应用神经网络技术建立铜闪速熔炼温度模型.pdf

应用神经网络技术建立铜闪速熔炼温度模型 汪金良曾青云 （南方冶金学院， 江西赣州“） 汪仁良 （江西铜业公司贵溪冶炼厂， 江西贵溪“2 （A2 B2C11; D E544;A6， /52F; “， 01526G1， H125） -*./ I2341526 （/;1G1 A， /;1G1 “;A JL4 DA MKKA D45C CJ4126 1C C ;K N5CL 2 KA512 L55 D KAL;M12 KAMCC ;C126 JL D 2;A54 2OAPQ ’ D5C1N141 52L C1JK41M1 D 1C JL 5A CO2 N C1J;3 4512 M54M;4512 OC AC;4C 5MMAL O1 KA5M1M54 L55 D KAL;M12 KAMCCQ 9A54 2OAPC； HKKA D45C CJ4126； 12 JL4 作者简介汪金良 （RS , ） ， 男， 江西人， 硕士研究生 问题的提出 闪速熔炼是一种新型强化冶炼技术， 它具有节 能、 减少环境污染两大显著特点， 适应现代可持续发 展的要求。但由于闪速炉结构复杂， 炉内物理化学 反应迅速， 属高温、 多相、 多组分反应， 难以用实验手 段来模拟熔炼过程， 因而借助数学和计算机技术来 模拟火法冶金过程的方法一直受到冶金工作者的重 视和关注 ［］ 。 目前， 我国铜闪速熔炼工业仍采用日本 7.5 ;,/1. “ 之间。本研究将初始步长定为 “， 在训 练过程中视情况对其进行调整， 具体做法是 若误差 * （,） * （, 0 ） ， 将步长乘以 ； 若 * （,） * （, 0 ） ， 则 将步长除以 。这样既保证了神经网络的稳定又保 持了其学习速度。 A仿真结果及分析 利用上述所确定的神经网络模型进行仿真实 验。其中， 在输入层和隐层各加了一个偏置节点， 其 输入值固定为 ； 各节点的输出函数采用 B2C82D 函 数， 此函数表达式为 E （F） ［ *FG（ 0 F） ］ 0 。 利用 组实际生产数据样本对网络训练后， 用另 组数据对网络模型效果进行了检验， 结果如 表 所示。 表 基于神经网络的铜闪速熔炼冰铜温度模型仿真数据与实际生产数据对照表 A“J;“;A““9; “;9“;“9;A“J“A9“A;9“A;9 “9“9;“9;A“A;““J;“;“A“AJ“AA;“9“9 9A;9“9““J9;J“AAJ“JAJA“9;A“AJ“AA;9“9A“A9A“;;“9A;“9A“;9A ;9“J“JAJ9“;AJA“ ;“9“J“;A9“AJ“9AJAJ“J“J 原始数据来自贵溪冶炼厂 从上表得知， 67 神经网络仿真计算与实际生产 冰铜温度的最大绝对误差为 “A9。神经网络输 出与实际生产数据吻合较好， 这说明基于神经网络 的冰铜温度模型能较为准确地反映生产实践。 9结语 基于神经网络初步建立了闪速炼铜温度模型， 模型仿真结果与工业实践值基本吻合， 表明应用神 经网络技术建立闪速炼铜过程优化控制模型是可行 的， 而且其建模方法简单易行。但尚待进一步考虑 铜精矿成分、 冰铜品位等因素对冰铜温度模型的影 响， 以及完善其模型结构并应用于过程优化控制。 参考文献 ［］K,，BLM2./2“NOP2322P8 .L3.P3L,254 *,Q**5 8L,,*，43LC L5D CL4*P4 G/L4*4 25 .GG* 48*3,25C“ H H R5*4 S R“TGG* S*,L33PCU 7L.,2.* L5D V/*U［S］ “ W5D5 X54,2,P,* E S2525C L5D S*,L3Y 3PCU“J9 ［］ 曾青云 “ 铜闪速熔炼操作数据的回归分析 ［R］ “ 有色金属 （冶炼 部分） ， A （9） A ［］ 李士勇 “ 模糊控制神经控制和智能控制论 ［S］ “ 哈尔滨 哈尔滨 工业大学出版社， ］ 张立明 “ 人工神经网络模型及其应用 ［S］ “ 上海 复旦大学出版 社， J A有色金属 （冶炼部分） 年 期 万方数据