高爐煉鐵作為最主要的煉鐵方法,其煉鐵工藝的改進和煉鐵原理的研究受國內(nèi)外專家學(xué)者重視,其建模和控制一直是當今冶金與自動化領(lǐng)域的研究熱點。但是由于高爐內(nèi)部物理化學(xué)反應(yīng)復(fù)雜,各參數(shù)耦合嚴重,非線性成分較強,高溫粉塵等惡劣環(huán)境導(dǎo)致測量設(shè)備失效等原因,高爐煉鐵過程的建模非常困難。此外,鐵水溫度、Si含量、S含量、P含量等多個鐵水質(zhì)量參數(shù)難以直接在線檢測,其離線化驗分析過程具有很大的滯后,質(zhì)量信息不能及時反饋,也影響高爐系統(tǒng)自動控制的實現(xiàn)。因此實現(xiàn)鐵水質(zhì)量參數(shù)優(yōu)化控制,必須建立有效的多元鐵水質(zhì)量參數(shù)軟測量模型。針對上述問題,本文依托國家自然科學(xué)基金重大項目“大型高爐高性能運行控制的基礎(chǔ)理論與關(guān)鍵技術(shù)研究”,采用數(shù)據(jù)建模技術(shù),利用多輸出支持向量回歸算法建立多元鐵水質(zhì)量參數(shù)的軟測量模型,優(yōu)化模型結(jié)構(gòu)參數(shù),設(shè)計開發(fā)軟測量系統(tǒng),實現(xiàn)鐵水質(zhì)量參數(shù)的在線連續(xù)估計。主要工作如下:(1)分析鐵水質(zhì)量參數(shù)檢測的現(xiàn)狀,針對機理建模難以準確估計鐵水質(zhì)量參數(shù)的問題,采用統(tǒng)計學(xué)習(xí)的方法進行軟測量建模。依據(jù)高爐煉鐵過程的工藝機理,分析高爐參數(shù)之間的動態(tài)耦合關(guān)系。(2)進行數(shù)據(jù)預(yù)處理,構(gòu)造訓(xùn)練樣本,建立鐵水質(zhì)量參數(shù)的多維支持向...

【文章來源】： 東北大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：93 頁

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及研究意義
    1.2 鐵水質(zhì)量參數(shù)的常規(guī)測量現(xiàn)狀
        1.2.1 鐵水質(zhì)量參數(shù)的基本概念
        1.2.2 鐵水質(zhì)量參數(shù)檢測的重要性
        1.2.3 鐵水質(zhì)量參數(shù)的在線儀表測量
        1.2.4 鐵水質(zhì)量參數(shù)的離線化驗分析
    1.3 鐵水質(zhì)量參數(shù)在線軟測量的必要性和現(xiàn)狀
        1.3.1 高爐煉鐵過程鐵水質(zhì)量控制的重要性和現(xiàn)狀
        1.3.2 進行鐵水質(zhì)量軟測量研究的必要性
        1.3.3 軟測量技術(shù)及應(yīng)用概況
        1.3.4 高爐煉鐵過程鐵水質(zhì)量參數(shù)軟測量的國內(nèi)外研究現(xiàn)狀
    1.4 本文研究主要內(nèi)容與論文結(jié)構(gòu)
第2章 高爐煉鐵過程工藝及出鐵過程動態(tài)特性分析
    2.1 引言
    2.2 高爐煉鐵過程工藝描述
    2.3 高爐出鐵過程描述
    2.4 高爐出鐵過程動態(tài)特性分析
        2.4.1 高爐出鐵過程輸入輸出變量分析
        2.4.2 高爐出鐵過程動態(tài)特性及建模復(fù)雜性分析
    2.5 本章小結(jié)
第3章 基于多輸出支持向量回歸機(M-SVR)的多元鐵水質(zhì)量軟測量建模
    3.1 引言
    3.2 支持向量機(SVM)的基本原理
        3.2.1 最優(yōu)分類超平面
        3.2.2 支持向量
        3.2.3 核函數(shù)
        3.2.4 支持向量機(SVM)的改進和應(yīng)用
    3.3 軟測量訓(xùn)練樣本的獲取
    3.4 基于PCA的輔助變量約簡
    3.5 基于M-SVR的多元鐵水質(zhì)量參數(shù)軟測量建模策略
    3.6 多輸出支持向量回歸(M-SVR)建模算法
        3.6.1 M-SVR的基本原理和優(yōu)化目標
        3.6.2 M-SVR模型參數(shù)的優(yōu)化過程
        3.6.3 M-SVR模型結(jié)構(gòu)參數(shù)的確定
    3.7 仿真實驗研究
        3.7.1 模型訓(xùn)練效果
        3.7.2 模型驗證效果
        3.7.3 減少樣本量對模型驗證效果的影響
    3.8 本章小結(jié)
第4章 基于多輸出模型綜合評價與遺傳優(yōu)化的多元鐵水質(zhì)量M-SVR建模
    4.1 引言
    4.2 遺傳算法的理論和應(yīng)用
        4.2.1 遺傳算法與生物進化
        4.2.2 遺傳算法的特點
        4.2.3 遺傳算法的基本概念和步驟
    4.3 基于模型綜合評價與遺傳優(yōu)化的M-SVR建模策略
        4.3.1 多輸出模型綜合評價標準
        4.3.2 基于模型綜合評價與遺傳優(yōu)化的M-SVR建模策略
    4.4 基于多輸出模型綜合評價與遺傳參數(shù)優(yōu)化的M-SVR建模算法
        4.4.1 GA-MSVR結(jié)構(gòu)參數(shù)的初始種群范圍
        4.4.2 GA-MSVR結(jié)構(gòu)參數(shù)的尋優(yōu)
        4.4.3 GA-MSVR的建模與軟測量流程
    4.5 仿真實驗研究
        4.5.1 優(yōu)化過程的參數(shù)變化情況
        4.5.2 GA-MSVR的模型軟測量效果和多輸出模型評價
    4.6 本章小結(jié)
第5章 鐵水質(zhì)量參數(shù)軟測量系統(tǒng)的開發(fā)及應(yīng)用
    5.1 引言
    5.2 多元鐵水質(zhì)量參數(shù)軟測量系統(tǒng)的需求分析
        5.2.1 柳鋼2#高爐煉鐵過程的生產(chǎn)操作現(xiàn)狀
        5.2.2 柳鋼2#高爐多元鐵水質(zhì)量參數(shù)軟測量系統(tǒng)的需求
    5.3 柳鋼2#高爐多元鐵水質(zhì)量參數(shù)軟測量系統(tǒng)的設(shè)計
        5.3.1 系統(tǒng)軟件結(jié)構(gòu)的設(shè)計
        5.3.2 系統(tǒng)硬件結(jié)構(gòu)的設(shè)計
    5.4 柳鋼2#高爐多元鐵水質(zhì)量軟測量系統(tǒng)的開發(fā)
        5.4.1 建模算法的開發(fā)
        5.4.2 操作界面的開發(fā)
        5.4.3 數(shù)據(jù)庫的開發(fā)
    5.5 柳鋼2#高爐多元鐵水質(zhì)量軟測量系統(tǒng)現(xiàn)場的調(diào)試及運行結(jié)果分析
    5.6 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作
    6.2 工作展望
參考文獻
致謝
碩士期間主要工作


【參考文獻】：
期刊論文
[1]基于隨機森林算法的高爐鐵水硅質(zhì)量分數(shù)預(yù)測模型 [J]. 王文慧,劉祥官,劉學(xué)藝.  冶金自動化. 2014(05)
[2]基于種群多樣性評價的自適應(yīng)遺傳算法 [J]. 路景.  電子測試. 2014(04)
[3]多智能體粒子群優(yōu)化的SVR模型預(yù)測控制 [J]. 唐賢倫,李洋,李鵬,劉念慈.  控制與決策. 2014(04)
[4]基于支持向量機回歸的T-S模糊模型自組織算法及應(yīng)用 [J]. 梁炎明,蘇芳,李琦,劉丁.  自動化學(xué)報. 2013(12)
[5]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)觀測器的設(shè)計及應(yīng)用 [J]. 鐘斌,趙曉青,胡雪艷.  西安理工大學(xué)學(xué)報. 2013(03)
[6]支持向量機在高爐鐵水溫度預(yù)測中的應(yīng)用 [J]. 崔桂梅,孫彤,張勇.  控制工程. 2013(05)
[7]Adaboost算法改進BP神經(jīng)網(wǎng)絡(luò)預(yù)測研究 [J]. 李翔,朱全銀.  計算機工程與科學(xué). 2013(08)
[8]基于遺傳算法優(yōu)化的支持向量機品位插值模型 [J]. 李翠平,鄭瑤瑕,張佳,侯定勇.  北京科技大學(xué)學(xué)報. 2013(07)
[9]基于主曲線的多輸入多輸出支持向量機算法 [J]. 毛文濤,趙勝杰,張俊娜.  計算機應(yīng)用. 2013(05)
[10]運用SQL Server開發(fā)軟件參照完整性實現(xiàn)方法 [J]. 劉艷春.  計算機技術(shù)與發(fā)展. 2013(06)



本文編號：3537492