摘要：喷煤量调节是回转窑内各段温度控制的主要途径和手段，但由于回转窑内球团的煅烧过程具有非线性、时滞性、多变量和不确定性等特点，该部分温度难以有效控制。本文构建一种基于粒子群算法优化BP神经网络(PSO-BP)的回转窑喷煤量预测模型，通过仿真试验对比喷煤量的预测值与实际值，分析误差和辨识模型的拟合效果。结果表明:PSO-BP神经网络预测模型的精度优于原始BP神经网络，具有较高的寻优效率，总体拟合效果较好，其线性拟合度约为0.95，绝对误差约为0.09t/h，相对误差约为2.4%。基于PSO-BP神经网络模型预测预热段的温度平均相对误差为0.8%，总体平均温度波动在±10℃以内，说明构建的回转窑喷煤量预测模型准确可靠且适用性强，将建立的神经网络作为前馈控制模块与传统的PID控制相结合构成预热段温度自动控制系统，可实现回转窑温度场稳定控制。 关键词：回转窑;球团;粒子群算法;BP神经网络;喷煤量;温度控制 下载高清全文—基于PSO-BP神经网络的回转窑喷煤量预测.pdf