基于粒子群-极限学习机的高炉铁水硅含量预测研究
发布时间：2021-04-18 01:35
在高炉冶炼过程中,合理的炉温是保持高炉生产稳定顺行的关键因素之一。由于高炉冶炼过程的复杂性及受当前技术水平的限制,难以精确掌握炉内的温度,因此炉温的预测技术对高炉运行具有重要意义。在高炉炼铁过程中,通常以铁水硅含量来表征高炉热状态,建立可靠的铁水硅含量预报模型对高炉操作人员具有重要的指导意义且具有重要的理论研究价值。本课题选用高炉铁水硅含量对炉温进行间接预测,主要工作包括:（1）针对硅含量预测效率和精度不足的问题,提出主成分分析（PCA）和粒子群（PSO）改进的极限学习机（ELM）相结合的方法对高炉铁水硅含量进行预测。由于影响铁水硅含量的因素众多,且各因素之间相互影响,通过主成分分析对影响硅含量的输入变量进行降维处理;利用粒子群算法来优化极限学习机的权值和阈值,并以均方根误差作为适应度函数建立预测模型。将提取出的主成分作为模型输入,铁水硅含量作为模型输出。最后比较了极限学习机算法和粒子群改进的极限学习机,实验结果表明改进后的预测模型提高了硅含量预测的准确度,该方法可为高炉的生产操作提供一种新的思路和方法。（2）在Qt平台下,结合VTK图形可视化工具包,开发了高炉三维可视化系统。该系统不...
【文章来源】：安徽工业大学安徽省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
高炉数据采集示意图
度、重量、炉底温度以及铁水成分的检测仪器。检测到的数据传送并存储在给上位机上，此外，还有一部分人工测量并记录的数据，主要通过计算过程或者化验得到的。图2.2为高炉的数据采集过程。图2.2 高炉数据采集过程2.2 数据处理的必要性高炉数据采集具有以下特点：(1)数据量大。高炉冶炼是一个连续不断的过程，各种检测仪器以及上位机对数据的采样也是不间断的，这将形成大量的数据，对数据的分析产生了较大的难度。(2)采样周期不同。由于各种参数采用不同的检测手段，这将导致采样周期不尽相同，有的变量以炉次为单位，例如铁水中的硅含量、硫含量等化学成分；有的变量是以小时为单位，例如冷风流量、透气性指数等。(3)多尺度。高炉上分布着各种各样的传感器，检测信息有流量、压力、温度等，这些采集到的数据虽然有着不同的类别，但是它们之间可能存在着密切的关联。(4)外界影响大。高炉内部和外部的环境相当恶劣
大致为一个椭圆形状的点阵（这在变量的二维正态的假定下是可能的），如图2.3 所示。图2.3 主成分几何解释图由图可见，这 个样本点无论在1X 轴方向和2X 轴方向上离散性均较大，其
【参考文献】：
期刊论文
[1]基于粒子群神经网络的高炉炉温预测[J]. 刘景艳,张伟. 电子测量技术. 2018(03)
[2]主成分分析结合极限学习机的高炉炉温预测模型[J]. 袁冬芳,曹富军,李德荣. 内蒙古科技大学学报. 2017(04)
[3]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩. 化工学报. 2018(03)
[4]基于复合差分进化算法与极限学习机的高炉铁水硅含量预报[J]. 蒋朝辉,尹菊萍,桂卫华,阳春华. 控制理论与应用. 2016(08)
[5]基于核函数的加权极限学习机污水处理在线故障诊断[J]. 许玉格,邓文凯,陈立定. 化工学报. 2016(09)
[6]基于Bootstrap的高炉铁水硅含量二维预报[J]. 蒋朝辉,董梦林,桂卫华,阳春华,谢永芳. 自动化学报. 2016(05)
[7]改进型EMD-Elman神经网络在铁水硅含量预测中的应用[J]. 宋菁华,杨春节,周哲,刘文辉,马淑艳. 化工学报. 2016(03)
[8]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)
[9]高炉铁水温度的多元时间序列建模和预测[J]. 崔桂梅,李静,张勇,卢俊慧,马祥. 钢铁研究学报. 2014(04)
[10]粒子群优化算法种群规模的选择[J]. 张雯雰,王刚,朱朝晖,肖娟. 计算机系统应用. 2010(05)
博士论文
[1]极限学习机算法及其在高炉冶炼过程建模中的应用研究[D]. 刘学艺.浙江大学 2013
硕士论文
[1]基于VTK的三维流场可视化算法设计与实现[D]. 徐志敬.哈尔滨工业大学 2018
[2]基于神经网络的高炉铁水硅含量建模[D]. 杨坤.燕山大学 2016
[3]基于支持向量机的高炉铁水硅含量预测[D]. 马淑艳.浙江大学 2016
[4]基于VTK的工业图像三维可视化技术研究[D]. 吕金坤.中北大学 2013
[5]基于偏最小二乘的高炉铁水硅含量预测研究[D]. 祁鹏.内蒙古科技大学 2010
[6]支持向量机在高炉炉温预报中的应用及若干改进[D]. 陈逸波.浙江大学 2010
[7]基于VTK的可视化技术研究与实现[D]. 石玉.西安建筑科技大学 2009
[8]基于VTK的地质体真三维可视化原理和方法初探[D]. 王燕红.中南大学 2009
[9]支持向量机在高炉炉温预报中的应用[D]. 渐令.浙江大学 2006
本文编号：3144538
【文章来源】：安徽工业大学安徽省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
高炉数据采集示意图
度、重量、炉底温度以及铁水成分的检测仪器。检测到的数据传送并存储在给上位机上，此外，还有一部分人工测量并记录的数据，主要通过计算过程或者化验得到的。图2.2为高炉的数据采集过程。图2.2 高炉数据采集过程2.2 数据处理的必要性高炉数据采集具有以下特点：(1)数据量大。高炉冶炼是一个连续不断的过程，各种检测仪器以及上位机对数据的采样也是不间断的，这将形成大量的数据，对数据的分析产生了较大的难度。(2)采样周期不同。由于各种参数采用不同的检测手段，这将导致采样周期不尽相同，有的变量以炉次为单位，例如铁水中的硅含量、硫含量等化学成分；有的变量是以小时为单位，例如冷风流量、透气性指数等。(3)多尺度。高炉上分布着各种各样的传感器，检测信息有流量、压力、温度等，这些采集到的数据虽然有着不同的类别，但是它们之间可能存在着密切的关联。(4)外界影响大。高炉内部和外部的环境相当恶劣
大致为一个椭圆形状的点阵（这在变量的二维正态的假定下是可能的），如图2.3 所示。图2.3 主成分几何解释图由图可见，这 个样本点无论在1X 轴方向和2X 轴方向上离散性均较大，其
【参考文献】：
期刊论文
[1]基于粒子群神经网络的高炉炉温预测[J]. 刘景艳,张伟. 电子测量技术. 2018(03)
[2]主成分分析结合极限学习机的高炉炉温预测模型[J]. 袁冬芳,曹富军,李德荣. 内蒙古科技大学学报. 2017(04)
[3]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩. 化工学报. 2018(03)
[4]基于复合差分进化算法与极限学习机的高炉铁水硅含量预报[J]. 蒋朝辉,尹菊萍,桂卫华,阳春华. 控制理论与应用. 2016(08)
[5]基于核函数的加权极限学习机污水处理在线故障诊断[J]. 许玉格,邓文凯,陈立定. 化工学报. 2016(09)
[6]基于Bootstrap的高炉铁水硅含量二维预报[J]. 蒋朝辉,董梦林,桂卫华,阳春华,谢永芳. 自动化学报. 2016(05)
[7]改进型EMD-Elman神经网络在铁水硅含量预测中的应用[J]. 宋菁华,杨春节,周哲,刘文辉,马淑艳. 化工学报. 2016(03)
[8]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)
[9]高炉铁水温度的多元时间序列建模和预测[J]. 崔桂梅,李静,张勇,卢俊慧,马祥. 钢铁研究学报. 2014(04)
[10]粒子群优化算法种群规模的选择[J]. 张雯雰,王刚,朱朝晖,肖娟. 计算机系统应用. 2010(05)
博士论文
[1]极限学习机算法及其在高炉冶炼过程建模中的应用研究[D]. 刘学艺.浙江大学 2013
硕士论文
[1]基于VTK的三维流场可视化算法设计与实现[D]. 徐志敬.哈尔滨工业大学 2018
[2]基于神经网络的高炉铁水硅含量建模[D]. 杨坤.燕山大学 2016
[3]基于支持向量机的高炉铁水硅含量预测[D]. 马淑艳.浙江大学 2016
[4]基于VTK的工业图像三维可视化技术研究[D]. 吕金坤.中北大学 2013
[5]基于偏最小二乘的高炉铁水硅含量预测研究[D]. 祁鹏.内蒙古科技大学 2010
[6]支持向量机在高炉炉温预报中的应用及若干改进[D]. 陈逸波.浙江大学 2010
[7]基于VTK的可视化技术研究与实现[D]. 石玉.西安建筑科技大学 2009
[8]基于VTK的地质体真三维可视化原理和方法初探[D]. 王燕红.中南大学 2009
[9]支持向量机在高炉炉温预报中的应用[D]. 渐令.浙江大学 2006
本文编号：3144538
本文链接：https://www.wllwen.com/projectlw/yjlw/3144538.html
