用研究

（．材节能股份有限公司技术部天津３００；１中０４０２浙能中煤舟山煤电有限责任公司发电部浙江舟山３６０；．１１０
３河北省电力勘测设计研究院河北石家庄００３）．５０１
摘要：现代火力发电厂中，在对锅炉主蒸汽温度的控制是非常严格的。由于主蒸汽温度具有延迟大、惯性大、非线性等特性，导致对其控制比较困难。利用神经网络的学习能力和鲁棒性以及遗传算法的全局随机搜索能力，常规ＰＤ控制基础上，出采用二者相结合的ＰＤ控在Ｉ提Ｉ制策略。通过计算机仿真表明，于遗传算法的Ｂ基Ｐ神经网络的ＰＤ控制策略具有更好的控制Ｉ品质，有较广阔的应用前景。具关键词：经网络；神遗传算法；Ｉ主蒸汽温度ＰＤ；中图分类号：Ｋ２．文献标志码：文章编号：０９—３３（０２００２０Ｔ２９４Ａ１０２０２１）６— ０１— ４
２ＺｅｅｇＺｏｇｉｈｕｈｎＣａ＆Ｅｅｔｃｔｏ，ＬｄＺｏｓａｈｊｎ１１１ｈｎ；．ｈｎｎｈｎｍｅＺｏｓａｏｌｌｒｉＣ．ｔ，ｈｕｈｎＺｅｉｇ３６３，Ｃａｃｉｙａｉ
Ｘｉ，ＹＮＨｉｉ，ＹＮｉ —ｕＨＮｕ．ａ。ＵＱｎＡａｂＡＧＪｎｈａ，ＺＡＧＲｎｐｎ．ｎａ（．ｅｈｉａｅａｔｎｆｉｏｎｒｙＣｎｅｖｔｎＬｄｉｎｉ０４０Ｃｉａ１ＴｃｎｃｌｐｒＤｍｅｔｎｍａＥｅｇｏｓｒａｉｔ．Ｔａｊ３００，ｈｎ；ｏＳｏｎ

高炉炉温预报与炉热调剂的研究

东北大学硕士学位论文摘要摘要智能化控制技术是当今控制领域富有生命力的发展方向之一。

在众多的可行的控制方法中，智能化控制方法由于其能够充分利用领域专家的经验和知识进行推理，实现在线的精确诊断，引起人们的广泛注目。

高炉炉温预报及其炉温调剂系统的应用必然会对增加钢铁厂中重要设备的安全性、提高设备的利用率、减少操作人员的误判等起到积极的作用。

本系统是基于在线实时炉温判断和调剂的专家系统，知识库质量是专家系统性能是否优越的关键因素。

本文针对其运行特点，结合高炉生产中的工艺建立了专家系统知识库，知识表示采用产生式规则表示法。

同时为了提高诊断效率和提出正确的操作建议，针对高炉生产过程复杂的特点，提出了高炉系统的不精确推理算法。

在消化了宝钢现有系统的模型，利用其现有系统的优点，完成了本系统的设计。

为了进一步指导操作人员，介绍了本系统采用铁水含硅量预报模块，其所采用的人工神经元网络原理和效果。

系统软件实现是使用Ｃ＋＋Ｂｕｉｌｄｅｒ语言进行开发和设计的，应用ＯＤＢＣ技术实现了上位机实时数据库的动态连接，解决了数据过时问题。

本系统具有简便易行的解释机构和良好的用户界面。

关键词：炉温预报、专家系统、神经网络．Ⅱ．东北大学硕士学位论文ＡｂｓｔｒａｃｔＡｂｓｔｒａｃｔＩｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌｔｅｃｈｎｉｑｕｅｉｓｏｎｅｏｆｔｈｅｍｏｓｔｃｈａｌｌｅｎｇｉｎｇｄｉｒｅｃｔｉｏｎｓｉｎｔｈｅｃｏｎｔｒｏｌｆｉｅｌｄ．Ｉｎｔｈｅｍｏｓｔｏｆｆｅａｓｉｂｌｅｍｅｔｈｏｄｓ，ｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌｆｉｘｅｓｔｈｅｐｅｏｐｌｅ’Ｓｅｙｅｓｂｅｃａｕｓｅｉｔｃａｒｌｆｕｌｌｙｕｓｅｔｈｅｅｘｐｅｒｉｅｎｃｅａｎｄｋｎｏｗｌｅｄｇｅｏｆｔｈｅｆｉｅｌｄｅｘｐｅａ，ｒｅａｌｉｚｅｔｈｅａｃｃｕｒａｔｅｄｉａｇｎｏｓｉｓｏｎ－ｌｉｎｅ．Ｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｂｌａｓｔｆｕｒｎａｃｅ’ｓｈｅａｔｓｔａｔｅａｎｄｏｐｅｒａｔｉｏｎｃｏｎｔｒｏｌｍｏｄｅｌｗｉｌｌｐｌａｙｔｈｅｐｏｓｉｔｉｖｅｒｏｌｅｏｎｓａｆｅｔｙｏｆｉｍｐｏｒｔａｎｔｅｑｕｉｐｍｅｎｔ，ｔｈｅｉｎｃｒｅａｓｅｏｆｔｈｅｅｑｕｉｐｍｅｎｔｕｔｉｌｉｚｅｄｒａｔｅ，ｔｈｅｄｅｃｒｅａｓｅｏｆｔｈｅｏｐｅｒａｔｏｒ’Ｓｗｒｏｎｇｄｉａｇｎｏｓｉｓ．Ｔｈｉｓｓｙｓｔｅｍｉｓｔｈｅｒｅａｌ—ｔｉｍｅａｎｄｏｎ—ｌｉｎｅｓｙｓｔｅｍｂａｓｅｄｏｎｓｅｎｓｏｒｓ．Ｔｈｅｌｅｖｅｌｏｆｋｎｏｗｌｅｄｇｅｉｓｔｈｅｋｅｙｆｏｒｅｘｐｅｒｔｓｙｓｔｅｍ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｆｅａｔｕｒｅｏｆｂｌａｓｔｆｕｒｎａｃｅ’Ｓｓｙｓｔｅｍ，ｗｅｂｕｉｌｄｔｈｅｂａｓｅｏｆｅｘｐｅｒｔｓｙｓｔｅｍ，ａｎｄｔｈｅｐｒｏｄｕｃｔｉｖｅｒｕｌｅｉｓａｌｌｋｉｎｄｏｆｋｎｏｗｌｅｄｇｅｅｘｐｒｅｓｓｉｏｎ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｄｉａｇｎｏｓｅａｎｄｇａｖｅｔｈｅｏｐｅｒａｔｏｒｔｈｅｃｏｒｒｅｃｔｓｕｇｇｅｓｔｉｏｎ，ａｃｏｍｐｒｅｈｅｎｓｉｖｅａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄａｃｃｏｒｄｉｎｇｔｏｃｏｍｐｌｅｘｏｆｂｌａｓｔｆｕｒｎａｃｅ’ｓｍａｎｕｆａｃｔｕｒｉｎｇ．ＡｔｔｈｅｂａｓｅｏｎｔｈｅｒｅｓｅａｒｃｈｏｆＢａｏＳｔｅｅｌ’Ｓｓｙｓｔｅｍｉｎｅｘｉｓｔｅｎｃｅ，ｗｅｔａｋｅａｄｖａｎｔａｇｅｏｆｉｔｆｉｎｉｓｈｉｎｇＯｕｒｓｙｓｔｅｍ．Ｉｎｏｒｄｅｒｔｏｇｉｖｅｃｏｒｒｅｃｔｓｕｇｇｅｓｔｉｏｎｔｏｏｐｅｒａｔｏｒ，ｔｈｉｓｐａｐｅｒｉｎｔｒｏｄｕｃｅｄｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｍｏｌｔｅｎｉｒｏｎ’Ｓｓｉｌｉｃｏｎ．Ｉｔｍａｄｅｕｓｅｏｆｔｈｅｎｅｕｔｒａｌｎｅｔｗｏｒｋ’Ｓｔｅｃｈｎｉｑｕｅ．ＴｈｅｓｙｓｔｅｍｉｓｐｒｏｇｒａｍｍｅｄｂｙＣ＋＋Ｂｕｉｌｄｅｒｌａｎｇｕａｇｅ．Ｔｈｅｏｎ－ｌｉｎｅｃｈａｒａｃｔｅｒｏｆｔｈｅｄｉａｇｎｏｓｉｓｓｙｓｔｅｍｉｓａｃｈｉｅｖｅｄｂｙＯＤＢＣｔｅｃｈｎｉｑｕｅａｍｏｎｇｏｐｅｒａｔｏｒｓｔａｔｉｏｎ’ＳＩ／Ｏｄａｔａｂａｓｅ，ｗｈｉｃｈｓｕｃｃｅｓｓｆｕｌｌｙｓｏｌｖｅｓｔｈｅｐｒｏｂｌｅｍｏｆｄａｔａｏｖｅｒｔｉｍｅｉｎｔｈｅｇｅｎｅｒａｌｅｘｐｅｒｔｓｙｓｔｅｍ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｓｙｓｔｅｍｈａｓａｔｒａｎｓｐａｒｅｎｔｅｘｐｌａｉｎｓｔｒｕｃｔｕｒｅａｎｄｆｒｉｅｎｄｌｙｍａｎ－ｍａｃｈｉｎｅｉｎｔｅｒｆａｃｅ．Ｋｅｙｗｏｒｄｓ：ｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｂｌａｓｔｆｕｍａｃｅ’Ｓｈｅａｔｓｔａｔｅ，ｅｘｐｅｒｔｓｙｓｔｅｍ，ｎｅｕｒａｌｎｅｔｗｏｒｋＩＩＩ—声１明本人声明所呈交的学位论文是在导师的指导下完成的，论文中取得的研究成果除加以标注和致谢的地方外，不包含其他人已经发表或撰写过的研究成果，也不包括本人为获得其他学位而使用过的材料。

基于改进BP网络的高炉煤气发生量预测模型

基于改进BP网络的高炉煤气发生量预测模型
肖冬峰;杨春节;宋执环
【期刊名称】《浙江大学学报（工学版）》
【年(卷),期】2012(046)011
【摘要】针对高炉煤气发生量波动对煤气调度和优化影响的问题,提出一种基于改进BP网络的高炉煤气发生量预测模型.由于影响高炉煤气发生量的因素很多,采用机理和现场实际数据相结合方法分析影响高炉煤气发生量的因素,确定模型输入,采用炼铁高炉现场数据对模型进行训练,利用贝叶斯正则化算法来提高神经网络泛化能力.仿真结果表明,该模型能够准确预测高炉煤气发生量的变化趋势,为制定煤气管网平衡调度策略提供科学的依据和决策支持,有利于减少煤气排放,提高煤气利用率和企业的信息化水平.该预测模型已经成功应用到杭州钢铁集团煤气调度系统中,运行结果验证模型的有效性.
【总页数】6页(P2103-2108)
【作者】肖冬峰;杨春节;宋执环
【作者单位】;浙江大学工业控制技术国家重点实验室,浙江杭州310027;浙江大学工业控制技术国家重点实验室,浙江杭州310027
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于改进的BP神经网络的网络流量预测模型 [J], 江露琪;孙文胜
2.基于数据的改进回声状态网络在高炉煤气发生量预测中的应用 [J], 刘颖;赵珺;王伟;吴毅平;陈伟昌
3.基于改进BP神经网络的光伏发电预测模型 [J], 何家裕;吴杰康;杨金文;余方明;庄仲;梁继深
4.基于PSO-BP神经网络的高炉煤气柜位预测模型及应用 [J], 魏津瑜;张玮;李欣
5.基于改进遗传算法优化BP神经网络的土壤湿度预测模型 [J], 王佳楠;王玉莹;何淑林;时龙闽;张艳滴;孙海洋;刘勇
因版权原因，仅展示原文概要，查看原文内容请购买。

钢铁企业高炉煤气供需预测模型及应用

为输出层第 k 单元的激活阈值, 激活函数为 f (x) = 1 ( 1 + e- x ) ( 1)
当输出层节点的期望均值为 t l 时, 模型的计算公式如下隐层节点的计算输出 yj = f
i
w ij x i -
j
= f ( net j ) ,
( 2)
输出层节点的计算输出 zl = f
j
v ij y i -
l
钢铁企业煤气系统是企业能源系统的主要部分, 涉及到煤气的产生、输送、分配、消耗等诸多环节在实际生产中, 影响高炉煤气产生量与消耗量的因素很多 , 通过对历史数据进行研究发现煤气量与相关因素的线性关系并不明显, 且无必然规律基于以上特点, 采用容错能力与智能处理能力较强的人工神经网络法对高炉煤气产生量和消耗量进行预测, 能较为有效地描绘煤气系统的特征, 得到相对准确的预测结果 2. 1 高炉煤气产生量( 供应量 ) 预测高炉冶炼过程是个复杂的物理、化学反应过程, 从炉顶装入的铁矿石、焦炭和石灰石等物料经过与预热的空气 ( 常伴随喷吹物如富氧、煤粉等) 在高炉内部发生还原反应 , 最终生成铁水和炉渣, 并从炉顶放出煤气可见 , 高炉煤气生产过程受多种因素制约, 为了准确预测高炉煤气发生量 , 这里以某钢铁企业 1# 高炉 10 月份实际生产数据为统计样本 , 经过灰色关联度分析得到各因素与煤气量的关系 , 见表 1 由表 1 可见, 影响高炉煤气发生量的主要因素为鼓风量、焦比、风压和煤比等 , 将关联度大于 0 6 的影响因素作为预测模型的输入值, 建立人
收稿日期 : 2010- 06- 02 基金项目 : 中央高校基本科研业务费专项资金资助项目 ( N 090302010 ) ; 国家高技术研究发展计划项目 ( 2008AA 042901, 2009AA 05Z215) ; 东北大学博士后基金资助项目作者简介 : 张琦 ( 1977- ) , 男 , 山西大同人 , 东北大学讲师 , 博士后研究人员 ; 蔡九菊 ( 1948- ) , 男 , 辽宁锦州人 , 东北大学教授 , 博士生导师

基于遗传算法优化BP神经网络的高炉喷煤优化

基于遗传算法优化BP神经网络的高炉喷煤优化崔桂梅;高翠玲;侯佳;陈智辉;马祥【期刊名称】《计算机测量与控制》【年(卷),期】2015(23)5【摘要】高炉炼铁是一个复杂的多变量系统,而现行的操作制度是基于炉长经验的参数设置模式,导致能源尤其是煤粉的消耗常常处于“盲目”状态;文章综合炼铁工艺理论和高炉专家经验,针对白云鄂博矿石冶炼的特殊性,采用筛选出的优化数据,利用遗传算法所固有的全局搜索性能优化BP神经网络模型的权值和阈值,分别建立了基于遗传算法优化BP神经网络的高炉喷煤量优化预测模型以及工艺指标(铁水[Si]含量及入炉焦比)预测模型;优化数据的利用使得上述模型可以根据高炉当前炉况输出喷煤量的最佳优化设定值,并预测出相对应的工艺指标变化趋势;实际应用表明,本方法能够给现场操作人员提供操作指导,实现高炉稳定顺行、提高经济效益的目的.【总页数】4页(P1568-1570,1574)【作者】崔桂梅;高翠玲;侯佳;陈智辉;马祥【作者单位】内蒙古科技大学信息工程学院,内蒙古包头014010;内蒙古科技大学信息工程学院,内蒙古包头014010;内蒙古科技大学信息工程学院,内蒙古包头014010;内蒙古科技大学信息工程学院,内蒙古包头014010;内蒙古包头钢联有限责任公司,内蒙古包头014010【正文语种】中文【中图分类】TP27【相关文献】1.基于遗传算法优化BP神经网络模型的风电功率预测 [J], 张启龙;王立威2.基于遗传算法优化BP神经网络的中国企业OFDI投资额预测模型 [J], 刘峻杉;张磊;尹寓3.基于遗传算法优化的BP神经网络在考研结果预测中的应用 [J], 李驰4.基于BP神经网络和遗传算法优化S Zorb装置汽油辛烷值损失 [J], 高萍;刘松;程顺;欧阳福生;赵明洋5.基于改进遗传算法优化BP神经网络的土壤湿度预测模型 [J], 王佳楠;王玉莹;何淑林;时龙闽;张艳滴;孙海洋;刘勇因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进的BP算法的过热汽温建模

基于改进的BP算法的过热汽温建模
孙灵芳;邵萌萌;刘旭颖
【期刊名称】《自动化技术与应用》
【年(卷),期】2010(029)004
【摘要】采用机理建模方法获得热工被控对象的数学模型非常困难,相比之下,利用电厂采集到的大量历史数据,不用人为地加入特殊扰动信号,来建立火电厂热工过程的动态数学模型,是很有发展前途的方向.本文利用电厂采集到的现场数据,应用加入二次动量项和改进激活函数的BP算法,对电站锅炉的过热汽温建模进行了研究.仿真结果表明,改进后的BP算法在误差精度、收敛速度、泛化能力等方面明显优于标准BP算法,对过热汽温的建模结果令人满意.
【总页数】4页(P1-3,15)
【作者】孙灵芳;邵萌萌;刘旭颖
【作者单位】东北电力大学,自动化工程学院,吉林,吉林,132012;东北电力大学,自动化工程学院,吉林,吉林,132012;东北电力大学,自动化工程学院,吉林,吉林,132012【正文语种】中文
【中图分类】TP183
【相关文献】
1.电站过热汽温建模方法的改进 [J], 闫水保;李晶晶;张晓东;施书建;郑锦华
2.基于改进Gamma和改进BP算法的人脸识别研究 [J], 李国芳;王力
3.改进递阶GABP算法与一般BP算法在陀螺仪随机漂移建模中的应用分析 [J],
杨小军;汪立新;杨建业
4.基于主元分析与现场数据的过热汽温动态建模研究 [J], 张小桃;倪维斗;李政;郑松
5.基于改进TOPSIS法的过热汽温控制系统综合性能评价 [J], 郭建豪;刘鑫屏因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO-BP神经网络的高炉煤气柜位预测模型及应用

基于PSO-BP神经网络的高炉煤气柜位预测模型及应用
魏津瑜;张玮;李欣
【期刊名称】《中南大学学报：自然科学版》
【年(卷),期】2013(0)S1
【摘要】以钢铁企业高炉煤气柜位作为研究对象,对高炉煤气发生量和消耗量等影响因素进行相关性分析,得到关联度较高的主成分作为输入参数。

利用粒子群算法
优化BP神经网络的初始权值和阈值,使优化后的BP神经网络能够更好地预测函数输出。

针对粒子群算法早熟收敛、搜索精度偏低以及后期迭代效率不高的问题,提
出对粒子进行变异操作的处理方法。

研究结果表明:所建立的预测模型误差小,能有
效解决高炉煤气柜位的预测问题,为生产企业合理制定煤气使用计划提供理论依据。

【总页数】5页(P266-270)
【关键词】高炉煤气柜位;相关性分析;预测模型;粒子群优化;BP神经网络;变异操作【作者】魏津瑜;张玮;李欣
【作者单位】天津理工大学管理学院;潍坊科技学院经济管理学院
【正文语种】中文
【中图分类】TF573;TP183
【相关文献】
1.基于PSO-BP神经网络的高炉炼铁含硅量预测模型 [J], 王鹏飞;张晨;
2.基于改进PSO-BP神经网络的冰蓄冷空调冷负荷动态预测模型 [J], 杨熊;于军琪;郭晨露;华宇剑;赵安军;
3.基于PSO-BP神经网络的终端区拥堵等级预测模型 [J], 高旗; 初建宇; 李印凤
4.基于PSO-BP神经网络集成学习算法的安徽省旅游收入预测模型构建研究 [J], 姜姗;张宇航
5.基于PSO-BP神经网络的北江大堤渗流预测模型 [J], 李晓东;徐文兵
因版权原因，仅展示原文概要，查看原文内容请购买。

BP神经网络PID控制在高炉TRT顶压控制系统中的仿真

BP神经网络PID控制在高炉TRT顶压控制系统中的仿真刘志刚【摘要】为改善传统PID的控制缺陷,提出了BP神经网络PID控制算法应用于高炉TRT顶压控制系统中的设计构想,并针对影响高炉炉顶压力稳定的两个重要参数,运用Matlab软件进行仿真,结果表明,该优化控制算法对高炉顶压控制系统的控制效果明显优于传统PID.【期刊名称】《唐山学院学报》【年(卷),期】2013(026)006【总页数】3页(P36-38)【关键词】高炉顶压控制系统;神经网络;仿真【作者】刘志刚【作者单位】唐山学院机电工程系,河北唐山063000【正文语种】中文【中图分类】TF5;TP2高炉炉顶煤气余压透平发电装置（TRT）是将回收的高炉煤气的压力能通过透平膨胀机做功后转化为机械能驱动发电机发电的装置。

维持TRT正常工作首先要确保高炉炉顶压力的稳定，而影响高炉炉顶压力的因素很多，如布料过程、均压过程、鼓风机压力与风量、旁通阀开度、热风炉换炉、高炉生产工况、透平机运行状况以及静叶的调节精度等［1］。

稳定的控制高炉炉顶压力非常重要而且难度很高，这就需要有一套高效的高炉顶压控制系统对其进行控制。

1 高炉顶压控制工艺［1－3］高炉TRT顶压控制系统流程如图1所示。

系统根据设定的压力值在不同工况下由不同机构控制高炉炉顶压力。

在正常工况下，通过对环缝和TRT静叶开度的调节来改变透平机的广义阻尼系数，从而达到改变高炉炉顶压力的目的，同时快开阀和旁通阀全部关闭，起保护作用；当TRT故障停机时，关闭透平机入口阀门，打开旁通阀和快开阀，高炉炉顶的压力由环缝控制［1－3］。

2 传统PID控制算法PID控制在线性、动态且不随时间变化的控制系统中有广泛的应用，是高炉顶压控制系统中最常用的算法之一。

其控制规律为其中，Kp为比例系数，Ki为积分时间系数，Kd为微分时间系数，e（t）为系统偏差。

通过对（1）式采样可得增量式PID控制算法：3 BP神经网络PID控制算法图2为基于BP神经网络的PID控制器结构，PID控制器的3个可调制参数Kp，Ki，Kd由输出层神经元输出，通过自学习和对加权系数的调整，得到最优的控制设计，即3层BP神经网络，其结构如图3所示。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

自适应学习率的作用也能有效解决学习效率低
收敛速度慢和易陷于局部极小状态的问题。
不出来或网络不 “ 强壮 ” 容错性差。神经元数太多，但
又使学习时间过长，误差也不一定最佳。多数神经大
３炉温预测模型的建立
（）１输入参数的确定：入参数的选取主要考虑输
元的状态只影响下一层神经元状态。如果在输出层
式中的－将更为有效，可以使调节尽快脱离
饱和区。
得不到期望的输出，则转入反向传播，时误差信号此
从输出层向输入层传播并沿途调整各层连接权值和阈值，以使误差不断减小，到达到精度要求。算直该法实际上是求误差函数的极小值，它通过多个样本
（＋１一０７（）￡）．叩￡ＳＳｔ１＞ＳＥ（）Ｅ（＋）Ｓｔ（）３
度上的作用，且考虑在误差曲面上变化趋势的影而
响，在没有附加动量的作用下，网络可能陷入局部极小值。该方法是在反向传播的基础上，在每一个权值
的反复训练，采用梯度下降法使权值沿着误差函并
附加动量法能有效解决学习效率低、敛速度收
慢和易陷于局部极小状态的问题。２２自适应学习率．
数负梯度方向改变，收敛于最小点］【。并、２Ｂ算法也存在着学习效率低，Ｐ收敛速度慢，容
的预测模型。
变化基础上加上一项正比于前一次权值化量值，
根据反向传播算法来产生新权值变化： △ ；￡）。＋１（
Ｊ（ｃ
＋ｐｗｃ＿Ｅ）
＿１］）
（）１
式中，为动量因子，＜０＜１。
引入动量项的效果就是使得学习过程中等效地改变学习率而不再是恒定的值。了动量项后，值有使得权值的调节向着底部的平均方向变化，不致于产生大的摆动，即起到缓冲平滑的作用，若系统进入函数曲面的平坦区，么误差将变化很小。是△ 那于
２０年第４０７期
新疆钢铁
总ｌ４０期
高炉炉温预测Ｂ算法的应用改进Ｐ
高峰马翠红刘惠欣
（北理工大学计算机与自动控制学院）河摘要：研究应用人工神经网络方法对高炉炉温进行预测，定了三层前向网络结构。对基于梯度下降法的Ｂ网络确针Ｐ
些改进措施。附加动量法主要是在对网络进行训练的过程中
２１附加动量法．对连接权值进行调整的一种优化，仅考虑误差梯不
最大的可接受的学习速率进行训练。自适应学习速
率调整公式：
ｆ１０ｕ￡ＳＳ￡１＜ＳＥ（）．５（）Ｅ（＋）Ｓ￡
存在的学习效率低、敛速度慢、陷于局部极小状态、收易网络的泛化及适应能力较差等缺陷，绍了采用了附加动量法及介自适应学习率、理选择激励函数等策略，算法中的缺陷给出了改进措施。合对关键词：高炉；经网络；神炉温预测；水硅含量铁
联系人：高峰，，男唐山（６０９河北理工大学计算机与自动控制学院０３０）
３２
２０年第４０７期
其中ＳＥ网络输出误差和。Ｓ为
新疆钢铁
总１４期０
速度和预报能力有着重要影响，神经元数太少会影响网络在输入层提取有价值的特征，网络可能训练
中图分类号：Ｔ８Ｐ１３
文献标识码：Ｂ
文章编号：ｌ７— ４２（０７０—０３一Ｏ６２２４２０）４０２３
１引言
在高炉冶炼过程中，格意义上的炉温包括铁严水的物理温度和化学温度两方面。铁水物理温度由热电偶测量得到，而化学温度则以铁水硅含量来描述。但是在日常高炉炼铁生产中，温主要是指铁水炉硅含量。中所述的炉温预测模型即为铁水硅含量文
高炉铁水硅含量的影响因素，同时还要考虑这些数据的可采集性。鉴于这个原因，在研究中选取了以下６参数作为神经网络的输入：个风温、量、风喷煤量、料速、透气性指数、铁量差。（）出参数的确定：出参数只有一个，２输输即铁
（１近似于△ （）而平均的△ Ｗ蚪一）￡，将变为：
△ ≈ （）（）２
２Ｂ算法及其算法的改进Ｐ
Ｂ算法的学习过程由正向传播和反向传播两Ｐ
部分组成，正向传播过程中，在输入模式从输入层经
过隐含层神经元的处理后，向输出层，一层神经传每
易陷入局部最小点等缺点，对这些不足，］针采取了
一
从网络误差的角度直接考虑对学习速率的调整。调节学习速率的准则是：当新误差超过旧误差一
定的倍数时，习速率将减少；学当新的误差小于旧误
差时，习速率将被增加；学当新的误差等于旧误差时，习速率保持不变。方法可以保证网络总是以学该