連鑄是鋼鐵工業(yè)生產(chǎn)過(guò)程中的重要環(huán)節(jié),在連鑄生產(chǎn)的澆注過(guò)程中,大包內(nèi)的爐渣容易隨鋼液流入中間包,從而對(duì)生產(chǎn)效率和鑄鋼成品質(zhì)量造成嚴(yán)重影響。因此,對(duì)鋼包進(jìn)行下渣檢測(cè)是連鑄生產(chǎn)的重要環(huán)節(jié)之一,它對(duì)改善鑄鋼質(zhì)量、延長(zhǎng)設(shè)備使用壽命等至關(guān)重要。針對(duì)目前的連鑄鋼包下渣預(yù)測(cè)方法造價(jià)高、識(shí)別準(zhǔn)確性低的問(wèn)題,根據(jù)鋼包下渣時(shí)的狀態(tài)特征,提出了一種結(jié)合深度學(xué)習(xí)理論的智能預(yù)測(cè)方法,開展了連鑄鋼包智能下渣預(yù)測(cè)系統(tǒng)的研究,完成的主要研究工作如下:1)基于澆注速率與鋼包重量變化之間的動(dòng)力學(xué)關(guān)系,建立下渣預(yù)測(cè)系統(tǒng)動(dòng)力學(xué)模型,選取合適的數(shù)據(jù)模塊對(duì)信號(hào)進(jìn)行采集,利用Visual Basic編寫鋼包下渣預(yù)測(cè)軟件平臺(tái)。2)根據(jù)下渣過(guò)程的時(shí)序特性,采用LSTM與局部加權(quán)回歸相結(jié)合的方法,進(jìn)行下渣時(shí)刻的預(yù)測(cè)實(shí)驗(yàn)研究。將LSTM模型與ARIMA、RNN模型做對(duì)比實(shí)驗(yàn),使用LSTM的下渣預(yù)測(cè)的準(zhǔn)確性可以達(dá)到95%,在三種預(yù)測(cè)算法中準(zhǔn)確性最高。結(jié)果表明深度學(xué)習(xí)方法在鋼包下渣預(yù)測(cè)中具有實(shí)用價(jià)值。3)針對(duì)預(yù)測(cè)模型中存在的問(wèn)題,結(jié)合下渣過(guò)程的采集數(shù)據(jù)特點(diǎn),對(duì)LSTM模型進(jìn)行了簡(jiǎn)化改進(jìn),提出了三種簡(jiǎn)化算法。對(duì)比標(biāo)準(zhǔn)LSTM與三種簡(jiǎn)化變體模型的測(cè)... 

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
引言
第1章 緒論
    1.1 課題的研究背景及意義
        1.1.1 連鑄基本工藝流程
        1.1.2 下渣預(yù)測(cè)的目的及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 連鑄下渣檢測(cè)方法綜述
        1.2.2 下渣識(shí)別的研究趨勢(shì)
        1.2.3 深度學(xué)習(xí)在下渣預(yù)測(cè)中的應(yīng)用
    1.3 論文的主要研究?jī)?nèi)容
第2章 鋼包下渣預(yù)測(cè)的相關(guān)理論與技術(shù)分析
    2.1 鋼包下渣預(yù)測(cè)系統(tǒng)的基本原理
    2.2 神經(jīng)網(wǎng)絡(luò)在下渣預(yù)測(cè)中的應(yīng)用
        2.2.1 BP神經(jīng)網(wǎng)絡(luò)
        2.2.2 RBF神經(jīng)網(wǎng)絡(luò)
        2.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.3 本章小結(jié)
第3章 下渣預(yù)測(cè)系統(tǒng)的軟硬件設(shè)計(jì)
    3.1 鋼包下渣預(yù)測(cè)系統(tǒng)的硬件組成
        3.1.1 下渣預(yù)測(cè)系統(tǒng)的硬件連接
        3.1.2 數(shù)據(jù)采集裝置
        3.1.3 數(shù)據(jù)通訊轉(zhuǎn)換模塊
    3.2 鋼包下渣預(yù)測(cè)系統(tǒng)的軟件功能
        3.2.1 軟件工作原理
        3.2.2 軟件功能概述
        3.2.3 主要功能模塊
    3.3 本章小結(jié)
第4章 基于LSTM模型的連鑄下渣預(yù)測(cè)
    4.1 LSTM模型的基本原理
    4.2 下渣預(yù)測(cè)系統(tǒng)的研究
        4.2.1 建立下渣預(yù)測(cè)模型
        4.2.2 算法描述
    4.3 實(shí)驗(yàn)環(huán)境設(shè)置
        4.3.1 數(shù)據(jù)集描述
        4.3.2 評(píng)價(jià)指標(biāo)
    4.4 實(shí)驗(yàn)驗(yàn)證與分析
        4.4.1 數(shù)據(jù)預(yù)處理
        4.4.2 模型的參數(shù)設(shè)置
        4.4.3 預(yù)測(cè)結(jié)果與討論
    4.5 本章小結(jié)
第5章 基于SLIM模型的連鑄下渣預(yù)測(cè)
    5.1 算法描述
    5.2 模型驗(yàn)證
        5.2.1 實(shí)驗(yàn)參數(shù)設(shè)置
        5.2.2 驗(yàn)證結(jié)果及討論
    5.3 SLIM算法在連鑄下渣預(yù)測(cè)上的應(yīng)用
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
導(dǎo)師簡(jiǎn)介
作者簡(jiǎn)介
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]Bi-LSTM+Attention情感分析模型的設(shè)計(jì)與實(shí)現(xiàn)[J]. 張量,楊元峰,李金祥,金益,劉媛霞.  電子技術(shù)與軟件工程. 2019(18)
[2]基于單形進(jìn)化的徑向基網(wǎng)絡(luò)訓(xùn)練算法[J]. 魏巍,全海燕.  應(yīng)用科學(xué)學(xué)報(bào). 2019(04)
[3]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別研究[J]. 唐美麗,胡瓊,馬廷淮.  現(xiàn)代電子技術(shù). 2019(14)
[4]電機(jī)滾動(dòng)軸承故障診斷中BP與RBF神經(jīng)網(wǎng)絡(luò)的比較[J]. 凌標(biāo)燦,楊佳濱.  華北科技學(xué)院學(xué)報(bào). 2018(06)
[5]基于RBF神經(jīng)網(wǎng)絡(luò)模型的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J]. 周旭,來(lái)庭煜,饒佳黎.  通信電源技術(shù). 2018(11)
[6]2017年鋼材市場(chǎng)回顧及2018年形勢(shì)展望[J]. 張?zhí)m英,楊巍.  冶金經(jīng)濟(jì)與管理. 2018(02)
[7]基于LSTM-RNN模型的鐵水硅含量預(yù)測(cè)[J]. 李澤龍,楊春節(jié),劉文輝,周恒,李宇軒.  化工學(xué)報(bào). 2018(03)
[8]淺談我國(guó)轉(zhuǎn)爐煉鋼技術(shù)的發(fā)展與展望[J]. 吳計(jì)雨.  中國(guó)金屬通報(bào). 2017(11)
[9]轉(zhuǎn)爐煉鋼的技術(shù)進(jìn)步及新技術(shù)應(yīng)用分析[J]. 孫賀,李勇強(qiáng).  山西冶金. 2017(04)
[10]鋼包初始狀態(tài)對(duì)簾線鋼夾雜物的影響[J]. 趙昊乾,王昆鵬,趙錚錚,孟耀青,逯志方.  鋼鐵研究學(xué)報(bào). 2017(04)

碩士論文
[1]基于深度學(xué)習(xí)的圖像描述生成研究[D]. 張鴻碩.北京交通大學(xué) 2019
[2]基于二次閾值分割的紅外下渣檢測(cè)系統(tǒng)研究[D]. 張幸光.南京理工大學(xué) 2016
[3]寶鋼電爐大方坯連鑄機(jī)鋼包下渣檢測(cè)系統(tǒng)研究[D]. 陳雪華.浙江大學(xué) 2010



本文編號(hào)：3653756