高炉铁水硅含量预测模型的研究

发布时间：2022-11-04 22:19

　　钢铁冶炼中最重要的生产环节就是高炉炼铁,其内部变量分布复杂、大量的物理化学反应以及结构的封闭性,导致操作人员对高炉炉温的直接测量有很大困难。而生产过程中,高炉炉温的变化可以间接用铁水硅含量的变化来表示。因此,建立准确可靠的高炉铁水硅含量预测模型对调控高炉炉温,保证高炉的顺利运行至关重要。首先,对高炉炼铁进行了介绍,以便建立更加贴近高炉生产实际的模型。根据专家经验以及灰色关联分析法选择与铁水硅含量相关性较大的7个变量作为模型的输入变量,并对所收集的数据进行预处理,为模型的建立打下基础。其次,针对极限学习机在进行铁水硅含量预测时随机生成输入层权值和隐含层阈值,易导致模型存在预测精度下降以及过拟合等问题,引入遗传算法对其进行优化。通过仿真实验结果进行对比分析,改进后的预测模型比单一的极限学习机预测模型的预测精度略有提升。在此基础上,将粒子群算法和遗传算法相结合,以粒子群算法为主,遗传算法为辅,形成了PSO-GA算法。该方法融合了两种算法各自的优点,建立了基于PSO-GA-ELM的高炉铁水硅含量预测模型,仿真结果验证了该模型的有效性。图19幅;表4个;参50篇。 

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
引言
第1章 绪论
    1.1 课题的研究背景及意义
    1.2 国内外研究现状
        1.2.1 现有的主要研究方法
        1.2.2 基于极限学习机的高炉铁水硅含量预测模型的研究现状
    1.3 论文的主要研究内容
第2章 相关背景
    2.1 高炉炼铁
        2.1.1 高炉炼铁系统
        2.1.2 高炉内部分区
        2.1.3 高炉炼铁工艺流程
        2.1.4 高炉炼铁过程中发生的主要化学反应
    2.2 高炉铁水中的硅元素
        2.2.1 生铁中的硅含量
        2.2.2 硅的还原规律
        2.2.3 硅的还原途径
    2.3 本章小结
第3章 模型输入变量的选择和数据预处理
    3.1 数据的采集
    3.2 模型输入变量的选择
        3.2.1 基于经验的选择
        3.2.2 基于灰色关联分析法的选择
    3.3 数据的预处理
        3.3.1 数据异常值的处理
        3.3.2 数据缺损值的处理
        3.3.3 数据归一化处理
    3.4 模型的评价指标
    3.5 本章小结
第4章 基于改进极限学习机的高炉铁水硅含量预测
    4.1 极限学习机
    4.2 遗传算法
    4.3 遗传算法优化极限学习机
    4.4 实例仿真
    4.5 本章小结
第5章 粒子群算法在高炉铁水硅含量预测中的应用
    5.1 粒子群算法
        5.1.1 粒子群算法基本原理
        5.1.2 粒子群算法的构成要素
    5.2 粒子群算法与遗传算法结合
    5.3 PSO-GA-ELM模型的建立
    5.4 实例仿真
    5.5 本章小结
结论
参考文献
致谢
导师简介
企业导师简介
作者简介
学位论文数据集



本文编号：3701434