基于神经网络的铅锌烧结过程产量质量预测模型

针对铅锌烧结过程中具有强非线性、时滞的特点,提出一种基于变学习率的烧结块产量质量神经网络预测模型。通过分析过程特性和工况参数的相关性,确定影响产量和质量的操作参数;采用普通的BP(Back Propagation,简称BP)神经网络结构,建立铅锌烧结块产量质量预测模型;在网络训练的过程中,采用变学习率的方法对BP算法进行改进,获得了满意的预测效果,该算法具有较快的收敛速度。将改进的神经网络模型进行仿真实验,结果表明,该模型具有较高的预测精度和较强的自学习功能,从而验证了方法的有效性。

铅锌烧结过程质量产量的智能集成优化控制

针对铅锌烧结过程具有大滞后、多约束的特点,建立烧结块质量产量神经网络预测模型和优化控制模型,提出一种融合聚类搜索粗优化和混沌遗传细优化的智能集成优化控制方法.首先采用模糊聚类算法进行优化样本查询,所得结果作为问题的次优解;然后采用最优保存对简单遗传混沌算法进行二次优化,求取问题的最优解;最后对智能集成方法进行实际验证,系统运行结果表明,该方法较好地实现了高产、优质的生产目标,并且具有全局收敛性和工业有效性,为解决复杂工业过程的优化控制问题提供了一种有效、实用的新思路.

基于综合工况评判模型的铅锌烧结过程操作参数优化方法

针对铅锌烧结过程中复杂的过程优化控制问题,提出基于综合工况评判模型的铅锌烧结过程操作参数优化方法。在基于机理分析的基础上,综合运用主元分析、神经网络和模糊理论等方法,建立综合工况评判模型;并根据当前的操作参数和综合工况评判模型结果,采用基于模糊C均值聚类的匹配优化算法获得最优的操作参数,从而为现场操作人员提供科学的操作指导。结果表明:该方法可显著改善工况波动、提高烧结块的产量和质量,较好地解决铅锌烧结过程的优化控制问题。