基于灰色RBF神经网络的转炉终点预测模型研究

发布时间：2021-11-17 22:11

　　转炉炼钢是当今世界上最主要的炼钢方法,我国一些先进的钢铁企业的转炉已采用动态控制技术。转炉炼钢是一种极其复杂的工业过程,影响终点温度和碳含量的因素很多,由于炉内的温度过高,对终点温度和碳的含量不能及时、准确地测量,因此建立精确的温度和碳的预报模型就显得十分重要。针对这个问题本文建立了转炉炼钢神经网络终点预测模型,根据预报结果可以对补吹氧气量及冷却剂加入量进行合理调整,从而提高终点命中率,以提高转炉炼钢产量和质量,减少能源消耗,降低炼钢成本。本文在鞍钢信息产业公司的冶金全流程仿真项目的基础上进行深入的理论研究和延伸。主要研究工作如下：由于转炉炼钢神经网络模型的核心是其终点预测模型,由于其工艺复杂,影响因素多,首先利用粗糙集属性约简的方法,对转炉输入属性进行约简,再结合实际的现场数据训练神经网络,从而得到更好的预测模型。RBF神经网络与BP神经网络相比学习时间短,具有很好的非线性预测效果。但是由于转炉炼钢工艺复杂,数据繁多,因此本文对传统的RBF神经网络模型进行了改进,利用蚁群聚类的算法确定基函数中心和隐含层节点数目。为了解决训练样本少、预测结果不准确的问题,引入灰色GM（1,N）预测模型... 

【文章来源】：东北大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：91 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题来源及研究意义
    1.2 转炉终点控制方法国内外研究现状
        1.2.1 人工经验控制
        1.2.2 静态控制
        1.2.3 动态控制
        1.2.4 神经网络方法
    1.3 课题实际背景
    1.4 本文主要研究内容
第2章 转炉炼钢工艺
    2.1 转炉炼钢原理
    2.2 转炉炼钢工艺介绍
        2.2.1 转炉炼钢工艺
        2.2.2 鞍钢100t复吹转炉介绍
    2.3 转炉炼钢机理模型
        2.3.1 静态模型
        2.3.2 动态模型
    2.4 本章小结
第3章 转炉终点预测影响因素分析
    3.1 转炉终点预测相关因素
        3.1.1 转炉终点预测的属性分析
        3.1.2 影响转炉终点预测的因素
    3.2 粗糙集属性约简
        3.2.1 信息系统
        3.2.2 不可分辨关系
        3.2.3 近似集与边界区
        3.2.4 属性依赖度及属性重要性
        3.2.5 属性约简与约简核
    3.3 基于粗糙集的转炉终点预测影响因素约简
        3.3.1 数据预处理
        3.3.2 基于粗糙集的属性约简
    3.4 本章小结
第4章 灰色RBF神经网络
    4.1 RBF径向基函数神经网络
        4.1.1 RBF神经网络结构
        4.1.2 RBF神经网络的映射关系
        4.1.3 RBF神经网络的准则和常用算法
        4.1.4 RBF神经网络和BP神经网络的对比
    4.2 灰色预测模型
    4.3 灰色RBF神经网络
        4.3.1 基于蚁群聚类确定聚类中心及单元数
        4.3.2 灰色预测与RBF神经网络的结合方式
        4.3.3 灰色预测与RBF神经网络融合
        4.3.4 测试函数仿真验证
    4.4 本章小结
第5章 基于灰色RBF神经网络的转炉终点预测
    5.1 灰色预测模型的应用
        5.1.1 灰色GM(1,N)模型分析
        5.1.2 应用GM(1,N)灰色预测模型进行转炉终点预测
        5.1.3 GM(1,N)转炉终点预测仿真
        5.1.4 预测效果分析
    5.2 基于蚁群聚类的RBF神经网络预测模型应用
        5.2.1 蚁群聚类RBF转炉终点预测仿真
        5.2.2 预测效果分析
    5.3 基于灰色RBF神经网络预测模型应用
        5.3.1 基于灰色RBF神经网络预测模型
        5.3.2 灰色RBF转炉终点预测仿真
        5.3.3 预测效果分析
        5.3.4 预测命中率对比分析
    5.4 本章小结
第6章 结论与展望
参考文献
致谢


【参考文献】：
期刊论文
[1]基于蚁群聚类算法的RBF神经网络交通流预测[J]. 林鑫,王晓晔,王卓,张德干.  河北工业大学学报. 2010(03)
[2]基于蚁群聚类和裁剪方法的RBF神经网络优化算法[J]. 马洪伟,赵志刚,吕慧显,李京.  青岛大学学报(工程技术版). 2008(03)
[3]基于蚁群算法与神经网络的机械故障诊断方法[J]. 张扬,曲延滨.  机床与液压. 2007(07)
[4]径向基函数网络在硅压阻气压传感器温度补偿中的应用[J]. 陈晓颖,王晓蕾,朱益民,张伟星.  计量技术. 2007(03)
[5]基于RBF神经网络的转炉炼钢终点预报[J]. 谢书明,孙凯,陈昌.  沈阳工业大学学报. 2006(04)
[6]基于一类GA-RBF神经网络的转炉炼钢静态模型控制[J]. 王建辉,徐林,方晓柯,顾树生.  东南大学学报(自然科学版). 2005(S2)
[7]转炉终点控制技术[J]. 王茂华,惠志刚,施雄梁.  鞍钢技术. 2005(03)
[8]中国转炉炼钢技术的进步[J]. 刘浏.  钢铁. 2005(02)
[9]质谱仪在转炉炼钢终点控制中的应用[J]. 张旭升.  鞍钢技术. 2003(06)
[10]转炉炼钢动态过程预设定模型的混合建模与预报[J]. 王永富,李小平,柴天佑,谢书明.  东北大学学报. 2003(08)

硕士论文
[1]基于神经网络的转炉炼钢终点控制的研究[D]. 郑良峰.江西理工大学 2011
[2]基于自适应神经网络模糊推理系统的转炉终点预测研究[D]. 陈中华.南京理工大学 2010
[3]基于人工神经网络的转炉炼钢终点预测模型研究[D]. 刘东.南京理工大学 2007



本文编号：3501724