發(fā)布時(shí)間：2020-05-24 05:27

【摘要】：鋼鐵產(chǎn)業(yè)是國民經(jīng)濟(jì)的重要基礎(chǔ)產(chǎn)業(yè),轉(zhuǎn)爐煉鋼在鋼鐵產(chǎn)業(yè)中占有極其重要的地位,其主要任務(wù)是進(jìn)行煉鋼終點(diǎn)的碳、溫預(yù)報(bào)。轉(zhuǎn)爐煉鋼過程數(shù)據(jù)是影響預(yù)報(bào)模型碳、溫輸出的重要因素,而選擇輸入?yún)⒘恐械年P(guān)鍵特征是提高碳、溫預(yù)報(bào)模型精度和效率的重要途徑,因此,需要從轉(zhuǎn)爐煉鋼過程高維數(shù)據(jù)輸入特征中優(yōu)化選擇出合理的參量作為碳、溫預(yù)報(bào)模型的輸入節(jié)點(diǎn),且亟需針對轉(zhuǎn)爐煉鋼碳、溫預(yù)報(bào)模型的輸入?yún)⒘刻卣鬟x擇方法進(jìn)行深入的分析研究。本文以轉(zhuǎn)爐煉鋼實(shí)際生產(chǎn)過程數(shù)據(jù)為研究對象,圍繞轉(zhuǎn)爐煉鋼碳、溫預(yù)報(bào)模型輸入端參量的優(yōu)化與選擇問題,依次提出三種特征選擇算法對其進(jìn)行深入研究。首先,提出一種重要貢獻(xiàn)度(Important Contribution Degree,ICD)算法對煉鋼過程數(shù)據(jù)輸入特征進(jìn)行選擇,并基于BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network)模型的終點(diǎn)碳、溫預(yù)報(bào)結(jié)果驗(yàn)證ICD算法的有效性;然后針對ICD算法在基于煉鋼終點(diǎn)鋼水溫度預(yù)報(bào)模型輸入端特征選擇上的不足,采用灰色關(guān)聯(lián)分析(Grey Relational Analysis,GRA)與ICD相結(jié)合的方法(GRA-ICD算法)對煉鋼過程輸入特征進(jìn)行選擇,通過煉鋼終點(diǎn)碳、溫預(yù)報(bào)結(jié)果驗(yàn)證GRA-ICD算法的適用性,證明GRA-ICD算法相對于ICD算法具有一定的優(yōu)勢;最后提出采用向量相似度法對GRA-ICD算法進(jìn)行加權(quán)改進(jìn)(即提出改進(jìn)GRA-ICD算法),將其應(yīng)用于對轉(zhuǎn)爐煉鋼預(yù)報(bào)輸入特征參量的選擇實(shí)驗(yàn)與分析,并通過煉鋼終點(diǎn)碳、溫預(yù)報(bào)精度驗(yàn)證對GRA-ICD算法加權(quán)改進(jìn)的合理性與優(yōu)越性。通過實(shí)驗(yàn)結(jié)果證明了改進(jìn)GRA-ICD算法在轉(zhuǎn)爐煉鋼過程數(shù)據(jù)特征選擇分析與應(yīng)用方面相對于ICD以及GRA-ICD算法均表現(xiàn)出一定的優(yōu)勢,且預(yù)報(bào)精度均高于本文采用的其他特征選擇方法,進(jìn)一步驗(yàn)證了改進(jìn)GRA-ICD針對煉鋼終點(diǎn)碳、溫預(yù)報(bào)模型輸入特征參量選擇的有效性和適用性。綜上,本文所研究特征選擇方法,其目的是獲取影響煉鋼終點(diǎn)輸出碳、溫的關(guān)鍵參量,且改進(jìn)GRA-ICD算法能夠?yàn)檗D(zhuǎn)爐煉鋼碳、溫預(yù)報(bào)模型輸入端參量的選取提供一種方法參考,為轉(zhuǎn)爐煉鋼終點(diǎn)智能預(yù)報(bào)在實(shí)際工業(yè)生產(chǎn)中的應(yīng)用提供一定的理論和實(shí)驗(yàn)基礎(chǔ)。
【圖文】：

本文所研究轉(zhuǎn)爐煉鋼過程屬于 BOF 范疇，其煉鋼過程展示如下圖1-1 所示：圖 1-1 堿性氧氣頂吹轉(zhuǎn)爐煉鋼（BOF）工業(yè)生產(chǎn)過程概況1952 年，世界第一座氧氣頂吹轉(zhuǎn)爐在奧地利林茨·道納維茨(Linz,Donawitz)鋼廠誕生，其后陸續(xù)在一些國家獲得廣泛采用。1964 年我國第一家氧氣頂吹轉(zhuǎn)爐煉鋼廠在首鋼建成投產(chǎn)，與此同時(shí)我國太鋼從奧鋼聯(lián)引進(jìn)了 2 臺 50 t 氧氣頂吹轉(zhuǎn)爐，使我國的氧氣頂吹轉(zhuǎn)爐煉鋼進(jìn)入了發(fā)展的初始階段[22]。2000 年以后國內(nèi)鋼鐵企業(yè)重點(diǎn)開展鋼鐵生產(chǎn)流程與工藝結(jié)構(gòu)的優(yōu)化，一些鋼鐵企業(yè)通過煉鋼過程

GRA-ICD 的特征選擇算法，并將其應(yīng)用到轉(zhuǎn)爐煉鋼過程數(shù)據(jù)特征的選擇分析；隨后，將 GRA-ICD 算法選擇的特征作為 BP 神經(jīng)網(wǎng)絡(luò)模型輸入端參量，并對終點(diǎn)碳、溫預(yù)報(bào)模型進(jìn)行訓(xùn)練和測試，通過預(yù)報(bào)的精度驗(yàn)證特征選擇的合理性以及GRA-ICD 算法相對于 ICD 算法具有一定的優(yōu)勢；第四章：基于改進(jìn) GRA-ICD 的轉(zhuǎn)爐煉鋼過程數(shù)據(jù)輸入特征選擇。在第四章GRA-ICD 方法的基礎(chǔ)上，，利用向量相似度賦權(quán)法對 GRA 進(jìn)行加權(quán)改進(jìn)，并結(jié)合ICD 方法組成改進(jìn) GRA-ICD 算法。將其應(yīng)用到轉(zhuǎn)爐煉鋼過程數(shù)據(jù)特征的選擇分析，最后采用 BP 神經(jīng)網(wǎng)絡(luò)終點(diǎn)碳、溫預(yù)報(bào)模型對特征提取方法進(jìn)行驗(yàn)證與分析，證明改進(jìn) GRA-ICD 算法針對轉(zhuǎn)爐煉鋼碳溫預(yù)報(bào)模型輸入?yún)⒘窟x擇的有效性與優(yōu)越性；第五章：總結(jié)和展望。主要是對本文所做的研究和工作進(jìn)行全面的總結(jié)，包括理論研究和實(shí)驗(yàn)階段遇到的問題；對今后需要進(jìn)一步完善與深入研究的目標(biāo)進(jìn)行展望。其組織結(jié)構(gòu)如下圖 1-2 所示：
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TF713

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 翟寶鵬;王明林;;260噸轉(zhuǎn)爐自動(dòng)化煉鋼模型開發(fā)與應(yīng)用[J];中國新技術(shù)新產(chǎn)品;2014年12期

2 梁國安;邵李忠;;熱管技術(shù)在燒結(jié)機(jī)煙氣余熱回收中的應(yīng)用[J];工業(yè)鍋爐;2013年03期

3 夏瑜;吳小俊;馮振華;;基于特征貢獻(xiàn)度的mean shift視頻跟蹤算法[J];控制與決策;2012年07期

4 孟佳娜;林鴻飛;李彥鵬;;基于特征貢獻(xiàn)度的特征選擇方法在文本分類中應(yīng)用[J];大連理工大學(xué)學(xué)報(bào);2011年04期

5 ;A process model for BOF process based on bath mixing degree[J];International Journal of Minerals Metallurgy and Materials;2010年06期

6 王心哲;韓敏;;基于變量選擇的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)報(bào)模型[J];控制與決策;2010年10期

7 東亞斌;張小龍;;基于改進(jìn)灰色關(guān)聯(lián)度分析的機(jī)械故障診斷[J];煤礦機(jī)械;2009年02期

8 殷瑞鈺;;我國煉鋼-連鑄技術(shù)發(fā)展和2010年展望[J];煉鋼;2008年06期

9 徐匡迪;;中國鋼鐵工業(yè)的發(fā)展和技術(shù)創(chuàng)新[J];鋼鐵;2008年02期

10 焦利明;于偉;羅均平;翟永慶;;向量相似度在雷達(dá)目標(biāo)識別中的應(yīng)用[J];火控雷達(dá)技術(shù);2006年02期

相關(guān)碩士學(xué)位論文 前10條

1 王亞宸;基于數(shù)據(jù)預(yù)處理和人工智能優(yōu)化的組合預(yù)測模型的研究及應(yīng)用[D];蘭州大學(xué);2017年

2 王述;基于相關(guān)性分析的跨媒體檢索[D];中國科學(xué)院大學(xué)(中國科學(xué)院工程管理與信息技術(shù)學(xué)院);2017年

3 易曉敏;轉(zhuǎn)爐煉鋼終點(diǎn)碳溫預(yù)測與控制模型研究[D];天津理工大學(xué);2017年

4 李碩;基于信息熵—灰色關(guān)聯(lián)度法的電力變壓器故障診斷研究[D];蘭州交通大學(xué);2014年

5 李帥;基于灰色RBF神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐終點(diǎn)預(yù)測模型研究[D];東北大學(xué);2014年

6 姚應(yīng)東;基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼碳溫控制模型及智能專家系統(tǒng)[D];天津理工大學(xué);2014年

7 周瑩瑩;基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)爐煉鋼終點(diǎn)碳溫控制研究[D];天津理工大學(xué);2013年

8 夏文釗;基于量子粒子群的粗糙集屬性約簡算法及流域站網(wǎng)分析[D];武漢理工大學(xué);2012年

9 姜力文;基于信息熵的轉(zhuǎn)爐煉鋼動(dòng)態(tài)過程建模研究[D];大連理工大學(xué);2010年

10 趙耀;基于相關(guān)向量機(jī)的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)報(bào)模型研究[D];大連理工大學(xué);2010年

本文編號：2678524