科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了保证高炉炉况顺行，提高高炉热制度调控质量，深刻理解铁水硅含量变动量的动力学，以冀南地区某钢铁联合公司3号高炉为研究对象，研究铁水硅含量变动量的波动机理。量化表征降低铁水硅含量变动量的6大决策空间；通过单变量估计方法和复相关系数联合估计方法的对照分析，优选可以兼顾决策变量间的耦合协同性的联合估计方法，确定铁水硅含量变动量调控决策变量的响应时间，消除变量间的时滞性；通过Hopfield神经网络、Boltzmann神经网络与Elman神经网络算法的对照分析，优选具有记忆功能的Elman神经网络算法，兼顾变量时序特征，确定变量间的耦合非线性关系，构建高炉铁水硅含量变动量智能预报模型。基于铁水硅含量变动量最小为目标，构建调控决策智能推荐模型；通过遗传算法（GA）和进化策略算法（ES）的对照分析，优选变异程度自适应变化的ES算法，智能求解推荐模型，快速获取最优的维持铁水硅含量变动量最小的调控决策。研究结果表明，响应时间估计算法对照验证了多决策变量联合估计响应时间产生的样本集兼顾了决策变量间的耦合协同性；预报算法对照验证了Elman神经网络的优越性，目标算法构建的预报模型命中率高达94.10%；智能寻优算法对照验证了ES算法对推荐模型的求解速度和结果显著优于对照算法，并且模型在工业应用的实践中保持了离线测试的优良特性。
- 单位
