链回环球团生产的神经网络.ppt

链 回 环球团生产的神经网络质量预测软件 SoftwareGuideline TheQualityPredictionofIronOrePelletsinG K CSystemUsingArtificialNeuralNetwork 冯俊小 Agenda 质量预测系统有利于产线即时发现问题 定位问题 解决问题 课题背景及意义 链 回 环生产流程 生产设备多 生产周期长 有中间产品 预测质量参数 评价中间性能 减小叠加误差 国内 国外 东北大学 辽宁科技大学 鞍山海汇自动化公司 鞍钢弓长岭球团厂 TATAJSWsteel 算法优势 数据降维处理导致物理意义缺失 只对最终产品质量预测 未体现设备分离的优点 带式焙烧机 规律研究 Levenberg Marquardt优化算法 归一化处理 统一学习数据地位防止函数输出饱和平均误差表现函数 成品球质量预测模型 15 17 1 tansig pureline 平均绝对误差为34 39N 平均相对误差为1 34 线性回归系数为0 906 平均绝对误差为72 93N 平均相对误差为2 78 线性回归系数为0 741 干球质量预测模型 9 9 1 tansig pureline 平均绝对误差为12 05N 平均相对误差为1 69 线性回归系数为0 909 平均绝对误差为20 13N 平均相对误差为2 71 线性回归系数为0 902 生球质量预测模型 5 6 1 tansig pureline 平均绝对误差为0 018 平均相对误差为0 3 线性回归系数为0 964 平均绝对误差为0 08 平均相对误差为1 22 线性回归系数为0 714 数据保存 ANN 参数设定 预测输出 学习训练 网络保存 软件功能及结构图 生球水分 膨润土含量 FeO含量 FeO含量0 27 矿相 FeO含量0 2 矿相 SiO2含量 Al2O3含量 链篦机机速 料层厚度 回转窑转速 窑尾温度 窑头温度 环冷机机速 成品皮带料温 课题结论 1 预测的误差均小于3 预测精度高 泛化性能好 完全可以满足目前生产的实际要求 2 VB对COM组件计算模块的调用 实现该系统界面友好 软件占用空间小 计算速度高等优点 通过VB语言编写的文件系统 使得用户可以随时对历史数据的归纳总结后的网络文件进行存储和调用 大大方便了历史生产数据的处理和重新调用 3 本文还以建立的质量预测模型系统为工具 绘制了关系曲线 该曲线规律凝结和提炼了生产线大量数据归纳总结的宝贵经验 对实际生产有重大的指导意义 随着生球水分增大 球团强度有着先增后减的趋势 膨润土含量的增加可以大大加强球团的强度 成品球团的化学成分也与球团的强度有着一定的关系 SiO2的含量与球团的强度之间表现为先增后减的趋势 FeO和Al2O3含量的增加则均会导致球团强度的下降 链篦机机速和料层厚度的增加都会导致球团强度的下降 在满足产量的要求下 更长的干燥预热时间和更薄的料层都会提高成品球团的强度 回转窑转速的增加会使强度下降 而窑头窑尾温度的提高均可以提高球团的强度 环冷机由于运行状态较为稳定 因此生产数据均分布在工艺制度范围内 其对球团质量的影响比较有限 随着环冷机机速的增加 球团的质量会逐渐下降 但其下降范围仍在2500N以上 网络参数设定区 训练参数设定区 文件路径显示区 输入数据显示区 输出