鐵水質(zhì)量的優(yōu)劣不僅對(duì)鑄鐵的強(qiáng)度、韌性、冶煉成本、使用壽命有很大影響,還對(duì)用戶的使用滿意度有直接影響。鐵水中硫（S）含量和硅（Si）含量是衡量鐵水質(zhì)量的主要指標(biāo)。預(yù)測(cè)高爐鐵水硫含量,能協(xié)助生產(chǎn)人員及時(shí)采取措施,防止出現(xiàn)鐵水中硫含量過(guò)高的情況。降低鐵水硅含量,可以提高產(chǎn)量,進(jìn)而降低原料消耗。因此在出鐵前精準(zhǔn)獲取鐵水中的S含量和Si含量具有非常重要的意義。本文主要研究?jī)?nèi)容包括:（1）對(duì)山西某鑄造集團(tuán)公司已有的近三年的高純生鐵生產(chǎn)數(shù)據(jù)進(jìn)行探索分析,并對(duì)數(shù)據(jù)集中的空值和異常值進(jìn)行預(yù)處理,運(yùn)用主成分分析法對(duì)特征集進(jìn)行降維處理,得到對(duì)特征集有90%以上貢獻(xiàn)率的12個(gè)主成分,在此基礎(chǔ)上消除了特征集中變量之間的復(fù)雜相關(guān)性。（2）采用數(shù)據(jù)挖掘技術(shù)中的最小二乘支持向量機(jī)（LS-SVM）方法、BP神經(jīng)網(wǎng)絡(luò)（BPNN）方法、分類與回歸樹(shù)（CART）方法構(gòu)建了鐵水中S含量和Si含量的預(yù)測(cè)模型,通過(guò)對(duì)以上三種模型預(yù)測(cè)結(jié)果及預(yù)測(cè)誤差的比較分析得出結(jié)論:在鐵水中S含量和Si含量的預(yù)測(cè)方面,分類與回歸樹(shù)預(yù)測(cè)模型的綜合性能優(yōu)于最小二乘支持向量模型和BP神經(jīng)網(wǎng)絡(luò)模型。（3）利用最優(yōu)化原理,以入爐配料成本為目標(biāo)函數(shù),出鐵量、入... 

【文章來(lái)源】：西安建筑科技大學(xué)陜西省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

(a~b)變量空值百分比柱狀圖

(a~c)所有變量的箱體圖

西安建筑科技大學(xué)碩士學(xué)位論文11（c）圖2.3(a~c)變量z1~z27的柱狀分布圖從圖2.3中可以看出，每個(gè)特征變量的分布都比較分散，由此得出結(jié)論，不同特征對(duì)于樣本有比較好的區(qū)分效果。數(shù)據(jù)關(guān)聯(lián)可視化對(duì)分析哪些變量更有效具有更直觀的效果，有利于進(jìn)行變量篩眩特征變量之間的相關(guān)性強(qiáng)度圖如圖2.4所示。圖2.4變量相關(guān)性強(qiáng)度圖從圖2.4中最右邊的圖例可以看出特征集中每個(gè)變量與它本身的相關(guān)性最強(qiáng)，強(qiáng)度為1，不同變量之間存在強(qiáng)度不同的相關(guān)性。這種不同變量間的復(fù)雜相關(guān)性顯著增加了分析問(wèn)題的復(fù)雜度。本文采用主成分分析法對(duì)特征集進(jìn)行降維處理，消除變量之間的復(fù)雜相關(guān)關(guān)系，進(jìn)而使其轉(zhuǎn)換成相互獨(dú)立的變量。

【參考文獻(xiàn)】：
期刊論文
[1]基于CART算法的長(zhǎng)江口魚(yú)種豐富度預(yù)測(cè)[J]. 戴黎斌,陳錦輝,田思泉,高春霞,王家啟,杜曉雪,王學(xué)昉.  中國(guó)水產(chǎn)科學(xué). 2018(05)
[2]基于機(jī)器視覺(jué)的香梨雌雄自動(dòng)識(shí)別方法[J]. 李亞碩,祁雁楠,呂程序,毛文華,周麗萍,趙博.  農(nóng)業(yè)工程. 2018(07)
[3]基于Spark平臺(tái)的考勤數(shù)據(jù)決策樹(shù)回歸分析[J]. 馮曉龍,高靜.  內(nèi)蒙古工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]基于有動(dòng)量和自適應(yīng)lr梯度下降法BP神經(jīng)網(wǎng)絡(luò)的城市用電量預(yù)測(cè)技術(shù)[J]. 鄧子云.  江蘇科技信息. 2018(03)
[5]改進(jìn)共軛梯度算法在礦井瓦斯含量預(yù)測(cè)中的應(yīng)用[J]. 魏松,任賀龍.  應(yīng)用泛函分析學(xué)報(bào). 2017(02)
[6]基于主成分分析的高爐操作爐型評(píng)價(jià)[J]. 閆炳基,張建良,國(guó)宏偉,曹英杰.  東北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(07)
[7]基于數(shù)據(jù)的高爐鐵水硅含量預(yù)測(cè)[J]. 尹菊萍,蔣朝輝.  有色冶金設(shè)計(jì)與研究. 2015(03)
[8]基于神經(jīng)網(wǎng)絡(luò)的高爐鐵水硅和硫含量預(yù)報(bào)模型[J]. 于卓穎,鄭濤.  河北冶金. 2015(03)
[9]BP神經(jīng)網(wǎng)絡(luò)在高爐鐵水硅預(yù)報(bào)中的應(yīng)用[J]. 高緒東.  中國(guó)冶金. 2014(06)
[10]基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像修復(fù)[J]. 賀文熙,葉坤濤.  江西理工大學(xué)學(xué)報(bào). 2014(01)

碩士論文
[1]基于Cart樹(shù)和Boosting算法的股票預(yù)測(cè)模型[D]. 王禹.哈爾濱理工大學(xué) 2018
[2]基于統(tǒng)計(jì)過(guò)程控制的大型高爐鐵水質(zhì)量控制[D]. 劉文文.上海交通大學(xué) 2015
[3]基于數(shù)據(jù)挖掘的高爐異常爐況分析[D]. 任盛怡.重慶大學(xué) 2009



本文編號(hào)：3229922