基于神經(jīng)網(wǎng)絡(luò)的智能算法在焦炭質(zhì)量預(yù)測(cè)中的應(yīng)用.pdf

1、煉焦過(guò)程是一個(gè)具有多參數(shù)、時(shí)變、非線(xiàn)性和不確定性等特性的復(fù)雜生產(chǎn)過(guò)程。在這個(gè)過(guò)程中發(fā)生了一系列的物理化學(xué)變化，因此很難用一個(gè)傳統(tǒng)的、確定的數(shù)學(xué)模型來(lái)預(yù)測(cè)焦炭的質(zhì)量。而神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元互相連接組成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，對(duì)非線(xiàn)性系統(tǒng)具有很強(qiáng)的模擬能力，可以實(shí)現(xiàn)或逼近所希望的輸入輸出的映射關(guān)系，這種非線(xiàn)性的映射能力使其能以任意精度逼近一個(gè)非線(xiàn)性函數(shù)?；谏窠?jīng)網(wǎng)絡(luò)具有的上述優(yōu)點(diǎn)，為解決這類(lèi)問(wèn)題提供了新的方法。
　　本文首先介紹了國(guó)內(nèi)外煉焦

2、的發(fā)展現(xiàn)狀，如搗固煉焦技術(shù)、煤預(yù)熱煉焦技術(shù)、煤調(diào)濕技術(shù)和焦?fàn)t的大型化等。分析了焦炭質(zhì)量預(yù)測(cè)的研究現(xiàn)狀，如焦炭灰分與硫分的預(yù)測(cè)、焦炭冷態(tài)強(qiáng)度的預(yù)測(cè)、焦炭熱態(tài)強(qiáng)度的預(yù)測(cè)。
　　接著介紹了基于多元回歸分析焦炭質(zhì)量預(yù)測(cè)模型的建立過(guò)程。其中以揮發(fā)分(Vdaf)，膠質(zhì)層最大厚度(Y)，焦?fàn)t高度和寬度之比（H/D）和(H/D)2為自變量，以焦炭抗碎強(qiáng)度M40和焦炭耐磨強(qiáng)度M10作為焦炭質(zhì)量預(yù)測(cè)的重要指標(biāo)，建立M40和M10的模型公式。還對(duì)模型公

3、式進(jìn)行了回歸關(guān)系的顯著性檢驗(yàn)。仿真結(jié)果表明，焦炭強(qiáng)度模型公式確實(shí)存在較好的線(xiàn)性關(guān)系，系統(tǒng)模型對(duì)焦炭質(zhì)量的預(yù)測(cè)起到較好的預(yù)測(cè)作用，可以有效地預(yù)測(cè)出滿(mǎn)足要求的焦炭，從而為煉焦技術(shù)水平的提高提供重要依據(jù)。
　　其次，對(duì)于焦炭的質(zhì)量指標(biāo)抗碎強(qiáng)度、耐磨強(qiáng)度、反應(yīng)性指數(shù)和反應(yīng)后強(qiáng)度，在對(duì)遺傳算法和BP神經(jīng)網(wǎng)絡(luò)算法分析的基礎(chǔ)上建立了基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)焦炭質(zhì)量預(yù)測(cè)模型。在對(duì)遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)算法分析的基礎(chǔ)上，建立了基于遺傳算法優(yōu)