[发明专利]基于神经网络的烧结矿FeO预报系统

说明书

技术领域

本发明涉及智能预报技术领域，具体的是涉及一种基于神经网络的烧结矿FeO预报系统。

背景技术

FeO(氧化亚铁)是烧结矿的重要成分，其主要特点是生成机理复杂，在烧结过程中波动大，影响因素多，在烧结矿中分布不均匀。烧结过程是一个复杂的氧化还原过程，即使是配炭量相同生成的FeO也不一样。因此FeO是烧结矿所有成分中稳定性最低的。然而FeO又与烧结矿的物相组成，矿物结构(宏观结构与微观结构)、强度、粒度组成、还原性、熔化性等主要性能密切相关，进而影响高炉冶炼。FeO也是烧结成品率、生产率等质量指标的主要影响因素，有时甚至起决定性作用，烧结生产过程的波动与恶化，如返矿平衡被破坏，一般都与FeO控制失调有极大关系。正如用生铁中的硅含量可以代表高炉相对炉温一样，FeO可以代表烧结温度相对水平，是烧结气氛与热量水平的综合反映。

鉴于FeO控制难度大，对烧结影响复杂，用一般方法很难计算其含量而达到预报与控制的目的。目前现场控制部分是采用人工判断的经验方法，就是操作工人每隔一段时间到烧结机尾部的观察孔上用肉眼观察烧结矿红火层的亮度与厚度，估计烧结矿的FeO大概是多少，再与化验值对比，就得出在一定红火层厚度与亮度条件下对应的FeO值，而后再调节燃料配比与操作参数，经过长期积累，就形成有用的经验。这种判断方法对于经验丰富的操作工能收到一定效果，但局限性也是显而易见的，首先是操作工的素质不一样，技术水平有高低，责任心也有差别；其次是原燃料质量随时都在波动，红火层厚度、亮度与FeO的对应关系并不严密，主要是影响FeO的因素太多，这种对应关系只是一个方面。因此，采用这种方式检验有检验滞后、命中率低的缺点。

另外，目前在国内外有部分是采用自动检测来分析FeO含量的，其主要包括两种方法：

1、基于计算机图像的烧结矿FeO含量在线检测方法，该方法的主要思想是用CCD摄象机对烧结机尾断面图象进行计算机分析，给出FeO值，其缺点是摄像机受机尾高温粉尘影响，图像容易产生噪点，分析结果很不稳定。

2、磁导率法。该方法是在烧结机尾部台车上方安装导磁仪，根据烧结矿FeO不同则磁性不同的原理，通过检测烧结矿的磁导率可得出相应的FeO，缺点是仅能检测出烧结机台车表层烧结矿的FeO，不能代表全部烧结矿FeO，而实际上台车上、中、下层烧结矿的FeO含量有很大的区别。

发明内容

本发明所要解决的技术问题是：针对现有技术中检测方法的不足，提出一种能够实现智能预报的基于神经网络的烧结矿FeO预报系统。

本发明解决上述技术问题采用的技术方案是：基于神经网络的烧结矿FeO预报系统，它包括数据自动采集模块、训练模块、预报模块及公共模块；所述数据自动采集模块主要自动采集处理烧结与配料参数并将数据传送给训练模块和预报模块；所述训练模块对自动采集模块发送过来的数据进行训练处理，得到权值和阈值；所述预报模块利用由训练模块得到的权值和阈值对数据自动采集模块发送过来的数据进行预报；所述公共模块用于全局变量和公共变量的声明与存放。

所述神经网络为四层前向神经网络。

所述四层前向神经网络具有两个隐含层及一个输入层、一个输出层，其结构为

所述输出层的输入为10个变量的非线性关系与1个变量的线性关系的叠加。

所述神经网络采用变学习步长和变动量系数相结合的算法来实现神经网络收敛。

本发明的有益效果是：神经网络具有自学习性，自组织性，自适应性和鲁棒性，泛化性能强，预报精度高，可用于烧结过程控制与指标预报。对于烧结生产这种影响因素多，过程机理复杂，滞后性大的系统，采用神经网络技术建立预报系统，提前采取调整措施，达到优化控制的目的，具有重要的实用价值。

附图说明

图1为本发明的系统主要构成框图；

图2为本发明中的神经网络的结构示意图；

图3为本发明中神经网络训练过程流程图；

图4为本发明中神经网络预报过程流程图。

具体实施方式

下面结合附图及实施例对本发明作进一步的描述。