資源描述：
《高爐爐況的重要參數(shù)》由會員上傳分享，免費在線閱讀，更多相關內容在行業(yè)資料-天天文庫。
1、一、問題的重述高爐煉鐵是現(xiàn)代鋼鐵生產的重要環(huán)節(jié)，且是個復雜的高溫物理化學過程，精確掌握爐內的溫度分布上不可能，所以一般要通過預報高爐爐溫(鐵水硅含量)來間接地反映爐內的溫度變化，判斷高爐爐缸熱狀態(tài)，并以此來調控高爐行程、能量消耗及生鐵質量。事實上，影響鐵水硅含量（即爐溫）的因素很多，大體上分為兩大類：狀態(tài)參數(shù)和控制參數(shù)。狀態(tài)參數(shù)包括料速、透氣性指數(shù)、風口狀況、鐵水與爐渣成分等；控制參數(shù)包括入爐原料的性質(成分、比重、配料比等)、裝料方式、風量、風溫、富氧量等，各個因素之間也存在交互影響。其中幾個重要的影響參數(shù)為
2、：（1）料速是判斷高爐爐況的一個重要參數(shù)；（2）透氣性指數(shù)是判斷爐溫與爐況順行的一個重要參數(shù)；（3）鐵量差指的是理論出鐵量與實際出鐵量之差；（4）風溫對高爐冶煉過程的影響，主要是直接影響到爐缸溫度，并間接的影響高爐高度方向上溫度分布的變化，以及影響到爐頂溫度水平；（5）風量引起的爐料下降速度和初渣中FeO的含量的增減，以及煤氣流分布的變化，都會影響到煤氣能的利用程度和爐況順行情況?，F(xiàn)在要求我們根據(jù)表中給出的近期某高爐的生產數(shù)據(jù)，試建立鐵水硅含量與各影響參數(shù)的數(shù)學預測模型。二、問題的分析高爐鐵水硅含量的高低反映了
3、高爐冶煉過程的熱狀態(tài)及燃燒比。維持穩(wěn)定且較低的鐵水硅含量是爐況穩(wěn)定并產生較低燃燒比的直接保證。對于本問題中鐵水硅含量的預報有很多方法，如傳統(tǒng)的ARMA模型，但是由于高爐生產過程的復雜性，尤其在不斷提高噴煤量之后，爐況的波動更加劇烈和復雜，采用ARMA模型已經很難準確的描述鐵水硅含量的預測模型。然而最近提出的神經網(wǎng)絡模型能夠以實驗數(shù)據(jù)為基礎，經過有限次迭代，就可以獲得一個反映實驗數(shù)據(jù)內在規(guī)律性的參數(shù)組，尤其是對于參數(shù)眾多的，規(guī)律性不明顯的生產過程能發(fā)揮其獨特性，此方法正好解決本文中參數(shù)眾多且無規(guī)律的問題，所以本文
4、采用神經網(wǎng)絡的方法對鐵水硅含量進行預報。為了使得我們建立的BP神經網(wǎng)絡模型更具有說服力，同時建立了一個多元線性回歸模型與之進行對比。三、模型的假設和符號說明（一）模型假設1、鐵硅量與原料混合時間有關，與起始時間無關；2、用料全部都倒進高爐內，在反應開始前無殘留；3、原始各變量相互不獨立，具有相關性。（二）符號說明：第i個主成分，第j個變量的權數(shù)：為回歸常數(shù)：多元線性回歸系數(shù)（=1,2，…）：第i個主成分的第j個變量值：第i個主成分四、模型的建立及求解（一）模型一：多元線性回歸模型1.模型一的建立多元線性回歸模型
5、的一般形式式中，為回歸常數(shù)，（=1,2，…）稱為回歸系數(shù)，稱為被解釋變量，即因變量；而是個可以精確測量并可控制的一般變量，稱為解釋變量，即自變量。對于一個實際問題，如果我們獲得組觀測數(shù)據(jù)（）（=1,2，…，）則線性回歸模型可表示為（1.1）由于大量的參數(shù)變量間并非相互獨立，各個因素之間也存在交互影響，因此我們采用主成分分析法，把各變量之間互相關聯(lián)的復雜關系進行簡化分析。建立主成分函數(shù)（1.2）最后將看做一個新的變量，建立多元回歸分析模型（1.3）2.模型一的求解根據(jù)上面原理，利用SPSS軟件進行主成分分析求解，
6、結果如表1。表1主成分矩陣根據(jù)表1結果，得到主成分的表達式。（1.4）同時將求得的值多元回歸分析，結果如表2：故擬合多元線性回歸方程（1.5）表2回歸系數(shù)3.模型一的檢驗要看回歸效果如何，對回歸方程進行顯著性檢驗，即看自變量從整體上對隨機變量是否有顯著的影響。為此提出原假設：（1.6）如果被接受，則表示隨機變量與之間的關系由線性回歸模型表示不合適。為了建立對進行檢驗的統(tǒng)計量，利用總離差平方和的分解式（1.7）簡寫為（1.8）構造檢驗統(tǒng)計量如下（1.9）在正態(tài)假設下，當原假設：成立時，服從自由度為的分布。于是，可
7、以利用統(tǒng)計量對回歸方程的總體顯著性進行檢驗。給定的顯著性水平（取=0.05），查分布表，得臨界值.當>時，拒絕原假設，認為在顯著性水平下，對…有顯著的線性；反之，當,則認為回歸方程不顯著。表3方差分析表方差來源自由度平方和均方值值回歸殘差總和。表4Sig為顯著性水平檢驗，Sig<0.05表示變量回歸性顯著。由表4可看出變量通過了顯著性水平檢驗，但表2卻反映，雖然變量通過了顯著性水平檢驗，但某些變量，即F1、F2、F5、F7顯著性水平較弱，（F1、F2、F5、F7分別對應表五中的Y1、Y2、Y5、Y7）。將預測值
8、和實際值匯在散點圖上可直觀的反映擬合效果，散點構成的直線基本傾斜向右上方，但離散程度過大，故方程的擬合效果不盡理想。此方法不適合用于此類的預測問題。圖1爐溫指數(shù)散點圖（二）模型二：BP神經網(wǎng)絡模型1.模型結構的確定BP神經網(wǎng)絡模型可以擬合任意一個非線性映射，由輸入層、隱藏層和輸出層三部分組成。其基本的結構如圖2所示。圖2BP神經網(wǎng)絡層次圖（1）輸入層的確定神經網(wǎng)絡的輸入層起緩沖存儲器的
