LF精煉爐合金化模型研究.pdf

1、LF爐已成為二次精煉過程中的關鍵設備之一，對調整鋼液成分，特別是對合金成分的控制起重要作用。因此，合金成分控制現已成為LF爐的主要研究對象之一。在LF爐煉鋼生產過程中，按不同的鋼種要求，需要添加合金對鋼水成分進行調整，以便使冶煉的鋼水達到鋼種要求的目標成分。由于每種合金由幾種不同的元素組成，不同合金可能有相同的元素成分，所以存在多種加料方案，因此，為了精確地實現成分目標要求與合金成本最小化，本課題采用單純形法建立最優(yōu)加料模型，以便使鋼液

2、成分達標的同時合理地優(yōu)化合金加料方案，達到控制鋼液終點成分與降低加料成本的目的。
　　然而，合金化模型的精確度很大程度上依賴于合金元素收得率的計算，因此要想獲得精確的合金化模型，必須要精確地計算出合金元素收得率，在LF爐精煉過程中，影響元素收得率的因素很多，如鋼水溫度，脫氧度等，其關系非常復雜，對于這種具有多變量、時變、非線性、耦合、大慣性、大滯后特點的系統(tǒng)，常規(guī)的建模方法難以取得理想的效果，因此，本課題采取BP神經網絡建立合金元

3、素收得率預測模型，克服了建立合金元素收得率模型的難點。
　　在BP神經網絡所建立的預測模型基礎上，引進標準粒子群對其進行優(yōu)化，改進BP神經網絡的收斂速度不高的缺點，PSO算法簡潔而容易實現，早期收斂速度快，可以克服神經網絡收斂慢的問題，并且提高了收斂精度，但PSO算法后期會受隨機振蕩影響，使其在全局最優(yōu)值附近需要較長的搜索時間，收斂速度慢，極易限于局部極小值，使得精度降低，易發(fā)散，因此在粒子群算法的基礎上加入模擬退火算法，克服了算