基于AdaBoost与SVM集成算法的高炉炉温状态解析

发布时间：2020-09-24 21:08

　　钢铁行业的发展是我国GDP发展的重要参考标准之一,其中高炉炼铁过程是钢铁企业的重要流程,高炉炼铁过程无论是对我国大型钢铁企业的发展还是对资源环境能源的控制都有着举足轻重的作用。高炉炉温状态是反映高炉炉况的重要指标,炉温产生剧烈的变化会导致高炉状态出现异常,从而影响生铁的生产质量。因此,有效的控制高炉炉温使其保持在一个合理的范围内在实际炼铁过程中具有重要意义。在实际研究中,由于炉温测量比较困难,而高炉铁水硅含量长期以来作为国内外研究学者研究炉温状态的一个重要因子,因此,通常测量高炉系统中的铁水硅含量来代替高炉炉温进行研究分析。建立精确的铁水硅含量预测数学模型,无论是指导高炉操控人员进行炉温控制,是对钢铁企业经济效益的发展,还是对如何控制燃料进行节能减排都具有重大的参考价值和实际意义。本文在前人对高炉炉温状态研究的基础之上,引入AdaBoost与支持向量机(SVM)两种统计方法作为本文研究的主要工具,选取包头钢铁集团和莱芜钢铁集团两个钢铁公司(以下简称包钢和莱钢)的高炉生产数据作为研究对象,其中包头钢铁集团高炉数据840份,莱芜钢铁集团高炉数据800份。将这些数据进行归一化处理,通过MATLAB中的LIBSVM包对数据进行仿真模拟,通过AdaBoost算法调整样本数据权重,由此建立基于AdaBoost与支持向量机(SVM)的集成算法对高炉炉温状态进行分析研究,分别对高炉铁水硅含量进行分类预测以及回归预测。铁水硅分类问题通过建立G-mean以及分类精度两个指标进行模型评价,而回归问题通过建立命中率指标进行模型评价,分析得出集成算法的优劣。本文选择原始支持向量机算法(SVM),加权支持向量机算法(W-SVM)以及集成算法三种算法进行实证分析比较,实验结果显示,针对铁水硅含量分类问题,包钢高炉中集成算法的分类精度(79.3%),相比较原始SVM算法的分类精度(78.6%)和加权支持向量机(W-SVM)的分类精度(79.0%)都有小幅度的提升;莱钢高炉中集成算法的分类精度(79.2%),相比较原始SVM算法的分类精度(62.0%)有大幅度提升,相比较W-SVM算法的分类精度(78.6%)有小幅度提升,说明在进行铁水硅含量分类研究时,集成算法的分类效果较好,具有一定的研究价值。而针对铁水硅含量回归问题,包钢高炉中集成算法的预测命中率(61.0%),相比较于原始SVM算法的命中率(66.9%)以及W-SVM算法的命中率(61.4%)都略有小幅度下滑;莱钢高炉中集成算法的命中率(63.6%)相比较于原始SVM算法(66.8%)以及W-SVM算法(64.8%)都有小幅度下降。说明集成算法预测铁水硅含量效果较差,有待寻找新型算法提升模型预测精度。
【学位单位】：江西财经大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP181;TF543
【部分图文】：

圆点,斜线,超平面,线性支持向量机

图 1 线性支持向量机划分中，中间斜线代表超平面，斜线上方和下方的圆点表示两类不同的圆点的样本标签为-1，下方圆点为+1。超平面用ωTx+b=0 这条直线超平面的法向量，b 是截距。除此之外，直线 L1:ωTx+b=1 和直

铁水硅含量,训练集,测试集,模型拟合

`图 2 基于时间序列的铁水硅含量针对于不同变量之间存在的量纲差异，需要对输入变量进行归一化处理(2)，这样模型的预测才会更有价值。对于 SVM 算法本身而言，样本可以训练集，验证集和测试集三个独立的部分。训练集是用于模型拟合的数据

聚类算法,硅含量,高炉,占比

-means聚类算法分析硅含量状态的分布

【参考文献】