数据挖掘在高炉铁水质量预测中的应用

发布时间：2021-06-14 13:24

　　铁水质量的优劣不仅对铸铁的强度、韧性、冶炼成本、使用寿命有很大影响,还对用户的使用满意度有直接影响。铁水中硫（S）含量和硅（Si）含量是衡量铁水质量的主要指标。预测高炉铁水硫含量,能协助生产人员及时采取措施,防止出现铁水中硫含量过高的情况。降低铁水硅含量,可以提高产量,进而降低原料消耗。因此在出铁前精准获取铁水中的S含量和Si含量具有非常重要的意义。本文主要研究内容包括:（1）对山西某铸造集团公司已有的近三年的高纯生铁生产数据进行探索分析,并对数据集中的空值和异常值进行预处理,运用主成分分析法对特征集进行降维处理,得到对特征集有90%以上贡献率的12个主成分,在此基础上消除了特征集中变量之间的复杂相关性。（2）采用数据挖掘技术中的最小二乘支持向量机（LS-SVM）方法、BP神经网络（BPNN）方法、分类与回归树（CART）方法构建了铁水中S含量和Si含量的预测模型,通过对以上三种模型预测结果及预测误差的比较分析得出结论:在铁水中S含量和Si含量的预测方面,分类与回归树预测模型的综合性能优于最小二乘支持向量模型和BP神经网络模型。（3）利用最优化原理,以入炉配料成本为目标函数,出铁量、入... 

【文章来源】：西安建筑科技大学陕西省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

(a~b)变量空值百分比柱状图

(a~c)所有变量的箱体图

西安建筑科技大学硕士学位论文11（c）图2.3(a~c)变量z1~z27的柱状分布图从图2.3中可以看出，每个特征变量的分布都比较分散，由此得出结论，不同特征对于样本有比较好的区分效果。数据关联可视化对分析哪些变量更有效具有更直观的效果，有利于进行变量筛眩特征变量之间的相关性强度图如图2.4所示。图2.4变量相关性强度图从图2.4中最右边的图例可以看出特征集中每个变量与它本身的相关性最强，强度为1，不同变量之间存在强度不同的相关性。这种不同变量间的复杂相关性显著增加了分析问题的复杂度。本文采用主成分分析法对特征集进行降维处理，消除变量之间的复杂相关关系，进而使其转换成相互独立的变量。

【参考文献】：
期刊论文
[1]基于CART算法的长江口鱼种丰富度预测[J]. 戴黎斌,陈锦辉,田思泉,高春霞,王家启,杜晓雪,王学昉.  中国水产科学. 2018(05)
[2]基于机器视觉的香梨雌雄自动识别方法[J]. 李亚硕,祁雁楠,吕程序,毛文华,周丽萍,赵博.  农业工程. 2018(07)
[3]基于Spark平台的考勤数据决策树回归分析[J]. 冯晓龙,高静.  内蒙古工业大学学报(自然科学版). 2018(02)
[4]基于有动量和自适应lr梯度下降法BP神经网络的城市用电量预测技术[J]. 邓子云.  江苏科技信息. 2018(03)
[5]改进共轭梯度算法在矿井瓦斯含量预测中的应用[J]. 魏松,任贺龙.  应用泛函分析学报. 2017(02)
[6]基于主成分分析的高炉操作炉型评价[J]. 闫炳基,张建良,国宏伟,曹英杰.  东北大学学报(自然科学版). 2015(07)
[7]基于数据的高炉铁水硅含量预测[J]. 尹菊萍,蒋朝辉.  有色冶金设计与研究. 2015(03)
[8]基于神经网络的高炉铁水硅和硫含量预报模型[J]. 于卓颖,郑涛.  河北冶金. 2015(03)
[9]BP神经网络在高炉铁水硅预报中的应用[J]. 高绪东.  中国冶金. 2014(06)
[10]基于BP神经网络的数字图像修复[J]. 贺文熙,叶坤涛.  江西理工大学学报. 2014(01)

硕士论文
[1]基于Cart树和Boosting算法的股票预测模型[D]. 王禹.哈尔滨理工大学 2018
[2]基于统计过程控制的大型高炉铁水质量控制[D]. 刘文文.上海交通大学 2015
[3]基于数据挖掘的高炉异常炉况分析[D]. 任盛怡.重庆大学 2009



本文编号：3229922