基于改进粒子群算法和支持向量机的高炉炉温预测建模研究

发布时间：2020-07-23 19:01

【摘要】：复杂工业系统中的建模优化问题通常无法采用经典数学模型来刻画,人工智能是解决这类问题的有效途径。在大型高炉炼铁系统中,高炉炉温是衡量高炉顺行与否、指导高炉长确定控制策略的重要性能指标,本文针对高炉炉温的预测展开研究,将炉温预测问题转化为铁水硅含量的预测,将粒子群算法改进并验证其效果后,应用于高炉铁水硅含量的支持向量机预测模型中,建立铁水硅含量预测的支持向量机单模型和支持向量机多模型。本文的研究内容具有理论意义和实际应用价值,主要内容描述如下:首先,针对粒子群优化算法的不足,提出了改进的粒子群优化算法DMS-PSO-CLS,DMS-PSO-CLS是基于动态多群粒子群进行的改进,在动态多群粒子群的基础上提出一种新的合作学习策略,该合作学习策略用于在重组周期到来之前对子群之间进行信息交换,所有子群之间便可以进行更多的信息交流,粒子群的探测能力(全局搜索能力)和开发能力(局部搜索能力)便可以得到更好的均衡。仿真实验采用了18个测试函数,并将DMS-PSO-CLS的优化效果与其他已有的六种改进粒子群优化算法进行比较,实验验证了本文对粒子群算法的改进取得了显著的效果。然后,基于改进的粒子群优化算法建立高炉铁水硅含量预测的单模型,将改进的粒子群算法用于支持向量机中的惩罚因子和核函数参数优化上,把所得优化模型用于铁水硅含量的预测,建立铁水硅含量预测的单模型。实验得出基于改进粒子群优化算法的支持向量机单模型有更好的预测效果。最后,基于改进的粒子群优化算法建立高炉铁水硅含量预测的多模型,考虑到高炉系统的多工况特性,利用聚类算法对高炉数据集分类,每一类近似为一个工况,对每一类分别建立相应的支持向量机预测模型,最终建立高炉铁水硅含量预测的多模型。通过对两种模型的实验比较得出改进粒子群优化算法支持向量机多模型有更好的预测效果,与此同时,得出将高炉机理与数据相结合建立的高炉炉温多模型预测效果更好。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TF53;TP18
【图文】：

均匀分布,高炉

维机理模型力学的一维模型最早于 20 世纪 60 年代被提出，向动态模型的转变。第一个严格意义上的高炉一日本名古屋大学工学部鞭严教授于 60 年代末研发、最成功的一个，通过对高炉内部化学反应动力给出了高炉内部的温度、压力等变量沿高炉轴向径向上均匀分布，并假设一些过程参数为常数。和操作高炉的取样分析证明了高炉径向上的气体都是非常不均匀的，但基于过程参数在径向上均数学模型，在模拟高炉运行状态、分析可控量对等性能指标的影响、指导高炉长确定控制策略等动态模型为分析高炉内部动态特性而发展起来，：用于研究矿焦比和喷油量变化的影响的 Fielde

高炉结构

第 2 章高炉冶炼工艺机理及相关变量分析第 2 章高炉冶炼工艺机理及相关变量分析炉是一个高温、高压、密闭的反应器，具有复杂的多时空尺，大时滞、非均一、非稳态、非平衡、强非线性等特征，为炼和清洁生产，建立更加贴合实际的高炉模型，必须深入分，将高炉机理信息更多地融入基于数据驱动的高炉预测模型的冶炼工艺机理，并对炼铁过程中的主要状态变量和控制变冶炼的工艺机理铁是一个机理复杂的冶炼过程，高炉的结构如图 2-1 所示：

函数图,二维,参数设置,算法

e)9f f)10f图 3-45f ~10f 在二维情况下三维函数图3.5.2 参数设置本节将对 DMS-PSO-CLS 和其他六种改进 PSO 的参数进行设置，这六种改进的PSO 算法都是比较具有代表性的常用对比算法。参数都保持其所在原始参考文献中的设置，见表 3-2：表 3-2 参数设置算法参数设置参考文献GPSO1 2 maxw : 0.9 ~ 0.4, c = c = 2.0, v=0.4[61]PSO-cf1 2 maxc = 3.0, c = 2.0, v=0.4[80]CLPSO1 2 maxw : 0.9 ~ 0.4, c = c = 1.49445, v = 0.4, Refreshing gap=7[66]SPSO1 2 max1: , 0.5 log 2, 0.42 log 2w c = c = + v= [92]

【参考文献】