鋼鐵產(chǎn)業(yè)是國民經(jīng)濟的基礎(chǔ)。硅、錳、磷、硫含量等鐵水質(zhì)量參數(shù)是反映煉鐵效果、保證高能效冶煉的關(guān)鍵指標(biāo)。由于高爐冶煉的多工況、多相強耦合、非線性等特點,鐵水質(zhì)量預(yù)報一直是冶金自動化的難題。本文針對高爐反應(yīng)的特性,展開了以下研究:1)通過對化學(xué)反應(yīng)機理以及針對實際生產(chǎn)數(shù)據(jù)的統(tǒng)計學(xué)分析,確定合理的過程相關(guān)變量。然后針對系統(tǒng)的特點,選定ARMAX模型與LSTM模型作為主要的建模方法。2)使用ARMAX模型對高爐冶煉進行建模,并實現(xiàn)了ARMAX模型的在線算法。針對在線算法存在不可解的風(fēng)險,提出弱平穩(wěn)貝葉斯準則來解決此問題。將LSTM模型應(yīng)用于鐵水質(zhì)量建模。基于對兩種算法的研究,提出一種ARMAX-LSTM模型框架,該框架首先使用ARMAX模型提取線性模態(tài),然后使用LSTM模型對前者的殘差進行建模。最終實現(xiàn)縮減LSTM規(guī)模的同時提升了準確率。3)針對高爐生產(chǎn)中存在的工況切換問題提出兩種算法。應(yīng)對顯著的操作條件變化,提出一種基于持續(xù)步長的經(jīng)驗性算法。該算法對過程變量的一階差分進行監(jiān)測,當(dāng)出現(xiàn)較大的差分值,而后續(xù)差分值保持足夠步長的小數(shù)值,則觸發(fā)ARMAX-LSTM模型重整定。應(yīng)對隱式工況切換,將ARM...

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１煉鐵流程??Ｆｉｇｕｒｅ?１－１?Ｐｒｏｃｅｓｓ?ｏｆ?Ｉｒｏｎｍａｋｉｎｇ??

的鐵水被送到轉(zhuǎn)爐吹氧得到鋼水。鋼水經(jīng)過鑄鋼得到鋼坯，鋼坯經(jīng)過軋鋼得到最??終的鋼件。??鋼鐵制造整個產(chǎn)業(yè)鏈中最為關(guān)鍵的環(huán)節(jié)就是高爐煉鐵。圖１－１［１］中展示的就??是高爐煉鐵的流程。焦炭和礦石通過傳送皮帶被傳送到爐頂進行裝料，高爐下部??有熱風(fēng)鼓風(fēng)及噴吹煤粉，高爐內(nèi)部進行鐵的還原....

圖３－丨前憒神經(jīng)冋絡(luò)??Ｆｉｇｕｒｅ?３－１?Ｆｅｅｄ－ＦｏｒｗａｒＮｅｕｒａｌ?Ｎｅｔｗｏｒｋ??

３．２．１前饋神經(jīng)網(wǎng)絡(luò)??基本的前饋神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層三層構(gòu)成，基本結(jié)構(gòu)可以表??示為圖３－１。其中隱含層可以是由多層構(gòu)成，層與層之間通過激活函數(shù)進行連接，??所有的參數(shù)一層層向上傳遞『３Ｇ１。??圖３－丨前憒神經(jīng)冋絡(luò)??Ｆｉｇｕｒｅ?３－１?Ｆｅｅｄ－Ｆｏｒｗａｒ....

圖３－３長短時記憶神經(jīng)網(wǎng)絡(luò)??Ｆｉｇｕｒｅ?３－３?Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??

３．２．３長短時記憶神經(jīng)網(wǎng)絡(luò)??針對ＲＮＮ的長期依賴問題，Ｓｃｈｍｉｄｈｕｂｅｒ提出了長短期記憶網(wǎng)絡(luò)模型（Ｌｏｎｇ??Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ，?ＬＳＴＭ）。ＬＳＴＭ模型則是將ＲＮＮ的隱含層改為圖３－３所示??的存儲單元，使得時間步間的連接并非靜態(tài)權(quán)值，而是通過門控單元....

圖４－７?ＡＲＭＡＸ－ＬＳＴＭ模型預(yù)測鐵水質(zhì)量結(jié)果??Ｆｉｇｕｒｅ?４－７?ＡＲＭＡＸ－ＬＳＴＭ?Ｍｏｄｅｌ?Ｐｒｅｄｉｃｔｉｏｎ?Ｒｅｓｕｌｔｓ?ｏｔ?ＭＩ〇??

ＷＡＲＭＡＸ－ＬＳＴＭ?０．０７０９?０．８８?０．０１１０?０．００４４?０．００４３??為了進？步說明模型融合的合理性，對比數(shù)倨到達ＷＡＲＭＡＸ模型（Ｓｔｅｐ－１）??與ＬＳＴＭ模型（Ｓｔｑ＞２）時分別獲得的殘差，見圖４－８，可以看到使用ＷＡＲＭＡＸ??得到的殘差進行頂測，能....

本文編號：3923448