鋼鐵冶煉中最重要的生產(chǎn)環(huán)節(jié)就是高爐煉鐵,其內(nèi)部變量分布復(fù)雜、大量的物理化學(xué)反應(yīng)以及結(jié)構(gòu)的封閉性,導(dǎo)致操作人員對高爐爐溫的直接測量有很大困難。而生產(chǎn)過程中,高爐爐溫的變化可以間接用鐵水硅含量的變化來表示。因此,建立準(zhǔn)確可靠的高爐鐵水硅含量預(yù)測模型對調(diào)控高爐爐溫,保證高爐的順利運(yùn)行至關(guān)重要。首先,對高爐煉鐵進(jìn)行了介紹,以便建立更加貼近高爐生產(chǎn)實(shí)際的模型。根據(jù)專家經(jīng)驗(yàn)以及灰色關(guān)聯(lián)分析法選擇與鐵水硅含量相關(guān)性較大的7個變量作為模型的輸入變量,并對所收集的數(shù)據(jù)進(jìn)行預(yù)處理,為模型的建立打下基礎(chǔ)。其次,針對極限學(xué)習(xí)機(jī)在進(jìn)行鐵水硅含量預(yù)測時(shí)隨機(jī)生成輸入層權(quán)值和隱含層閾值,易導(dǎo)致模型存在預(yù)測精度下降以及過擬合等問題,引入遺傳算法對其進(jìn)行優(yōu)化。通過仿真實(shí)驗(yàn)結(jié)果進(jìn)行對比分析,改進(jìn)后的預(yù)測模型比單一的極限學(xué)習(xí)機(jī)預(yù)測模型的預(yù)測精度略有提升。在此基礎(chǔ)上,將粒子群算法和遺傳算法相結(jié)合,以粒子群算法為主,遺傳算法為輔,形成了PSO-GA算法。該方法融合了兩種算法各自的優(yōu)點(diǎn),建立了基于PSO-GA-ELM的高爐鐵水硅含量預(yù)測模型,仿真結(jié)果驗(yàn)證了該模型的有效性。圖19幅;表4個;參50篇。 

【文章頁數(shù)】：65 頁

【學(xué)位級別】：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
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 現(xiàn)有的主要研究方法
        1.2.2 基于極限學(xué)習(xí)機(jī)的高爐鐵水硅含量預(yù)測模型的研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
第2章 相關(guān)背景
    2.1 高爐煉鐵
        2.1.1 高爐煉鐵系統(tǒng)
        2.1.2 高爐內(nèi)部分區(qū)
        2.1.3 高爐煉鐵工藝流程
        2.1.4 高爐煉鐵過程中發(fā)生的主要化學(xué)反應(yīng)
    2.2 高爐鐵水中的硅元素
        2.2.1 生鐵中的硅含量
        2.2.2 硅的還原規(guī)律
        2.2.3 硅的還原途徑
    2.3 本章小結(jié)
第3章 模型輸入變量的選擇和數(shù)據(jù)預(yù)處理
    3.1 數(shù)據(jù)的采集
    3.2 模型輸入變量的選擇
        3.2.1 基于經(jīng)驗(yàn)的選擇
        3.2.2 基于灰色關(guān)聯(lián)分析法的選擇
    3.3 數(shù)據(jù)的預(yù)處理
        3.3.1 數(shù)據(jù)異常值的處理
        3.3.2 數(shù)據(jù)缺損值的處理
        3.3.3 數(shù)據(jù)歸一化處理
    3.4 模型的評價(jià)指標(biāo)
    3.5 本章小結(jié)
第4章 基于改進(jìn)極限學(xué)習(xí)機(jī)的高爐鐵水硅含量預(yù)測
    4.1 極限學(xué)習(xí)機(jī)
    4.2 遺傳算法
    4.3 遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)
    4.4 實(shí)例仿真
    4.5 本章小結(jié)
第5章 粒子群算法在高爐鐵水硅含量預(yù)測中的應(yīng)用
    5.1 粒子群算法
        5.1.1 粒子群算法基本原理
        5.1.2 粒子群算法的構(gòu)成要素
    5.2 粒子群算法與遺傳算法結(jié)合
    5.3 PSO-GA-ELM模型的建立
    5.4 實(shí)例仿真
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
導(dǎo)師簡介
企業(yè)導(dǎo)師簡介
作者簡介
學(xué)位論文數(shù)據(jù)集



本文編號：3701434