發(fā)布時(shí)間：2024-06-01 01:12

　　隨著人們對(duì)鋼鐵產(chǎn)品質(zhì)量要求的不斷提高和環(huán)境保護(hù)意識(shí)的不斷加強(qiáng),迫切需要對(duì)鋼鐵生產(chǎn)典型環(huán)節(jié)中存在的預(yù)測(cè)、估計(jì)、診斷以及控制等問題進(jìn)行研究,設(shè)計(jì)符合問題特點(diǎn)的算法,提高控制精度,改善產(chǎn)品質(zhì)量,降低生產(chǎn)能耗。本文針對(duì)鋼鐵生產(chǎn)中的高爐、罩式退火爐、冷軋、連續(xù)退火爐和加熱爐生產(chǎn)過程進(jìn)行研究,采用數(shù)據(jù)解析和智能優(yōu)化等方法,解決實(shí)際生產(chǎn)中存在的預(yù)測(cè)、估計(jì)、診斷、控制等方面的問題,主要工作概述如下：(1)高爐十字測(cè)溫點(diǎn)溫度受熱風(fēng)流量、壓力以及透氣指數(shù)等十多種因素影響,且各種影響因素的作用機(jī)理不清,很難建立準(zhǔn)確的高爐十字測(cè)溫點(diǎn)溫度機(jī)理模型。針對(duì)高爐十字測(cè)溫點(diǎn)溫度數(shù)學(xué)模型難建的問題,設(shè)計(jì)了基于改進(jìn)的粒子群優(yōu)化算法(PSO)的最小二乘支持向量機(jī)(LS-SVM)建模方法。通過對(duì)生產(chǎn)數(shù)據(jù)的相關(guān)性分析,選擇與十字測(cè)溫相關(guān)的輸入變量；采用改進(jìn)的PSO算法優(yōu)化LS-SVM的參數(shù),提高模型的精度。實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)方法相比,本文提出方法所建立的十字測(cè)溫模型預(yù)測(cè)精度提高了3%,能夠滿足實(shí)際生產(chǎn)需要。(2)罩式退火爐鋼卷溫度埋偶檢測(cè)方法容易造成鋼卷損傷,影響產(chǎn)品質(zhì)量。針對(duì)鋼卷溫度檢測(cè)問題,提出了基于改進(jìn)PSO的自適應(yīng)LS...

【文章頁數(shù)】：139 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖２．１十字測(cè)溫裝置示意圖??Ｆｉｇ．?２．１?Ｓｃｈｅｍａｔｉｃ?ｏｆ?ｔｈｅ?ｔｅｍｐｅｒａｔｕｒｅ?ｍｅａｓｕｒｉｎｇ?ｅｑｕｉｐｍｅｎｔ?ｏｆ?ｃｒｏｓｓ?ｂｅａｍ??

圖２．１十字測(cè)溫裝置示意圖??Ｆｉｇ．?２．１?Ｓｃｈｅｍａｔｉｃ?ｏｆ?ｔｈｅ?ｔｅｍｐｅｒａｔｕｒｅ?ｍｅａｓｕｒｉｎｇ?ｅｑｕｉｐｍｅｎｔ?ｏｆ?ｃｒｏｓｓ?ｂｅａｍ??－１９－??

圖２．４建模階段相對(duì)誤差絕對(duì)值比較??巧ｇ．?２．４?民ｅｌａｔｅ?ａｂｓｏｌ山ｅ?ｅｒｒｏｒ?ｃｏｍｐａｒｉｓｏｎｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ａｌｇｏｒｉｔｈｍｓ?ｉｎ?ｍｏｄｅｌ?ｓｔａｇｅ??

１?２?３?４?５?６?７?８?９?１０?１１?１２?１３?１４?巧化?１７?１８?巧?２０??測(cè)試歡據(jù)個(gè)歎??圖２．５測(cè)試階段相對(duì)誤差絕對(duì)值比較??ｆｉｇ．?２．５?民ｅｌａｔｅ?ａｂｓｏｌｕｔｅ?ｅｒｒｏｒ?ｃｏｍｐａｒｉｓｏｎｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ａｌｇｏｒｉｔｈｍ....

圖２．７測(cè)試誤差分析圖（ＰＳＯ優(yōu)化后ＬＳ－ＳＶＭ）??Ｆｉｇ．?２，７?Ｅｒｒｏｒ?ａｎａｌｙｓｉｓ?ｏｆ?ＬＳ－ＳＶＭ?ｏｐｔｉｍｉｚｅｄ?ｂｙ?巧?０?ｉｎ?ｐｒｅｄｉｃｔｉｏｎ?Ｓｔａｇｅ??

圖２．７測(cè)試誤差分析圖（ＰＳＯ優(yōu)化后ＬＳ－ＳＶＭ）??Ｆｉｇ．?２，７?Ｅｒｒｏｒ?ａｎａｌｙｓｉｓ?ｏｆ?ＬＳ－ＳＶＭ?ｏｐｔｉｍｉｚｅｄ?ｂｙ?巧?０?ｉｎ?ｐｒｅｄｉｃｔｉｏｎ?Ｓｔａｇｅ??僅為網(wǎng)格搜索算法的１．６％。在圖２．３中原始數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的誤差很小，相對(duì)誤差在?....

圖２．８高爐煉鐵流程簡(jiǎn)介??

＂ｍｉｌ?ｔｗＢ?＜ｕｔｒ?ｆｉｗ?ｕｉ?巧；??圖２．９高爐布料系統(tǒng)界面??Ｆｉｇ．?２．９?Ｔｈｅ?ｓｏｆｔｗａｒｅ?ｉｎｔｅｒｆａｃｅ?ｓｃｒｅｅｎｓｈｏｔ?ｏｆ?ｔｈｅ?ｂｌａｓｔ?ｆｌｉｍａｃｅ?ｂｕｒｄｅ打?ｄｉｓｔｒｉｂ加ｏｎ?ｓｙｓｔｅｍ??訊利用ＰＳＯ優(yōu)化ＬＳ－....

本文編號(hào)：3985348