基于极限学习机的转炉炼钢终点预测模型研究
发布时间:2020-05-30 23:18
【摘要】:转炉炼钢是目前世界上炼钢的主要方法,主要任务是冶炼出温度、成分均合乎钢种要求的钢水,其中对转炉的终点控制是关键技术。提高终点控制的准确性能够有效降低生产成本,提高效益。我国目前依然存在大量的自动控制水平较低的小型炼钢厂,受到多方面限制,还在依靠人工经验和静态控制指导生产。针对这一问题,结合神经网络和静态控制建立模型来提高对转炉终点碳温预测的精度,从而达到对转炉炼钢终点的控制。在充分阅读国内外转炉终点控制领域的相关文献的基础上,介绍目前国内外的研究现状和成果。深入分析了转炉炼钢机理模型,根据冶炼目标要求和原料成分,利用热平衡和物料平衡,计算出入炉前的原料配比。基于历史数据建立预测模型是静态控制的核心,根据采集的原始数据,对数据进行预处理.包括剔除异常值,归一化,采用灰色关联分析相关参量与终点碳温的相关度。取关联度较大的参量作为模型的输入。基于样本数据,建立BP神经网络预测模型,针对BP模型基于梯度下降迭代调整权值而的缺陷,采用粒子群算法对网络的初始权值和阈值进行优化,来避免网络陷入局部最优和反复的迭代,提高模型的预测精度。建立ELM预测模型,ELM采用的是随机隐藏层初始权值和阈值的做法,通过解析计算来求得输出权值。针对网络结构冗余泛化能力不够的缺陷,融合粒子群算法和差分进化算法,对ELM模型随机的隐藏层初始权值和阈值进行寻优,以提高模型的泛化能力和预测精度。采用某炼钢厂中采集的60组实际炼钢生产数据作为样本,对几种模型进行仿真校验,横向对比优化前后各模型的预测精度,对结果综合进行总结,纵向分析模型优化前后的性能参数和预测结果,最后综合得出结论。
【图文】:
第二章 转炉炼钢工艺制度流程和机理模型称之为脱氧;同时加入的合金元素还使钢水达到出钢要求;这一过程称之为脱氧合金化。2.3 转炉炼钢的工艺流程转炉炼钢周期一般为 30分钟左右,吹炼过程占其中近一半时间。通常从上一炉倒渣完毕到下一炉倒渣结束为一个周期。图 2.1为转炉炼钢工艺流程:
在技术判别无法决定,应根据数理统计判别方法,决不能凭个人主观直觉对数据进行剔除,这样建立的预测模型实际效果将受到影响,无法在实践中应用。常见的数理统计判断准则有以下几条:拉依达准则[27],格罗布斯准则[28],狄克松准则[29]等等。这些准则都有各自的特点,,本文的原始数据容量较大,仅拉依达准则较为合适,但拉依达准则本身会受到异常值的影响,若异常值变化波动范围较大,均值就不能客观的反映数据特征,处理结果会受到较大影响。所以采用基于总体参数的总括值[30]法对数据进行处理。总括值法是基于数据排序和评秩运算从数据集中系统的提取的统计值,对数据没有任何限制性要求,只是直观的表达数据形状的真实面貌,它对异常值的判断是基于四分位数和四分位距,少部分数据变化波动范围较大,对结果的改变也是轻微的。相比于拉依达准则,对于不良数据的耐抗性更强。这五种总括值分别为上四分数,中位数,下四分数,最大值,最小值。通常采用箱型图来对数据进行分析处理,这种方式直观明了。总括值的箱型图 3.11如下:
【学位授予单位】:南昌大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TF713
本文编号:2688879
【图文】:
第二章 转炉炼钢工艺制度流程和机理模型称之为脱氧;同时加入的合金元素还使钢水达到出钢要求;这一过程称之为脱氧合金化。2.3 转炉炼钢的工艺流程转炉炼钢周期一般为 30分钟左右,吹炼过程占其中近一半时间。通常从上一炉倒渣完毕到下一炉倒渣结束为一个周期。图 2.1为转炉炼钢工艺流程:
在技术判别无法决定,应根据数理统计判别方法,决不能凭个人主观直觉对数据进行剔除,这样建立的预测模型实际效果将受到影响,无法在实践中应用。常见的数理统计判断准则有以下几条:拉依达准则[27],格罗布斯准则[28],狄克松准则[29]等等。这些准则都有各自的特点,,本文的原始数据容量较大,仅拉依达准则较为合适,但拉依达准则本身会受到异常值的影响,若异常值变化波动范围较大,均值就不能客观的反映数据特征,处理结果会受到较大影响。所以采用基于总体参数的总括值[30]法对数据进行处理。总括值法是基于数据排序和评秩运算从数据集中系统的提取的统计值,对数据没有任何限制性要求,只是直观的表达数据形状的真实面貌,它对异常值的判断是基于四分位数和四分位距,少部分数据变化波动范围较大,对结果的改变也是轻微的。相比于拉依达准则,对于不良数据的耐抗性更强。这五种总括值分别为上四分数,中位数,下四分数,最大值,最小值。通常采用箱型图来对数据进行分析处理,这种方式直观明了。总括值的箱型图 3.11如下:
【学位授予单位】:南昌大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TF713
【参考文献】
相关期刊论文 前10条
1 王崇刚;;如何运用神经网络开展计算机网络的安全性评估[J];科技展望;2015年27期
2 阮飞;赵凤光;富晓阳;刘卓承;揭畅;;转炉炼钢物料平衡热量平衡通用计算软件开发及应用[J];工业加热;2015年04期
3 吕忠;周强;周琨;陈立;申双葵;;基于遗传算法改进极限学习机的变压器故障诊断[J];高压电器;2015年08期
4 石艳;黄亚纯;曾维友;刘志强;;转炉炼钢动态控制模型研究与工程应用[J];矿冶工程;2014年04期
5 王领;;基于铁碳合金相图的碳钢锻造性能分析研究[J];湖南农机;2014年05期
6 丁硕;常晓恒;巫庆辉;杨友林;;数值优化改进的BP神经网络逼近性能对比研究[J];山东科学;2014年01期
7 刘超;;转炉炼钢终点控制技术研究及应用[J];特钢技术;2013年03期
8 黄贤源;翟国君;隋立芬;黄谟涛;欧阳永忠;柴洪洲;;LS-SVM算法中优化训练样本对测深异常值剔除的影响[J];测绘学报;2011年01期
9 赵晓东;徐生林;杨成忠;;转炉炼钢多变量神经网络预报模型[J];化工学报;2010年08期
10 李彬;李贻斌;荣学文;;ELM-RBF神经网络的智能优化策略[J];山东大学学报(理学版);2010年05期
本文编号:2688879
本文链接:https://www.wllwen.com/projectlw/yjlw/2688879.html