论文部分内容阅读
我国国产矿品位低,杂质多,粒度较细,不能单独使用,必须配合进口矿烧结。而进口矿价格又居高不下,使得国内钢铁厂利润微薄以至亏损,因此优化烧结配料,减少使用进口矿,对降低生产成本有重要意义。此外,我国多数钢铁厂铁矿石来源不稳定,烧结优化配料,调整配料方案,可以应对铁矿石供应量的波动,保证生产稳定持续的进行。鉴于高炉生产对烧结矿质量的严格要求,需要对优化配料方案进行指标预测,并进行适当参数调整以确保指标合格。基于此,本文建立了烧结优化配料模型,从理论上探究烧结配料优化,为实际生产提供参考。本文首先采用基于铁水成本的烧结用矿粉价值评价方法计算铁矿粉使用价值,用此经济价值代替矿粉价格参与优化配料计算。在此基础上,采用遗传算法进行配料优化,计算结果表明该方法能够求解出满足预设定的约束要求的最优配料方案,达到预期目标。分析烧结生产中影响烧结矿FeO含量的众多因素,选择碱度、配煤量、一次温度、制粒效果、加水量、料层厚度、点火温度、煤气流量等八个工艺参数以及四种矿粉配比作为FeO含量预报模型的输入变量。分别采用BP神经网络、RBF神经网络、SVM三种进行建模预测。预测结果表明,SVM预测性能优于BP神经网络,RBF神经网络优于SVM, RBF神经网络预测平均相对误差为2.33%,相当误差小于5%的命中率为100%,预测性能能够满足生产要求。经过分析认为,BP神经网络对样本要求较高以及受到初始权值影响较大的特点决定其不适用于小样本多变量预测；SVM是基于理论上具有最佳的预测性能,但是其预测能力很大程度上取决于参数的选取,目前参数选取仅凭经验,容易得到局部最优而不是全局最优的参数,故实际预测性能不佳；RBF神经网络具有最佳全局逼近性能,调节参数少,容易进行参数寻优,因此具有最佳预测性能。基于RBF神经网络预测模型,考察碱度、配碳量、加水量等三个单因素对烧结矿FeO含量的影响,再分别考察碱度、配碳量以及加水量、配碳量对FeO含量的影响,做出三维图与等高线图,三维图可以直观的表现出FeO含量随两种因素的变化趋势,等高线图可以直观的确定不同FeO含量下变量因素的取值。