创新设计与实践模板

精品文档---下载后可任意编辑 创新设计与实践 题目: 院系名称：电气工程学院专业班级： 学生姓名：学号： 指导老师：老师职称： 评语及成绩： 指导老师： 日 期： 精品文档---下载后可任意编辑 目录 1 课题简介1 课题讨论背景1 1.2 国内外讨论现状1 1.3 本课题讨论内容1 2 系统总体设计方案1 2.1 设计方案论证1 2.2 系统结构及主要参数确定2 3 软硬件电路设计与调试3 3.1 硬件电路设计4 3.1.1 基本原理4 3.2 软件电路设计5 3.3 软硬件电路调试5 3.4 调试结果分析5 结论13 参考文献14 附录115 精品文档---下载后可任意编辑 1课题简介 1.2国内外讨论现状 1.3本课题讨论内容 本文讨论的内容主要是建立一个烧结混合料制粒粒度分布预测模型，并确定混合制粒的最佳湿度，进而提高制粒效果，达到强化烧结的效果。讨论的内容包括：查阅有关的资料，结合前人制粒实验数据，确定能够表征烧结混合料制粒特征的参数；采纳神经网络建立铁矿石制粒效果预测模型，其输入参数为混合料的制粒特征参数，输出得到混合料的制粒效果，并找到合适的操作参数，利用前人实验数据对模型进行训练和验证。 2系统总体设计方案 2.1 设计方案论证 根据国外的讨论现状，数学建模方法有基于制粒机理的数学推导和基于数据驱动的拟合计算。 预测制粒粒度分布，首先要确定对制粒起决定性作用的因素。铁矿石的物理特性包括的参数较多，难以全部作为模型的输入。有必要找出决定性因素或找到一个包含主要影响因素的表征参量。预测模型必须包含原料制粒特性的信息，才能对原料性能进行聚类分析。目前国外的建模讨论，主要是以原料粒度分布，加水量为模型输入。 文献中记载的制粒模型，几乎没有涉及到操作参数的变化。往往是以工艺参数为恒定值，通过改变原料条件对制粒效果进行讨论。这样简化了模型的输入，有利于建模讨论的进行。但是假如要将预报模型结合到实际生产中，用以指导生产实践的进行，应包括操作参数的调整，以期得到最佳制粒效果。 混料粒度分布将作为模型的输出参量。 2.2 系统结构及主要参数确定 图 2.1 铁矿石原料吸水示意图 为了使水份能吸入铁矿石粉中而铁矿石粉又不掉落，采纳底部方有滤纸和滤网的圆柱事故那来装铁矿石试验装置如图 2.2 所示： 图 2.2 湿容量测量装置 测量装置由 U 型水糟，电子天平和试样管(直径为 56mm)组成。测量步骤： ①把天平读数清零，然后在试管内装入200g 铁矿粉，把装有铁矿粉的试管挂到天平上，并浸入水槽2mm中，等到电子天平的读数稳定之后，把试样管取出来。 ②把装有已经饱和铁矿粉的试样管脱离水面，方在天平上并清零；然后把试样管再一次浸入水中，调节 U 型水槽的水面，使挂有浸渍在水中的试管的天平的读数变成零。这佯作是为了消除水的浮力和表面张力对测量的影响。 ③ U 型水位不变，倒去试管中的铁矿粉，把试管洗净并擦干，然后装入待测铁矿粉 200g 。 ④将试样管放在天平上并给天平清零。 ⑤然后试样管挂在天平上，使其下部接触水面，等到天平读数稳定时，测得值即为饱和水的质量。 3 软硬件电路设计与调试 如今又两种方法来建立烧结混合制粒粒度分布预测模型，一种是依据制粒机理建立数学推导，一个是依据数学驱动来进行拟合运算。两种方法相比有着优劣，前者在铁矿石烧结体的混合物造粒过程中，许多因素会影响造粒效果，水分含量，物化成分，粒径，表面形貌等都会对造粒效果产生影响。因此，依据制粒机理建立数学推导结果的精度和范围都会受到较大的限制。而后者是和非线性关系的。 不知道变量是线性或非线性的复杂的机制中，人工神经网络预测模型就有更突出的地方。它是基于输入和输出变量中的网络对应，无论多么复杂的关系，它们之间的数学关系为一个黑盒子的过程中，可以得到一个通过学习网络的映射。 人工神经网络在处理复杂的非线性问题上有很大优势，说以本文使用人工神经网络来建立预测模型。 3.1 硬件电路设计 基本原理 人工神经网络是依据人类的大脑和他的活动来建立的一个数学模型,其中包括了大量的处理单元互联通过适当的组合,是一个大型的非线性自适应系统。 图 3.1 是生物神经网络的示意图，有了神经元，生物的神经网络系统就可以接受、处理和传递信号。 图3.1 神经网络结构示意图 因此本文的讨论对象是烧结混合造粒特性造粒效果之间的关系的数学神经网络的这个工具发现两者之间的关系的非线性映射。它的决定，以确定制粒烧结混合物属性和粒化效果的具体的变量是在该模型基础。 软件电路设计 由造粒机制烧结混合物，在一定条件下的造粒设备和操作条件中的许多因素的影响造粒效果，主要的影响因素是烧结混合物的性质，包括材料的料度点，保湿能力和微观结构和其他因素。 粒径分布的粒化机理的影响的讨论已经描述了，三个最大的分数的影响<0.2 0.2毫米和0.2毫米，0.7毫米的三个。是坏的材料，造粒的效果是使粒化后的小粒径大于3mm的颗粒实际上是小于3毫米的磁导率材料层。三粒度细分他们，因为他们是在制粒过程中，从小到大的作用大小不同，分别是胶粉难以造粒颗粒的成核和粒子在中间。这些都是重要的因素，影响造粒效果非常清楚，它们作为模型的输入参数。 等于颗粒形貌，孔隙率，比表面积，难以精确测量和定量因素也影响造粒效果，本讨论提出的材料的保湿能力这一概念，以及包含这些因素。其实，化学组成和颗粒大小的影响，包括在湿能力，以提高预测精度的粒化效果，使用该模型作为输入参数的湿容量。 汽缸组合机的过程中的移动设备的参数，如长度和直径是恒定的，速度，填充速率和操作参数，如粒化时间是相对稳定的。加入的水，然而，这个操作参数是难以稳定的，不同的材料，因为不同的湿容量，需要适当的水含量是不同的。这已经决定，对物料含水率可能不是常数。造粒的效果是由粒化性能和水的混合物中的内容和功能决定的，因此水含量必须是作为预测模型的输入参数。 软硬件电路调试 3.4 调试结果分析 目前已进展出的神经网络模型有上百种，常用的神经网络只有十几种，最常用的模型是基于 BP 算法的多层感知器模型。在实际应用中，80%～90%的人工神经网络模型是采纳误差反传算法或其变化形式的网络模型（简称 BP 网络），其具有自学习、自组织、较好的容错性和优良的非线性逼近能力。 Hornik 等早已证明，理论上含一个隐层的反向传播前馈网络能够以任意精度逼近任何有理函数。基于此，本文采纳三层前馈网络网络基本神经网络，如图4.1 所示。它由输入层、隐含层和输出层组成，各层之间实行全连接，层内神经元之间无连接。 图4.1 三层BP神经网络结构图 BP 算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得