鋼鐵行業(yè)的發(fā)展是我國GDP發(fā)展的重要參考標(biāo)準(zhǔn)之一,其中高爐煉鐵過程是鋼鐵企業(yè)的重要流程,高爐煉鐵過程無論是對我國大型鋼鐵企業(yè)的發(fā)展還是對資源環(huán)境能源的控制都有著舉足輕重的作用。高爐爐溫狀態(tài)是反映高爐爐況的重要指標(biāo),爐溫產(chǎn)生劇烈的變化會(huì)導(dǎo)致高爐狀態(tài)出現(xiàn)異常,從而影響生鐵的生產(chǎn)質(zhì)量。因此,有效的控制高爐爐溫使其保持在一個(gè)合理的范圍內(nèi)在實(shí)際煉鐵過程中具有重要意義。在實(shí)際研究中,由于爐溫測量比較困難,而高爐鐵水硅含量長期以來作為國內(nèi)外研究學(xué)者研究爐溫狀態(tài)的一個(gè)重要因子,因此,通常測量高爐系統(tǒng)中的鐵水硅含量來代替高爐爐溫進(jìn)行研究分析。建立精確的鐵水硅含量預(yù)測數(shù)學(xué)模型,無論是指導(dǎo)高爐操控人員進(jìn)行爐溫控制,是對鋼鐵企業(yè)經(jīng)濟(jì)效益的發(fā)展,還是對如何控制燃料進(jìn)行節(jié)能減排都具有重大的參考價(jià)值和實(shí)際意義。本文在前人對高爐爐溫狀態(tài)研究的基礎(chǔ)之上,引入AdaBoost與支持向量機(jī)(SVM)兩種統(tǒng)計(jì)方法作為本文研究的主要工具,選取包頭鋼鐵集團(tuán)和萊蕪鋼鐵集團(tuán)兩個(gè)鋼鐵公司(以下簡稱包鋼和萊鋼)的高爐生產(chǎn)數(shù)據(jù)作為研究對象,其中包頭鋼鐵集團(tuán)高爐數(shù)據(jù)840份,萊蕪鋼鐵集團(tuán)高爐數(shù)據(jù)800份。將這些數(shù)據(jù)進(jìn)行歸一化處理,通過MATLAB中的LIBSVM包對數(shù)據(jù)進(jìn)行仿真模擬,通過AdaBoost算法調(diào)整樣本數(shù)據(jù)權(quán)重,由此建立基于AdaBoost與支持向量機(jī)(SVM)的集成算法對高爐爐溫狀態(tài)進(jìn)行分析研究,分別對高爐鐵水硅含量進(jìn)行分類預(yù)測以及回歸預(yù)測。鐵水硅分類問題通過建立G-mean以及分類精度兩個(gè)指標(biāo)進(jìn)行模型評(píng)價(jià),而回歸問題通過建立命中率指標(biāo)進(jìn)行模型評(píng)價(jià),分析得出集成算法的優(yōu)劣。本文選擇原始支持向量機(jī)算法(SVM),加權(quán)支持向量機(jī)算法(W-SVM)以及集成算法三種算法進(jìn)行實(shí)證分析比較,實(shí)驗(yàn)結(jié)果顯示,針對鐵水硅含量分類問題,包鋼高爐中集成算法的分類精度(79.3%),相比較原始SVM算法的分類精度(78.6%)和加權(quán)支持向量機(jī)(W-SVM)的分類精度(79.0%)都有小幅度的提升;萊鋼高爐中集成算法的分類精度(79.2%),相比較原始SVM算法的分類精度(62.0%)有大幅度提升,相比較W-SVM算法的分類精度(78.6%)有小幅度提升,說明在進(jìn)行鐵水硅含量分類研究時(shí),集成算法的分類效果較好,具有一定的研究價(jià)值。而針對鐵水硅含量回歸問題,包鋼高爐中集成算法的預(yù)測命中率(61.0%),相比較于原始SVM算法的命中率(66.9%)以及W-SVM算法的命中率(61.4%)都略有小幅度下滑;萊鋼高爐中集成算法的命中率(63.6%)相比較于原始SVM算法(66.8%)以及W-SVM算法(64.8%)都有小幅度下降。說明集成算法預(yù)測鐵水硅含量效果較差,有待尋找新型算法提升模型預(yù)測精度。
【學(xué)位單位】：江西財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP181;TF543
【部分圖文】：

圖 1 線性支持向量機(jī)劃分中，中間斜線代表超平面，斜線上方和下方的圓點(diǎn)表示兩類不同的圓點(diǎn)的樣本標(biāo)簽為-1，下方圓點(diǎn)為+1。超平面用ωTx+b=0 這條直線超平面的法向量，b 是截距。除此之外，直線 L1:ωTx+b=1 和直

`圖 2 基于時(shí)間序列的鐵水硅含量針對于不同變量之間存在的量綱差異，需要對輸入變量進(jìn)行歸一化處理(2)，這樣模型的預(yù)測才會(huì)更有價(jià)值。對于 SVM 算法本身而言，樣本可以訓(xùn)練集，驗(yàn)證集和測試集三個(gè)獨(dú)立的部分。訓(xùn)練集是用于模型擬合的數(shù)據(jù)

-means聚類算法分析硅含量狀態(tài)的分布

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王文慧;劉祥官;劉學(xué)藝;;基于隨機(jī)森林算法的高爐鐵水硅質(zhì)量分?jǐn)?shù)預(yù)測模型[J];冶金自動(dòng)化;2014年05期

2 胡國勝;;基于加權(quán)支持向量機(jī)與AdaBoost集成的預(yù)測模型研究[J];計(jì)算機(jī)應(yīng)用與軟件;2012年12期

3 楊新斌;黃曉娟;;基于支持向量機(jī)的股票價(jià)格預(yù)測研究[J];計(jì)算機(jī)仿真;2010年09期

4 彭代強(qiáng);林幼權(quán);;基于AdaBoost算法的加權(quán)二乘向量回歸機(jī)[J];計(jì)算機(jī)應(yīng)用;2010年03期

5 曾九孫;劉祥官;羅世華;顏光;;主成分回歸和偏最小二乘法在高爐冶煉中的應(yīng)用[J];浙江大學(xué)學(xué)報(bào)(理學(xué)版);2009年01期

6 漸令;龔淑華;王義康;;基于支持向量機(jī)的高爐鐵水硅含量多類別分類[J];浙江大學(xué)學(xué)報(bào)(理學(xué)版);2007年03期

7 龔淑華,劉祥官;模糊貝葉斯網(wǎng)絡(luò)應(yīng)用于預(yù)測高爐鐵水含硅量變化趨勢[J];冶金自動(dòng)化;2005年05期

8 劉祥官,王文慧;應(yīng)用小波分析方法改進(jìn)鐵水硅含量預(yù)測[J];鋼鐵;2005年08期

9 漸令,劉祥官;支持向量機(jī)在鐵水硅含量預(yù)報(bào)中的應(yīng)用[J];冶金自動(dòng)化;2005年03期

10 郜傳厚,周志敏,邵之江;高爐冶煉過程的混沌性解析[J];物理學(xué)報(bào);2005年04期

相關(guān)碩士學(xué)位論文 前3條

1 李潤青;基于PCA改進(jìn)與SVM相結(jié)合的人臉識(shí)別算法研究[D];昆明理工大學(xué);2018年

2 漸令;支持向量機(jī)在高爐爐溫預(yù)報(bào)中的應(yīng)用[D];浙江大學(xué);2006年

3 王文慧;基于小波分析理論的高爐爐溫預(yù)測模型研究[D];浙江大學(xué);2005年

本文編號(hào)：2826280