高爐煉鐵作為最主要的煉鐵方法,其煉鐵工藝的改進(jìn)和煉鐵原理的研究受國(guó)內(nèi)外專家學(xué)者重視,其建模和控制一直是當(dāng)今冶金與自動(dòng)化領(lǐng)域的研究熱點(diǎn)。但是由于高爐內(nèi)部物理化學(xué)反應(yīng)復(fù)雜,各參數(shù)耦合嚴(yán)重,非線性成分較強(qiáng),高溫粉塵等惡劣環(huán)境導(dǎo)致測(cè)量設(shè)備失效等原因,高爐煉鐵過(guò)程的建模非常困難。此外,鐵水溫度、Si含量、S含量、P含量等多個(gè)鐵水質(zhì)量參數(shù)難以直接在線檢測(cè),其離線化驗(yàn)分析過(guò)程具有很大的滯后,質(zhì)量信息不能及時(shí)反饋,也影響高爐系統(tǒng)自動(dòng)控制的實(shí)現(xiàn)。因此實(shí)現(xiàn)鐵水質(zhì)量參數(shù)優(yōu)化控制,必須建立有效的多元鐵水質(zhì)量參數(shù)軟測(cè)量模型。針對(duì)上述問(wèn)題,本文依托國(guó)家自然科學(xué)基金重大項(xiàng)目“大型高爐高性能運(yùn)行控制的基礎(chǔ)理論與關(guān)鍵技術(shù)研究”,采用數(shù)據(jù)建模技術(shù),利用多輸出支持向量回歸算法建立多元鐵水質(zhì)量參數(shù)的軟測(cè)量模型,優(yōu)化模型結(jié)構(gòu)參數(shù),設(shè)計(jì)開(kāi)發(fā)軟測(cè)量系統(tǒng),實(shí)現(xiàn)鐵水質(zhì)量參數(shù)的在線連續(xù)估計(jì)。主要工作如下:(1)分析鐵水質(zhì)量參數(shù)檢測(cè)的現(xiàn)狀,針對(duì)機(jī)理建模難以準(zhǔn)確估計(jì)鐵水質(zhì)量參數(shù)的問(wèn)題,采用統(tǒng)計(jì)學(xué)習(xí)的方法進(jìn)行軟測(cè)量建模。依據(jù)高爐煉鐵過(guò)程的工藝機(jī)理,分析高爐參數(shù)之間的動(dòng)態(tài)耦合關(guān)系。(2)進(jìn)行數(shù)據(jù)預(yù)處理,構(gòu)造訓(xùn)練樣本,建立鐵水質(zhì)量參數(shù)的多維支持向...

【文章來(lái)源】： 東北大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：93 頁(yè)

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及研究意義
    1.2 鐵水質(zhì)量參數(shù)的常規(guī)測(cè)量現(xiàn)狀
        1.2.1 鐵水質(zhì)量參數(shù)的基本概念
        1.2.2 鐵水質(zhì)量參數(shù)檢測(cè)的重要性
        1.2.3 鐵水質(zhì)量參數(shù)的在線儀表測(cè)量
        1.2.4 鐵水質(zhì)量參數(shù)的離線化驗(yàn)分析
    1.3 鐵水質(zhì)量參數(shù)在線軟測(cè)量的必要性和現(xiàn)狀
        1.3.1 高爐煉鐵過(guò)程鐵水質(zhì)量控制的重要性和現(xiàn)狀
        1.3.2 進(jìn)行鐵水質(zhì)量軟測(cè)量研究的必要性
        1.3.3 軟測(cè)量技術(shù)及應(yīng)用概況
        1.3.4 高爐煉鐵過(guò)程鐵水質(zhì)量參數(shù)軟測(cè)量的國(guó)內(nèi)外研究現(xiàn)狀
    1.4 本文研究主要內(nèi)容與論文結(jié)構(gòu)
第2章 高爐煉鐵過(guò)程工藝及出鐵過(guò)程動(dòng)態(tài)特性分析
    2.1 引言
    2.2 高爐煉鐵過(guò)程工藝描述
    2.3 高爐出鐵過(guò)程描述
    2.4 高爐出鐵過(guò)程動(dòng)態(tài)特性分析
        2.4.1 高爐出鐵過(guò)程輸入輸出變量分析
        2.4.2 高爐出鐵過(guò)程動(dòng)態(tài)特性及建模復(fù)雜性分析
    2.5 本章小結(jié)
第3章 基于多輸出支持向量回歸機(jī)(M-SVR)的多元鐵水質(zhì)量軟測(cè)量建模
    3.1 引言
    3.2 支持向量機(jī)(SVM)的基本原理
        3.2.1 最優(yōu)分類超平面
        3.2.2 支持向量
        3.2.3 核函數(shù)
        3.2.4 支持向量機(jī)(SVM)的改進(jìn)和應(yīng)用
    3.3 軟測(cè)量訓(xùn)練樣本的獲取
    3.4 基于PCA的輔助變量約簡(jiǎn)
    3.5 基于M-SVR的多元鐵水質(zhì)量參數(shù)軟測(cè)量建模策略
    3.6 多輸出支持向量回歸(M-SVR)建模算法
        3.6.1 M-SVR的基本原理和優(yōu)化目標(biāo)
        3.6.2 M-SVR模型參數(shù)的優(yōu)化過(guò)程
        3.6.3 M-SVR模型結(jié)構(gòu)參數(shù)的確定
    3.7 仿真實(shí)驗(yàn)研究
        3.7.1 模型訓(xùn)練效果
        3.7.2 模型驗(yàn)證效果
        3.7.3 減少樣本量對(duì)模型驗(yàn)證效果的影響
    3.8 本章小結(jié)
第4章 基于多輸出模型綜合評(píng)價(jià)與遺傳優(yōu)化的多元鐵水質(zhì)量M-SVR建模
    4.1 引言
    4.2 遺傳算法的理論和應(yīng)用
        4.2.1 遺傳算法與生物進(jìn)化
        4.2.2 遺傳算法的特點(diǎn)
        4.2.3 遺傳算法的基本概念和步驟
    4.3 基于模型綜合評(píng)價(jià)與遺傳優(yōu)化的M-SVR建模策略
        4.3.1 多輸出模型綜合評(píng)價(jià)標(biāo)準(zhǔn)
        4.3.2 基于模型綜合評(píng)價(jià)與遺傳優(yōu)化的M-SVR建模策略
    4.4 基于多輸出模型綜合評(píng)價(jià)與遺傳參數(shù)優(yōu)化的M-SVR建模算法
        4.4.1 GA-MSVR結(jié)構(gòu)參數(shù)的初始種群范圍
        4.4.2 GA-MSVR結(jié)構(gòu)參數(shù)的尋優(yōu)
        4.4.3 GA-MSVR的建模與軟測(cè)量流程
    4.5 仿真實(shí)驗(yàn)研究
        4.5.1 優(yōu)化過(guò)程的參數(shù)變化情況
        4.5.2 GA-MSVR的模型軟測(cè)量效果和多輸出模型評(píng)價(jià)
    4.6 本章小結(jié)
第5章 鐵水質(zhì)量參數(shù)軟測(cè)量系統(tǒng)的開(kāi)發(fā)及應(yīng)用
    5.1 引言
    5.2 多元鐵水質(zhì)量參數(shù)軟測(cè)量系統(tǒng)的需求分析
        5.2.1 柳鋼2#高爐煉鐵過(guò)程的生產(chǎn)操作現(xiàn)狀
        5.2.2 柳鋼2#高爐多元鐵水質(zhì)量參數(shù)軟測(cè)量系統(tǒng)的需求
    5.3 柳鋼2#高爐多元鐵水質(zhì)量參數(shù)軟測(cè)量系統(tǒng)的設(shè)計(jì)
        5.3.1 系統(tǒng)軟件結(jié)構(gòu)的設(shè)計(jì)
        5.3.2 系統(tǒng)硬件結(jié)構(gòu)的設(shè)計(jì)
    5.4 柳鋼2#高爐多元鐵水質(zhì)量軟測(cè)量系統(tǒng)的開(kāi)發(fā)
        5.4.1 建模算法的開(kāi)發(fā)
        5.4.2 操作界面的開(kāi)發(fā)
        5.4.3 數(shù)據(jù)庫(kù)的開(kāi)發(fā)
    5.5 柳鋼2#高爐多元鐵水質(zhì)量軟測(cè)量系統(tǒng)現(xiàn)場(chǎng)的調(diào)試及運(yùn)行結(jié)果分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作
    6.2 工作展望
參考文獻(xiàn)
致謝
碩士期間主要工作


【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林算法的高爐鐵水硅質(zhì)量分?jǐn)?shù)預(yù)測(cè)模型 [J]. 王文慧,劉祥官,劉學(xué)藝.  冶金自動(dòng)化. 2014(05)
[2]基于種群多樣性評(píng)價(jià)的自適應(yīng)遺傳算法 [J]. 路景.  電子測(cè)試. 2014(04)
[3]多智能體粒子群優(yōu)化的SVR模型預(yù)測(cè)控制 [J]. 唐賢倫,李洋,李鵬,劉念慈.  控制與決策. 2014(04)
[4]基于支持向量機(jī)回歸的T-S模糊模型自組織算法及應(yīng)用 [J]. 梁炎明,蘇芳,李琦,劉丁.  自動(dòng)化學(xué)報(bào). 2013(12)
[5]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)觀測(cè)器的設(shè)計(jì)及應(yīng)用 [J]. 鐘斌,趙曉青,胡雪艷.  西安理工大學(xué)學(xué)報(bào). 2013(03)
[6]支持向量機(jī)在高爐鐵水溫度預(yù)測(cè)中的應(yīng)用 [J]. 崔桂梅,孫彤,張勇.  控制工程. 2013(05)
[7]Adaboost算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究 [J]. 李翔,朱全銀.  計(jì)算機(jī)工程與科學(xué). 2013(08)
[8]基于遺傳算法優(yōu)化的支持向量機(jī)品位插值模型 [J]. 李翠平,鄭瑤瑕,張佳,侯定勇.  北京科技大學(xué)學(xué)報(bào). 2013(07)
[9]基于主曲線的多輸入多輸出支持向量機(jī)算法 [J]. 毛文濤,趙勝杰,張俊娜.  計(jì)算機(jī)應(yīng)用. 2013(05)
[10]運(yùn)用SQL Server開(kāi)發(fā)軟件參照完整性實(shí)現(xiàn)方法 [J]. 劉艷春.  計(jì)算機(jī)技術(shù)與發(fā)展. 2013(06)



本文編號(hào)：3537492