电熔镁炉极心圆直径预测方法

摘要

电熔镁炉极心圆直径预测方法，属于工艺参数预测技术领域，适用于电熔镁炉生产过程中工艺参数的设定。本发明提供一种可指导现场工艺参数中极心圆直径的设定的电熔镁炉极心圆直径预测方法。本发明包括如下步骤：步骤一：采集过程数据；步骤二：基于BP神经元网络建立单位电耗预测模型：(1)神经元网络的训练，(2)神经元网络模型的检验；步骤三：进行极心圆直径的预测；步骤四：采用“原型分析”方法，建立规则库；步骤五：利用步骤一中采集的原料烧减量L、原料中直径小于3mm的质量百分比S、电极直径d以及炉壳新旧程度k，匹配规则库中的规则，用来补充极心圆直径的预测值，得到最终的极心圆直径。

主权项

一种电熔镁炉极心圆直径预测方法，其特征在于，包括如下步骤：步骤一：采集过程数据采集MgO含量在98.5％以上的质量百分数X1、MgO含量在98％的质量百分数X2、MgO含量在97％～98％的质量百分数X3、极心圆直径D、单位电耗E、原料烧减量L、原料中直径小于3mm的质量百分比S、电极直径d以及炉壳新旧程度k；步骤二：基于BP神经元网络建立单位电耗预测模型(1)神经元网络的训练：采用含有隐含层的三层BP神经元网络进行建模，以MgO含量在98.5％以上的质量百分数X1、MgO含量在98％的质量百分数X2、MgO含量在97％-98％的质量百分数X3和极心圆直径D为输入，单位电耗E为输出；其结构采用4-8-1，其中隐含层和输入层的激励函数采用s型双正切函数tansig，输出层的激励函数采用s型对数函数logsig；设定期望误差最小值err-goal为10-6，网络的学习率为自适应调节，网络结构和函数随时可更改；当神经元网络权值修正后的误差平方和MSE达到期望误差最小值err-goal时，学习结束；(2)神经元网络模型的检验：采用步骤一中采集到的现场100组有效数据中的25组作为验证数据，进行神经元网络模型的检验，经过60步的网络训练，该模型输出的单位电耗E的预测值与步骤一中采集到的单位电耗E的实际值的相对误差在5.0％以内，绝对误差为1.2×10-101，则认为该模型与实际情况相符；步骤三：进行极心圆直径的预测首先，设定质量系数X1、X2、X3，然后在一定范围内向模型输入多组极心圆直径D，对应获得多组单位电耗E的预测值，从中选出最小单位电耗E对应的极心圆直径D，即为极心圆直径的预测值；步骤四：采用“原型分析”方法，建立规则库提取各种电熔镁炉工艺参数的“原型”，整理成专家规则存储在规则库中；并随着系统的运行，不断更新和升级规则库，保证知识的一致连续性以及规则推理结果的准确性；步骤五：利用步骤一中采集的原料烧减量L、原料中直径小于3mm的质量百分比S、电极直径d以及炉壳新旧程度k，匹配规则库中的规则，用来补充极心圆直径的预测值，得到最终的极心圆直径；DOptimal＝DBP+Drule式中：DOptimal表示最终的极心圆直径，DBp表示极心圆直径的预测值，Drule表示极心圆直径的补偿值。