【摘要】：鋼鐵冶金行業(yè)作為我國(guó)基礎(chǔ)性原材料的源頭產(chǎn)業(yè),一直是我國(guó)國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè)。高爐煉鐵作為鋼鐵制造主體的上游工序,是鋼鐵工業(yè)的重要構(gòu)成環(huán)節(jié),對(duì)行業(yè)整體的降耗節(jié)能與發(fā)展都起到至關(guān)重要的作用。爐況是否順行直接關(guān)系到整個(gè)煉鐵過(guò)程的節(jié)能減排,而高爐爐溫則是鑒別高爐爐況,保證高爐爐況順行的一個(gè)重要指標(biāo)。鐵水硅含量作為爐熱狀態(tài)的表征指標(biāo),建立其可靠的預(yù)報(bào)模型以指導(dǎo)高爐煉鐵人員進(jìn)行爐溫控制不僅具有重要的理論研究?jī)r(jià)值,而且對(duì)關(guān)鍵的生產(chǎn)實(shí)踐具有重要的指導(dǎo)意義。然而,高爐冶煉的過(guò)程異常復(fù)雜,在建模方面的主要難點(diǎn)表現(xiàn)在運(yùn)行機(jī)制時(shí)常伴有非線性、大噪聲、分布參數(shù)等特征。而神經(jīng)網(wǎng)絡(luò)作為自學(xué)習(xí)網(wǎng)絡(luò)的一種,能夠比較很好地解決非線性、大噪聲的問(wèn)題。到目前為止,神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識(shí)別、預(yù)測(cè)控制、函數(shù)逼近等領(lǐng)域得到廣泛的應(yīng)用。本文針對(duì)鐵水硅含量建模這一關(guān)鍵問(wèn)題,利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行建模研究,具體研究?jī)?nèi)容如下。首先,針對(duì)高爐冶煉過(guò)程中的相關(guān)數(shù)據(jù)進(jìn)行分析處理。利用專家經(jīng)驗(yàn)和數(shù)據(jù)統(tǒng)計(jì)分析相結(jié)合的方法確定鐵水硅含量的相關(guān)輸入變量,進(jìn)而利用多元線回歸法確定滯后時(shí)間序列的相關(guān)系數(shù)。所有數(shù)據(jù)均進(jìn)行了一次和二次處理,且進(jìn)行了歸一化處理。其次,針對(duì)BP神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)的缺點(diǎn),提出了改進(jìn)方案。仿真數(shù)據(jù)按照所提出的方案進(jìn)行了分析處理,其對(duì)比仿真驗(yàn)證了改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在鐵水硅含量建模上的優(yōu)勢(shì)。最后,提出了新的基于正則化方法的極值學(xué)習(xí)機(jī)算法,本算法可以克服常規(guī)極限學(xué)習(xí)機(jī)的缺點(diǎn)。進(jìn)而利用該算法對(duì)對(duì)高爐爐溫進(jìn)行建模。實(shí)驗(yàn)仿真驗(yàn)證了本文算法的可行性,并且證明了正則化的極值學(xué)習(xí)機(jī)優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。
[Abstract]:As the source industry of basic raw materials in China, iron and steel metallurgy industry has always been the pillar industry of our national economy. Blast furnace ironmaking, as the upstream process of iron and steel manufacturing, is an important part of iron and steel industry, and plays an important role in reducing consumption and energy saving and development of the industry as a whole. Whether the furnace condition runs smoothly or not is directly related to the energy saving and emission reduction of the whole ironmaking process, and the blast furnace temperature is an important index to distinguish the blast furnace condition and ensure the smooth operation of the blast furnace condition. The silicon content of molten iron is regarded as an indicator of furnace thermal state. The establishment of a reliable prediction model to guide blast furnace ironmakers to control furnace temperature not only has important theoretical research value, but also has important guiding significance for key production practice. However, the process of blast furnace smelting is very complex, and the main difficulty in modeling is that the operation mechanism is often accompanied by nonlinear, large noise, distributed parameters and so on. As a kind of self-learning network, neural network can solve the problem of non-linear and large noise. So far, neural networks have been widely used in many fields such as pattern recognition, predictive control, function approximation and so on. In this paper, a neural network method is used to model the silicon content in hot metal, and the main contents are as follows. First of all, the relevant data in blast furnace smelting process are analyzed and processed. The correlation variables of silicon content in hot metal are determined by the method of expert experience and statistical analysis of data, and the correlation coefficient of delay time series is determined by multiple linear regression method. All data were processed once and twice, and normalized. Secondly, aiming at the disadvantage that BP neural network algorithm is easy to fall into local optimization, an improved scheme is proposed. The simulation data are analyzed and processed according to the proposed scheme, and the advantages of the improved BP neural network in the modeling of silicon content in hot metal are verified by the comparison of the simulation results. Finally, a new extreme learning machine algorithm based on regularization method is proposed, which can overcome the shortcomings of conventional limit learning machine. Then this algorithm is used to model the blast furnace temperature. Experimental results show that the proposed algorithm is feasible and the regularized extreme learning machine is superior to BP neural network.
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TF325.6;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 雷明,李作清,陳志祥,吳雅,楊叔子;神經(jīng)網(wǎng)絡(luò)在預(yù)報(bào)控制中的應(yīng)用[J];機(jī)床;1993年11期

2 楊自厚;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在鋼鐵工業(yè)中的應(yīng)用第8講人工神經(jīng)網(wǎng)絡(luò)在鋼鐵工業(yè)中的應(yīng)用(下)[J];冶金自動(dòng)化;1997年05期

3 李潤(rùn)生,李延輝,胡學(xué)軍,劉壯,王守儉;神經(jīng)網(wǎng)絡(luò)在冶金中的應(yīng)用[J];鋼鐵研究;1998年02期

4 劉海玲,劉樹(shù)深,尹情勝,夏之寧,易忠勝;線性神經(jīng)網(wǎng)絡(luò)及在多組分分析中的初步應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2000年Z1期

5 王繼宗,王西娟;用神經(jīng)網(wǎng)絡(luò)確定梁上裂紋位置的研究[J];煤炭學(xué)報(bào);2000年S1期

6 趙學(xué)慶,袁景淇,周又玲,賀松;生物發(fā)酵過(guò)程神經(jīng)網(wǎng)絡(luò)狀態(tài)預(yù)報(bào)器的驗(yàn)證[J];無(wú)錫輕工大學(xué)學(xué)報(bào);2000年06期

7 李智,姚駐斌,張望興,賀超武;基于神經(jīng)網(wǎng)絡(luò)的混勻配料優(yōu)化方法[J];鋼鐵研究;2000年04期

8 胡敏藝,馬榮駿;神經(jīng)網(wǎng)絡(luò)在冶金工業(yè)中的應(yīng)用[J];湖南有色金屬;2000年05期

9 倪建軍,邵琳;利用神經(jīng)網(wǎng)絡(luò)進(jìn)行觀測(cè)數(shù)據(jù)的分析與處理[J];連云港化工高等專科學(xué)校學(xué)報(bào);2000年04期

10 裴浩東,蘇宏業(yè),褚健;材料工程中基于神經(jīng)網(wǎng)絡(luò)的穩(wěn)態(tài)優(yōu)化策略[J];材料科學(xué)與工程;2001年02期

相關(guān)會(huì)議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 周樹(shù)德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單規(guī)劃的識(shí)別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

4 郭愛(ài)克;馬盡文;丁康;;序言(二)[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

5 鐘義信;;知識(shí)論:神經(jīng)網(wǎng)絡(luò)的新機(jī)遇——紀(jì)念中國(guó)神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

6 許進(jìn);保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

7 金龍;朱詩(shī)武;趙成志;陳寧;;數(shù)值預(yù)報(bào)產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報(bào)應(yīng)用[A];1999年中國(guó)神經(jīng)網(wǎng)絡(luò)與信號(hào)處理學(xué)術(shù)會(huì)議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評(píng)估中的應(yīng)用[A];第十二屆全國(guó)心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

10 張廣遠(yuǎn);萬(wàn)強(qiáng);曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前10條

1 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

4 中國(guó)科技大學(xué)計(jì)算機(jī)系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計(jì)算機(jī)世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開(kāi)復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)記者 劉霞;美用DNA制造出首個(gè)人造神經(jīng)網(wǎng)絡(luò)[N];科技日?qǐng)?bào);2011年

7 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達(dá)國(guó)際先進(jìn)水平[N];中國(guó)電子報(bào);2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報(bào);2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過(guò)鑒定[N];中國(guó)船舶報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無(wú)線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

5 付愛(ài)民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計(jì)算的神經(jīng)網(wǎng)絡(luò)并行實(shí)現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時(shí)間序列預(yù)測(cè)算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測(cè)的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進(jìn)型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測(cè)及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時(shí)滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號(hào)：2451790