鋼鐵行業(yè)作為中國發(fā)展最快并且占有重要社會地位的行業(yè),其廣泛應用于社會生活的各個方面,是支撐社會發(fā)展的重要產(chǎn)業(yè)。然而,由于鋼鐵產(chǎn)業(yè)的飛速發(fā)展,導致我國鐵礦石被大量開采,富鐵礦日漸減少,為了解決原料短缺問題,不影響鋼鐵工業(yè)的生產(chǎn),燒結(jié)礦便應運而生,成為我國高爐生產(chǎn)過程的主要原料,燒結(jié)過程也成為了高爐煉鐵中的一個重要的環(huán)節(jié)。燒結(jié)終點（BTP）的穩(wěn)定與否是判斷燒結(jié)過程是否正常的標志之一,其不僅影響燒結(jié)礦的質(zhì)量和產(chǎn)量,而且對燒結(jié)成本有很大影響。由于燒結(jié)過程是一個復雜多變、非線性、大時滯的問題,采用傳統(tǒng)的機理模型或控制理論很難實現(xiàn)對燒結(jié)終點的預測和控制,所以本文采用了一種新的方法:通過新提出的智能優(yōu)化算法——基于遺傳算法的煙花優(yōu)化算法（GA-FWA）來優(yōu)化支持向量機模型參數(shù)從而實現(xiàn)燒結(jié)終點的預測�；谶z傳算法的煙花優(yōu)化算法結(jié)合了煙花算法和遺傳算法的優(yōu)點,可以更迅速準確的找到全局最優(yōu)值,并且支持向量機（SVM）方法是建立在統(tǒng)計學和結(jié)構(gòu)風險最小原理基礎(chǔ)上的,有嚴格的理論和數(shù)學基礎(chǔ),可以很好的解決算法復雜度與輸入向量密切相關(guān)的問題,所以將GA-FWA算法與支持向量機相結(jié)合可以訓練出一個精度較高的預測模型... 

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
1.緒論
    1.1 課題的背景及意義
    1.2 國內(nèi)外研究狀況
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容
    1.4 本文創(chuàng)新點
    1.5 論文的構(gòu)成
2.燒結(jié)過程分析及影響因素選擇
    2.1 燒結(jié)生產(chǎn)的基本工藝流程
    2.2 燒結(jié)過程特點
    2.3 燒結(jié)終點判斷及計算
        2.3.1 燒結(jié)終點判斷
        2.3.2 燒結(jié)終點軟測量模型
    2.4 影響因素的選擇
        2.4.1 主成分分析
        2.4.2 影響因素分析
    2.5 本章小結(jié)
3.支持向量機原理
    3.1 支持向量機概述
        3.1.1 支持向量機研究
        3.1.2 支持向量機分類
        3.1.3 支持向量機回歸
        3.1.4 支持向量機參數(shù)選擇
    3.2 數(shù)據(jù)預處理
        3.2.1 收集整理數(shù)據(jù)
        3.2.2 數(shù)據(jù)歸一化
    3.3 SVM預測燒結(jié)終點
    3.4 智能算法優(yōu)化SVM預測燒結(jié)終點流程
    3.5 本章小結(jié)
4.傳統(tǒng)智能計算方法優(yōu)化SVM預測燒結(jié)終點
    4.1 粒子群算法
        4.1.1 粒子群算法原理及組成
        4.1.2 PSO-SVM預測燒結(jié)終點
        4.1.3 粒子群算法的優(yōu)點及不足
    4.2 遺傳算法
        4.2.1 遺傳算法原理及組成
        4.2.2 GA-SVM預測燒結(jié)終點
        4.2.3 遺傳算法的優(yōu)點及不足
    4.3 煙花算法
        4.3.1 煙花算法原理
        4.3.2 煙花算法組成部分
        4.3.3 FWA-SVM預測燒結(jié)終點
        4.3.4 煙花算法的優(yōu)點及不足
    4.4 本章小結(jié)
5.GA-FWA優(yōu)化SVM預測燒結(jié)終點
    5.1 基于遺傳算法的煙花優(yōu)化算法(GA-FWA)原理
        5.1.1 GA-FWA提出
        5.1.2 GA-FWA改進
        5.1.3 GA-FWA實現(xiàn)
    5.2 基于遺傳算法的煙花優(yōu)化算法預測燒結(jié)終點
        5.2.1 GA-FWA尋優(yōu)效果
        5.2.2 GA-FWA-SVM預測燒結(jié)終點
    5.3 GA-FWA與傳統(tǒng)算法的實驗仿真結(jié)果對比
    5.4 本章小結(jié)
6.總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
攻讀碩士學位期間發(fā)表學術(shù)論文情況
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于大數(shù)據(jù)技術(shù)的燒結(jié)全產(chǎn)線質(zhì)量智能控制系統(tǒng)[J]. 呂慶,劉頌,劉小杰,畢中心,李建鵬.  鋼鐵. 2018(07)
[2]一種煙花算法的優(yōu)化[J]. 趙偉,郭乙江.  科技通報. 2018(06)
[3]支持向量機模型與應用綜述[J]. 劉方園,王水花,張煜東.  計算機系統(tǒng)應用. 2018(04)
[4]基于粒子群算法的燒結(jié)爐系統(tǒng)辨識及神經(jīng)網(wǎng)絡控制[J]. 曹奔,袁忠于,劉洪.  鄭州大學學報(工學版). 2017(05)
[5]改進粒子群算法優(yōu)化支持向量機在故障診斷中的應用研究[J]. 孫瑤琴.  計算機測量與控制. 2017(03)
[6]基于變鄰域粒子群算法的鐵水硅含量穩(wěn)定性分析[J]. 楊凱,金永龍,何志軍.  鋼鐵研究學報. 2017(02)
[7]基于粒子群優(yōu)化徑向基神經(jīng)網(wǎng)絡的燒結(jié)終點預測研究[J]. 石煒,孫永濤,秦波,龔志華.  鑄造技術(shù). 2016(11)
[8]基于輪廓向量集和遺傳算法的高爐爐缸內(nèi)襯侵蝕預測模型[J]. 邵磊,余珊,王楠,鄒宗樹.  東北大學學報(自然科學版). 2016(06)
[9]基于遺傳算法的無鐘高爐布料工藝優(yōu)化[J]. 任廷志,馬財生.  鋼鐵. 2016(06)
[10]基于優(yōu)先級的燒結(jié)過程協(xié)調(diào)優(yōu)化控制系統(tǒng)[J]. 陳鑫,黃冰,吳敏,何勇.  化工學報. 2016(03)

碩士論文
[1]基于神經(jīng)網(wǎng)絡的燒結(jié)工藝優(yōu)化[D]. 陳浩.哈爾濱工業(yè)大學 2017
[2]支持向量機以及結(jié)合深度學習的分類算法研究[D]. 劉宇錦.華東師范大學 2016
[3]燒結(jié)終點預測模型與控制方法研究[D]. 魏玉龍.東北大學 2015
[4]燒結(jié)過程燒結(jié)終點預報模型研究[D]. 高廣宇.東北大學 2014
[5]首秦燒結(jié)控制系統(tǒng)模型設計與實現(xiàn)[D]. 王漢飛.東北大學 2013



本文編號：3730573