發(fā)布時間：2021-04-25 05:38

　　中國作為鋼鐵生產(chǎn)大國,鋼鐵產(chǎn)品的技術(shù)含量和質(zhì)量仍落后于發(fā)達(dá)國家,亟須優(yōu)化產(chǎn)品結(jié)構(gòu)、提高產(chǎn)品質(zhì)量。隨著鋼鐵企業(yè)信息化建設(shè)的不斷完善和計算機(jī)技術(shù)的不斷發(fā)展,利用現(xiàn)代化信息技術(shù)手段實現(xiàn)生產(chǎn)加工流程的深度優(yōu)化和質(zhì)量控制過程已成為趨勢。根據(jù)目前實際生產(chǎn)和研究中存在的問題,本文提出了一個由實際生產(chǎn)數(shù)據(jù)驅(qū)動的鋼鐵企業(yè)全流程產(chǎn)品質(zhì)量數(shù)據(jù)存儲及分析的研究體系,包括性能預(yù)測、成分體系設(shè)計、數(shù)據(jù)倉庫模型設(shè)計等。論文的主要內(nèi)容及創(chuàng)新點如下:（1）在傳統(tǒng)機(jī)械性能預(yù)測模型的基礎(chǔ)上,根據(jù)熱軋生產(chǎn)流程多階段的特點,提出了高維多輸入層遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該模型對應(yīng)熱軋生產(chǎn)過程四個階段,研究中將四個階段的主要工藝參數(shù)分為四個輸入層,構(gòu)建多輸入層神經(jīng)網(wǎng)絡(luò)模型,并采用遺傳算法結(jié)合BP算法的兩步訓(xùn)練方法獲得高精度的網(wǎng)絡(luò)連接權(quán)值,實現(xiàn)熱軋產(chǎn)品成分、工藝參數(shù)和機(jī)械性能指標(biāo)間的映射,具有較高的預(yù)測精度和通用性。（2）根據(jù)熱軋生產(chǎn)過程工藝參數(shù)本身的屬性和內(nèi)在聯(lián)系,提出了基于屬性約簡的ELM機(jī)械性能預(yù)測模型。該模型針對不同的鋼種數(shù)據(jù),采用信息熵結(jié)合Gram-Schmidt正交變換的屬性約簡方法,形成有效的屬性特征集,降低了工藝參數(shù)維度... 

【文章來源】：北京科技大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：107 頁

【學(xué)位級別】：博士

【文章目錄】：
致謝
摘要
Abstract
1 引言
2 文獻(xiàn)綜述
    2.1 鋼鐵產(chǎn)品制造流程及工藝特點
    2.2 數(shù)據(jù)挖掘技術(shù)簡介
    2.3 基于數(shù)據(jù)挖掘技術(shù)的鋼鐵產(chǎn)品質(zhì)量控制研究現(xiàn)狀
        2.3.1 鋼鐵產(chǎn)品組織性能預(yù)測
        2.3.2 煉鋼產(chǎn)品成分體系設(shè)計
    2.4 數(shù)據(jù)倉庫模型技術(shù)
    2.5 目前研究及應(yīng)用存在的不足
    2.6 本文研究內(nèi)容及論文結(jié)構(gòu)
    2.7 本章小結(jié)
3 基于高維多輸入層遺傳神經(jīng)網(wǎng)絡(luò)的性能預(yù)測模型
    3.1 問題描述
    3.2 傳統(tǒng)的高維多輸入層神經(jīng)網(wǎng)絡(luò)模型與算法
    3.3 高維多輸入層遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測模型
        3.3.1 遺傳算法和BP算法相結(jié)合的兩步訓(xùn)練算法
        3.3.2 網(wǎng)絡(luò)輸入?yún)?shù)選擇
        3.3.3 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
    3.4 實驗結(jié)果及分析
        3.4.1 實驗數(shù)據(jù)預(yù)處理
        3.4.2 實驗結(jié)果
        3.4.3 預(yù)測精度對比
    3.5 本章小結(jié)
4 基于屬性約簡的ELM性能預(yù)測模型
    4.1 問題描述
    4.2 基于特征選擇的高維數(shù)據(jù)集的屬性約簡方法
        4.2.1 基于信息熵理論的特征選擇
        4.2.2 基于Gram-Schmidt正交變換方法的屬性約簡
    4.3 極限學(xué)習(xí)機(jī)ELM
    4.4 基于屬性約簡的ELM預(yù)測模型
        4.4.1 基于屬性約簡的ELM建模方法
        4.4.2 兩種不同工藝質(zhì)量數(shù)據(jù)集模型對比分析
        4.4.3 ELM預(yù)測模型隱含層節(jié)點個數(shù)選擇
    4.5 實驗結(jié)果及分析
    4.6 本章小結(jié)
5 基于密度聚類的煉鋼成分體系設(shè)計
    5.1 問題描述
    5.2 DBSCAN算法
    5.3 基于分組的快速DBSCAN算法
        5.3.1 分組算法
        5.3.2 基于分組的DBSCAN算法模型
    5.4 實驗結(jié)果及分析
        5.4.1 實驗數(shù)據(jù)與處理
        5.4.2 實驗結(jié)果
    5.5 本章小結(jié)
6 面向鋼鐵企業(yè)的全流程分析的數(shù)據(jù)存儲模型及應(yīng)用
    6.1 面向鋼鐵企業(yè)的數(shù)據(jù)倉庫模型需求分析
    6.2 數(shù)據(jù)倉庫與OLAP概述
        6.2.1 數(shù)據(jù)倉庫
        6.2.2 OLAP
    6.3 支持質(zhì)量遺傳性分析的多粒度數(shù)據(jù)倉庫模型設(shè)計
        6.3.1 數(shù)據(jù)倉庫模型設(shè)計
        6.3.2 數(shù)據(jù)ETL方法設(shè)計
    6.4 OLAP方法設(shè)計
    6.5 應(yīng)用案例
    6.6 本章小結(jié)
7 結(jié)論
參考文獻(xiàn)
作者簡歷及在學(xué)研究成果
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于實時數(shù)據(jù)流分析的鋼鐵產(chǎn)品質(zhì)量監(jiān)測[J]. 黃縱,張曉龍,邊小勇.  計算機(jī)應(yīng)用. 2012(05)
[2]面向大型鋼鐵集團(tuán)的業(yè)務(wù)及決策信息系統(tǒng)解決方案[J]. 張浩,趙相東,陸劍峰.  計算機(jī)集成制造系統(tǒng). 2010(11)
[3]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的熱軋產(chǎn)品性能預(yù)測[J]. 馬文博,吳斌,朱天,楊娟.  廣西師范大學(xué)學(xué)報(自然科學(xué)版). 2010(03)
[4]數(shù)據(jù)挖掘算法的評價標(biāo)準(zhǔn)與方法[J]. 哈金才.  微電子學(xué)與計算機(jī). 2006(12)
[5]鋼材性能柔性化與柔性軋制技術(shù)[J]. 劉相華,王國棟,杜林秀,劉振宇.  鋼鐵. 2006(11)
[6]淺析數(shù)據(jù)挖掘的研究現(xiàn)狀及其應(yīng)用[J]. 劉曉慶.  電腦知識與技術(shù). 2006(26)
[7]SOM神經(jīng)網(wǎng)絡(luò)算法的研究與進(jìn)展[J]. 楊占華,楊燕.  計算機(jī)工程. 2006(16)
[8]“大規(guī)模定制”生產(chǎn)模式在鋼鐵企業(yè)的應(yīng)用實踐[J]. 周世春,丁建華,陳超.  中國工程科學(xué). 2006(03)
[9]國外數(shù)據(jù)挖掘應(yīng)用研究與發(fā)展分析[J]. 滕廣青,毛英爽.  統(tǒng)計研究. 2005(12)
[10]數(shù)據(jù)挖掘算法研究與綜述[J]. 鄒志文,朱金偉.  計算機(jī)工程與設(shè)計. 2005(09)

博士論文
[1]基于信息熵的特征選擇算法研究[D]. 劉華文.吉林大學(xué) 2010
[2]貝葉斯網(wǎng)絡(luò)故障診斷與維修決策方法及應(yīng)用研究[D]. 李儉川.中國人民解放軍國防科學(xué)技術(shù)大學(xué) 2002

碩士論文
[1]基于數(shù)據(jù)倉庫的鋼鐵企業(yè)產(chǎn)品分析系統(tǒng)[D]. 李波.東北大學(xué) 2006



本文編號：3158809