球团矿热态参数指标机理—神经网络混合建模的研究

论文摘要

球团矿热态指标包括低温还原粉化指数、还原度、膨胀指数,但由于热态指标的检验过程复杂,时间长达12小时以上,等指标检验出来球团生产过程早已结束,其检验结果对生产过程基本没有指导意义。因此,如何在现有工艺流程、原料条件及生产设备条件下,研究生产过程的热态指标参数,使生产过程相对透明化,使整个生产过程运行于最优状态,是目前球团生产急待解决的关键问题。本文对球团矿热态参数指标的影响因素进行了详细分析,通过详细分析确定了影响热态指标的主要因素。在分析比较几种建模方法的基础上,结合对球团生产过程特点的深入分析,并收集了相关的生产过程数据,本文提出用机理-神经网络混合模型技术来建立球团矿的热态指标模型。首先建立三个指标即低温还原粉化指数（RDI）,还原度（RI）,膨胀指数（RSI）的机理模型,在A4ATLAB的环境下对机理模型进行仿真计算,由于在实际过程中,人们对实际系统的了解的不完备性和所做的简化处理,都会使机理模型和实际系统之间存在着建模误差。因此,计算出机理模型误差,根据误差精度的要求建立机理模型的补偿模型,将使模型的精度大幅度提高。这样,以机理建模为主线,以神经网络模型为补偿,建立了热态参数指标的机理-神经网络混合模型。并对混合模型进行仿真验证。仿真结果表明,本文提出的球团矿热态指标机理-神经网络混合模型能够获得满意的模型精度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 球团矿生产技术的发展概况
• 1.2 链算机-回转窑球团生产工艺
• 1.3 热态参数指标模型建立的必要性及国内外研究现状
• 1.3.1 热态参数指标模型建立的必要性
• 1.3.2 热态参数指标国内外研究现状
• 1.4 本文的主要工作
• 第2章 建模的基本方法
• 2.1 机理建模
• 2.2 人工神经网络建模
• 2.2.1 神经网络模型
• 2.2.2 BP神经网络
• 2.3 机理-神经网络混合建模
• 2.4 本章小结
• 第3章 低温还原粉化指数模型的研究
• 3.1 低温还原分化指数影响因素分析
• 3.2 低温还原粉化指数模型的建立
• 3.2.1 机理模型
• 3.2.2 神经网络补偿模型
• 3.2.3 机理-神经网络混合模型
• 3.3 仿真结果
• 3.4 本章小结
• 第4章 还原度模型的研究
• 4.1 还原度影响因素的分析
• 4.2 还原度模型的建立
• 4.2.1 机理模型
• 4.2.2 神经网络补偿模型
• 4.2.3 机理-神经网络混合模型
• 4.3 仿真结果
• 4.4 本章小结
• 第5章 膨胀指数模型的研究
• 5.1 膨胀指数影响因素分析
• 5.2 膨胀指数模型的建立
• 5.2.1 机理模型
• 5.2.2 神经网络补偿模型
• 5.2.3 机理-神经网络混合模型
• 5.3 仿真结果
• 5.4 本章小结
• 第6章 结论与展望
• 参考文献
• 致谢