本文關(guān)鍵詞：高爐冶煉過程的多尺度特性與硅含量預(yù)測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：作為國民經(jīng)濟(jì)發(fā)展的基礎(chǔ)性產(chǎn)業(yè),高爐煉鐵對(duì)于鋼鐵工業(yè)的發(fā)展以及節(jié)能降耗起著重要的作用。生產(chǎn)過程中,通常利用鐵水硅含量的變化間接地反映爐溫的變化,因此,準(zhǔn)確預(yù)測(cè)硅含量,有利于控制爐溫,維持高爐的穩(wěn)定順行。本文圍繞高爐煉鐵過程的動(dòng)態(tài)特性及多尺度特征展開研究,并對(duì)鐵水硅含量進(jìn)行建模預(yù)測(cè),具有一定的應(yīng)用價(jià)值。針對(duì)動(dòng)態(tài)特性,選取遞歸神經(jīng)網(wǎng)絡(luò)——Elman神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型；針對(duì)多尺度特征,采用Hilbert-Huang變換對(duì)時(shí)間序列進(jìn)行分析、處理。首先,本文利用Hilbert-Huang變換對(duì)高爐煉鐵過程的多尺度特征進(jìn)行辨識(shí)。對(duì)鐵水硅含量的時(shí)間序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解和Hilbert變換,得到了一系列本征模函數(shù)分量和剩余分量,分量的頻率逐漸降低且各分量的平均瞬時(shí)頻率不同,表明高爐煉鐵過程具有多尺度特征。在此基礎(chǔ)上,提出了一種基于多尺度分析的改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)模型框架,并用于鐵水硅含量的預(yù)測(cè)。該框架首先采用EMD方法將時(shí)間序列分解成有限個(gè)、相對(duì)平穩(wěn)的分量；然后,分別對(duì)輸出變量的各分量建立Elman神經(jīng)網(wǎng)絡(luò)子模型；為了進(jìn)一步提高預(yù)測(cè)精度,將子模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合,并利用粒子群算法進(jìn)行權(quán)值的尋優(yōu),最終獲得硅含量的預(yù)測(cè)結(jié)果。將該框架分別基于過程變量和質(zhì)量變量建立預(yù)測(cè)模型,并利用某鋼廠現(xiàn)場(chǎng)采集的數(shù)據(jù)進(jìn)行模型的驗(yàn)證,獲得了較高的命中率,證實(shí)了該多尺度模型框架的有效性。
【關(guān)鍵詞】：鐵水硅含量 動(dòng)態(tài)特性 多尺度特征 Elman神經(jīng)網(wǎng)絡(luò) Hilbert-Huang變換 預(yù)測(cè)
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TF53;TP183
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 緒論9-17
• 1.1 研究背景及意義9-10
• 1.2 高爐煉鐵的工藝流程及爐溫的預(yù)測(cè)10-11
• 1.2.1 高爐煉鐵的工藝流程10
• 1.2.2 高爐爐溫的預(yù)測(cè)10-11
• 1.3 高爐爐溫預(yù)測(cè)模型的研究進(jìn)展11-15
• 1.3.1 機(jī)理模型11-12
• 1.3.2 專家系統(tǒng)12-13
• 1.3.3 數(shù)據(jù)驅(qū)動(dòng)的模型13-15
• 1.4 論文的主要內(nèi)容15-17
• 第二章 高爐煉鐵過程的多尺度特性辨識(shí)17-25
• 2.1 多尺度的概念17-18
• 2.2 Hilbert-Huang變換18-19
• 2.3 高爐鐵水硅含量的多尺度分析19-23
• 2.3.1 高爐鐵水硅含量數(shù)據(jù)的獲取20
• 2.3.2 高爐鐵水硅含量的多尺度分析20-23
• 2.4 本章小結(jié)23-25
• 第三章 鐵水硅含量預(yù)測(cè)建模的理論基礎(chǔ)25-37
• 3.1 變量的選擇25-30
• 3.1.1 偏自相關(guān)函數(shù)25-26
• 3.1.2 互信息26-28
• 3.1.3 關(guān)聯(lián)維數(shù)28-29
• 3.1.4 基于互信息的變量的選擇29-30
• 3.2 Elman神經(jīng)網(wǎng)絡(luò)30-34
• 3.2.1 神經(jīng)網(wǎng)絡(luò)的基本介紹30-32
• 3.2.2 Elman神經(jīng)網(wǎng)絡(luò)32-34
• 3.3 本章小結(jié)34-37
• 第四章 基于過程變量的鐵水硅含量預(yù)測(cè)37-51
• 4.1 基于過程變量的改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)37-38
• 4.2 改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)在鐵水硅含量預(yù)測(cè)中的應(yīng)用38-50
• 4.2.1 數(shù)據(jù)的采集及模型的評(píng)價(jià)標(biāo)準(zhǔn)38-41
• 4.2.2 改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與分析41-50
• 4.3 本章小結(jié)50-51
• 第五章 基于質(zhì)量變量的鐵水硅含量預(yù)測(cè)51-61
• 5.1 基于過程變量的改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)分析51-53
• 5.2 基于質(zhì)量變量的改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)53-54
• 5.3 改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)在鐵水硅含量預(yù)測(cè)中的應(yīng)用54-59
• 5.3.1 數(shù)據(jù)的采集及模型的評(píng)價(jià)標(biāo)準(zhǔn)54
• 5.3.2 改進(jìn)型EMD-Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與分析54-59
• 5.4 本章小結(jié)59-61
• 第六章 總結(jié)與展望61-65
• 6.1 總結(jié)61-62
• 6.2 展望62-65
• 參考文獻(xiàn)65-69
• 致謝69-71
• 攻讀碩士學(xué)位期間的科研成果71

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 安劍奇;陳易斐;吳敏;;基于改進(jìn)支持向量機(jī)的高爐一氧化碳利用率預(yù)測(cè)方法[J];化工學(xué)報(bào);2015年01期

2 郜傳厚;劉祥官;周志敏;;基于Lyapunov指數(shù)的高爐鐵水[Si]預(yù)報(bào)[J];高校應(yīng)用數(shù)學(xué)學(xué)報(bào)A輯(中文版);2006年03期

3 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

4 郜傳厚,周志敏,邵之江;高爐鐵水含硅量的混沌局部線性預(yù)測(cè)[J];金屬學(xué)報(bào);2005年04期

5 郜傳厚,周志敏;高爐鐵水Si含量的修正混沌加權(quán)一階局部預(yù)報(bào)[J];物理學(xué)報(bào);2004年12期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 羅世華;高爐冶煉過程的分形特征辨識(shí)及其應(yīng)用研究[D];浙江大學(xué);2006年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

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

  本文關(guān)鍵詞：高爐冶煉過程的多尺度特性與硅含量預(yù)測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：424089