【摘要】：復雜工業(yè)系統(tǒng)中的建模優(yōu)化問題通常無法采用經(jīng)典數(shù)學模型來刻畫,人工智能是解決這類問題的有效途徑。在大型高爐煉鐵系統(tǒng)中,高爐爐溫是衡量高爐順行與否、指導高爐長確定控制策略的重要性能指標,本文針對高爐爐溫的預測展開研究,將爐溫預測問題轉(zhuǎn)化為鐵水硅含量的預測,將粒子群算法改進并驗證其效果后,應用于高爐鐵水硅含量的支持向量機預測模型中,建立鐵水硅含量預測的支持向量機單模型和支持向量機多模型。本文的研究內(nèi)容具有理論意義和實際應用價值,主要內(nèi)容描述如下:首先,針對粒子群優(yōu)化算法的不足,提出了改進的粒子群優(yōu)化算法DMS-PSO-CLS,DMS-PSO-CLS是基于動態(tài)多群粒子群進行的改進,在動態(tài)多群粒子群的基礎(chǔ)上提出一種新的合作學習策略,該合作學習策略用于在重組周期到來之前對子群之間進行信息交換,所有子群之間便可以進行更多的信息交流,粒子群的探測能力(全局搜索能力)和開發(fā)能力(局部搜索能力)便可以得到更好的均衡。仿真實驗采用了18個測試函數(shù),并將DMS-PSO-CLS的優(yōu)化效果與其他已有的六種改進粒子群優(yōu)化算法進行比較,實驗驗證了本文對粒子群算法的改進取得了顯著的效果。然后,基于改進的粒子群優(yōu)化算法建立高爐鐵水硅含量預測的單模型,將改進的粒子群算法用于支持向量機中的懲罰因子和核函數(shù)參數(shù)優(yōu)化上,把所得優(yōu)化模型用于鐵水硅含量的預測,建立鐵水硅含量預測的單模型。實驗得出基于改進粒子群優(yōu)化算法的支持向量機單模型有更好的預測效果。最后,基于改進的粒子群優(yōu)化算法建立高爐鐵水硅含量預測的多模型,考慮到高爐系統(tǒng)的多工況特性,利用聚類算法對高爐數(shù)據(jù)集分類,每一類近似為一個工況,對每一類分別建立相應的支持向量機預測模型,最終建立高爐鐵水硅含量預測的多模型。通過對兩種模型的實驗比較得出改進粒子群優(yōu)化算法支持向量機多模型有更好的預測效果,與此同時,得出將高爐機理與數(shù)據(jù)相結(jié)合建立的高爐爐溫多模型預測效果更好。
【學位授予單位】：燕山大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TF53;TP18
【圖文】：

維機理模型力學的一維模型最早于 20 世紀 60 年代被提出，向動態(tài)模型的轉(zhuǎn)變。第一個嚴格意義上的高爐一日本名古屋大學工學部鞭嚴教授于 60 年代末研發(fā)、最成功的一個，通過對高爐內(nèi)部化學反應動力給出了高爐內(nèi)部的溫度、壓力等變量沿高爐軸向徑向上均勻分布，并假設(shè)一些過程參數(shù)為常數(shù)。和操作高爐的取樣分析證明了高爐徑向上的氣體都是非常不均勻的，但基于過程參數(shù)在徑向上均數(shù)學模型，在模擬高爐運行狀態(tài)、分析可控量對等性能指標的影響、指導高爐長確定控制策略等動態(tài)模型為分析高爐內(nèi)部動態(tài)特性而發(fā)展起來，：用于研究礦焦比和噴油量變化的影響的 Fielde

第 2 章 高爐冶煉工藝機理及相關(guān)變量分析第 2 章 高爐冶煉工藝機理及相關(guān)變量分析爐是一個高溫、高壓、密閉的反應器，具有復雜的多時空尺，大時滯、非均一、非穩(wěn)態(tài)、非平衡、強非線性等特征，為煉和清潔生產(chǎn)，建立更加貼合實際的高爐模型，必須深入分，將高爐機理信息更多地融入基于數(shù)據(jù)驅(qū)動的高爐預測模型的冶煉工藝機理，并對煉鐵過程中的主要狀態(tài)變量和控制變冶煉的工藝機理鐵是一個機理復雜的冶煉過程，高爐的結(jié)構(gòu)如圖 2-1 所示：

e)9f f)10f圖 3-45f ~10f 在二維情況下三維函數(shù)圖3.5.2 參數(shù)設(shè)置本節(jié)將對 DMS-PSO-CLS 和其他六種改進 PSO 的參數(shù)進行設(shè)置，這六種改進的PSO 算法都是比較具有代表性的常用對比算法。參數(shù)都保持其所在原始參考文獻中的設(shè)置，見表 3-2：表 3-2 參數(shù)設(shè)置算法 參數(shù)設(shè)置 參考文獻GPSO1 2 maxw : 0.9 ~ 0.4, c = c = 2.0, v=0.4[61]PSO-cf1 2 maxc = 3.0, c = 2.0, v=0.4[80]CLPSO1 2 maxw : 0.9 ~ 0.4, c = c = 1.49445, v = 0.4, Refreshing gap=7[66]SPSO1 2 max1: , 0.5 log 2, 0.42 log 2w c = c = + v= [92]

【參考文獻】

相關(guān)期刊論文 前6條

1 申元霞;王國胤;曾傳華;;PSO模型種群多樣性與學習參數(shù)的關(guān)系研究[J];電子學報;2011年06期

2 孫剛;周華平;孫克雷;;基于支持向量機的礦壓監(jiān)測數(shù)據(jù)預測研究[J];阜陽師范學院學報(自然科學版);2013年03期

3 劉路;王太勇;;基于人工蜂群算法的支持向量機優(yōu)化[J];天津大學學報;2011年09期

4 衛(wèi)星;;2009/2011年鋼鐵產(chǎn)業(yè)調(diào)整和振興規(guī)劃摘要[J];上海金屬;2009年06期

5 儲滿生;郭憲臻;沈峰滿;八木順一郎;;高爐數(shù)學模型的進展[J];中國冶金;2007年04期

6 楊天鈞;張建良;左海濱;;節(jié)能減排 低碳煉鐵 實現(xiàn)中國高爐生產(chǎn)的科學發(fā)展[J];中國冶金;2010年07期

相關(guān)碩士學位論文 前1條

1 黃龍誠;基于機理與數(shù)據(jù)混合驅(qū)動的高爐分布式爐溫建模方法研究[D];浙江大學;2013年

本文編號：2767718