转炉提钒静态模型研究

钒是一种极为重要的金属，广泛用于冶金、有色金属加工、化工、电子和航空航天等方面。我国有丰富的钒钛磁铁资源，是世界四大产钒国之一。转炉提钒是我国主要的生产方式。转炉提钒是一个多元多相的高温化学反应过程，反应机理复杂，影响因素众多，受原材料、工艺环境变化的影响较大，不便于人工控制。为提高提钒技术水平，改变生产过程中存在的指标波动大的缺点，需要对生产过程实现计算机控制，以减少提钒操作中人为因素的影响。 论文从工程应用的角度出发，针对我国转炉提钒手工操作的现状，在开发提钒静态模型的过程中，以转炉提钒为特定研究对象，考虑了传统数学模型适应性差、难于移植的缺点，利用RBF神经网络和遗传算法等人工智能技术开发出具有较好自学习和自适应能力的静态模型。 论文首先介绍了建立提钒静态模型的意义，讨论了国内外转炉模型的研究应用情况及发展趋势，深入分析了各种建模方法的优缺点。针对提钒过程的复杂性，提出转炉提钒建模应以神经网络为主要技术手段，结合其他人工智能技术，建立起比传统数学模型具有更高精度的模型。 论文结合工艺原理和实际提钒过程的特点，找出提钒过程的内在影响因素和影响静态模型的主要因素。然后分别应用RBF神经网络建立吹氧时间子模型、冷却剂子模型，并结合遗传算法完成RBF神经网络本身其神经元个数、Spread等参数的优化，使模型具有较强的泛化能力。仿真结果表明该算法具有较快的收敛速度和较强的学习能力。 最后，本文使用面向对象的可视化Visual C++ 6 .0编程语言，开发出提钒静态控制模型软件。