發(fā)布時間：2021-08-07 17:01

　　目前轉(zhuǎn)爐煉鋼仍然是我國眾多煉鋼方式中最主要、最高效的冶煉方式,整個過程是高溫密閉、內(nèi)部信息缺失的復(fù)雜過程。對于轉(zhuǎn)爐一直以來難以解決的問題是終點預(yù)測的準(zhǔn)確控制。其中吹氧是轉(zhuǎn)爐煉鋼的一個重要環(huán)節(jié),吹入氧氣能夠減少碳含量,升高爐內(nèi)溫度除去雜質(zhì)元素,準(zhǔn)確的控制氧氣量能夠在一定程度上提高終點命中率。隨著圖像處理技術(shù)的不斷發(fā)展,可提出通過轉(zhuǎn)爐煉鋼的火焰提取有效的火焰信息預(yù)測終點。在煉鋼的過程中,隨著吹煉的進行,鋼水內(nèi)的各種元素以及溫度在發(fā)生變化的時候必然體現(xiàn)在火焰中,通過提取火焰的顏色特征、邊界復(fù)雜度特征以及紋理特征建立吹煉模型,這是基于圖像處理預(yù)測終點的關(guān)鍵�；鹧嬖谌紵倪^程中變化極快,因此提取特征存在一定的困難,為精確的預(yù)測吹煉終點,本文進行一系列的研究,具體研究內(nèi)容如下:（1）在煉鋼的過程中,吹氧是一個重要的環(huán)節(jié),合理的吹氧量能夠有效提高終點的命中率。本文通過引入深度學(xué)習(xí),采用深度信念網(wǎng)絡(luò),建立吹氧模型,并對深度信念網(wǎng)絡(luò)進行改進,一方面有效的提高了終點命中率,另一方面能夠提高鋼廠的生產(chǎn)效率;（2）針對當(dāng)前國內(nèi)某鋼廠的轉(zhuǎn)爐煉鋼吹煉狀態(tài)識別仍由人工經(jīng)驗完成進而導(dǎo)致吹煉狀態(tài)識別率低的生產(chǎn)現(xiàn)狀,提出... 

【文章來源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

轉(zhuǎn)爐煉鋼工藝圖

內(nèi)蒙科技大學(xué)碩士學(xué)位論文-12-經(jīng)過關(guān)聯(lián)度計算之后，選取關(guān)聯(lián)度大于0.6的做為主導(dǎo)因數(shù)為輸入量，由表一可知，選取鐵水質(zhì)量、廢鋼質(zhì)量、鐵水中碳質(zhì)量分?jǐn)?shù)、目標(biāo)鋼水含碳量、鐵水中硅含量、目標(biāo)鋼水溫度、鐵水溫度七個因素做為建模的輸入量。輸出量為耗氧量。3.2深度信念網(wǎng)絡(luò)深度學(xué)習(xí)[29]是GeoffreyHinton等人在2006年提出的。深度信念網(wǎng)絡(luò)(DeepBeliefNetworks，DBN)屬于深度學(xué)習(xí)的一種網(wǎng)絡(luò)模型，也屬于神經(jīng)網(wǎng)絡(luò)的一個分支。一般的淺層網(wǎng)絡(luò)無法深入的挖掘數(shù)據(jù)之間的潛在關(guān)系，而深度學(xué)習(xí)能夠更深層次的提取數(shù)據(jù)之間的關(guān)系。深度信念網(wǎng)絡(luò)是一種概率生成模型，由許多個受限玻爾茲曼機(RestrictedBoltzmannMachine,RBM)[30]堆疊構(gòu)成的，底層RBM的隱藏層是高層RBM的可見層，經(jīng)過訓(xùn)練之后，輸出都是輸入的一個非線性變換過程。3.2.1受限玻爾茲曼機RBM是一個兩層的無向圖模型，由可見層V和隱藏層H組成，可見層與隱藏層都在神經(jīng)元層內(nèi)無連接，層間屬于全連接。結(jié)構(gòu)如圖3.1所示：圖3.1受限玻爾茲曼機模型結(jié)構(gòu)圖若所有的可見層與隱藏層都屬于二值分布，即i,j,vi∈[0,1],hj∈[0,1].假設(shè)可見層與隱藏層的單元數(shù)分別為m和n，則給定的一組狀態(tài)（v,h），RBM的能量函數(shù)[31]為：nimjjijimjjjniiihwvhbvahvE1111,）（（式3.5）上式中θ={wij,ai,bj}，wij是可視層和隱藏層間的連接權(quán)值，ai為可視層單元的偏置，bj為隱藏層單元的偏置。由能量函數(shù)可得到這組狀態(tài)（v,h）的聯(lián)合概率分布為：ZehvPhvE),(,）（（式3.6）hvhvEeZ,),(（式3.7）其中，Zθ為歸一化因子。對于RBM隱含層h和可見層單元v的條件概率分布分別為：)(|1iijijj）（wvbsigmoidvhP（式3.8）

內(nèi)蒙古科技大學(xué)碩士學(xué)位論文-13-)(|1iijjii）（whasigmoidhvP（式3.9）式中)exp(-11)(xxsigmoid。3.2.2深度網(wǎng)絡(luò)模型深度信念網(wǎng)絡(luò)是一個由多層無監(jiān)督的RBM和一層受監(jiān)督的反向傳播網(wǎng)絡(luò)（BackPropagation,BP）組成的深層網(wǎng)絡(luò)，通過引入深度網(wǎng)絡(luò)，以計算更多復(fù)雜的輸入特征。因為每一個隱藏層可以對上一層的輸出進行非線性變換，因此深度神經(jīng)網(wǎng)絡(luò)擁有比“淺層”網(wǎng)絡(luò)更加優(yōu)異的表達(dá)能力。訓(xùn)練出的模型精度要更加精確。其網(wǎng)絡(luò)結(jié)構(gòu)如圖3.2所示。圖3.2深度信念網(wǎng)絡(luò)模型結(jié)構(gòu)深度信念網(wǎng)絡(luò)是一個深層的非線性網(wǎng)絡(luò)結(jié)構(gòu)，能夠解決復(fù)雜過程的非線性問題。但RBM的可見層輸入必須符合二值分布，若在處理連續(xù)的轉(zhuǎn)爐耗氧量輸入數(shù)據(jù)時會導(dǎo)致信息的丟失，最終影響建模的精度�；谶@種問題，可以引入高斯伯努利受限玻爾茲曼機（GBRBM）解決輸入數(shù)據(jù)信息丟失的問題。3.2.3深度網(wǎng)絡(luò)模型高斯伯努利受限玻爾茲曼機高斯伯努利受限玻爾茲曼機（GBRBM）通過引入高斯函數(shù)，使得輸入向量不再局限于與二值分布，這樣能夠有效的解決了數(shù)據(jù)丟失的問題。對于給定的一組狀態(tài)（v,h），vi表示可見層的第i個輸入量，h為二值分布，即hj∈[0,1]假設(shè)m和n分別表示可見層與隱藏層的單元個數(shù)，則GBRBM的能量函數(shù)為：jnimjijiimjjjniiiihwvhbavhvE1111222)(,）（（式3.10）其中：σ為高斯函數(shù)的標(biāo)準(zhǔn)差,根據(jù)上式能量函數(shù)，GBRBM可見單元與隱藏單元的條件概率為：

【參考文獻(xiàn)】：
期刊論文
[1]粒子群優(yōu)化算法和支持向量機的上市公司信用風(fēng)險預(yù)警[J]. 周樹功,李娟.  現(xiàn)代電子技術(shù). 2020(11)
[2]基于中值濾波和分?jǐn)?shù)階濾波的圖像去噪與增強算法[J]. 張雪峰,閆慧.  東北大學(xué)學(xué)報(自然科學(xué)版). 2020(04)
[3]基于輕型卷積神經(jīng)網(wǎng)絡(luò)的火焰檢測方法[J]. 嚴(yán)云洋,杜晨錫,劉以安,高尚兵.  山東大學(xué)學(xué)報(工學(xué)版). 2020(02)
[4]改進的狼群優(yōu)化二維Otsu閾值分割算法[J]. 張舉世.  電力學(xué)報. 2020(01)
[5]基于最小二乘支持向量機的聚氯乙烯汽提過程預(yù)測模型[J]. 蔣妍.  塑料科技. 2020(02)
[6]基于正態(tài)分布衰減慣性權(quán)重的粒子群優(yōu)化算法[J]. 徐浩天,季偉東,孫小晴,羅強.  深圳大學(xué)學(xué)報(理工版). 2020(02)
[7]基于支持向量機的燃?xì)獗硎緮?shù)識別[J]. 宋延衛(wèi),楊玉東,于悅,王志軍.  長春師范大學(xué)學(xué)報. 2020(02)
[8]多光譜圖像紋理特征數(shù)據(jù)挖掘方法仿真[J]. 時慶濤,朱興宇,于超.  計算機仿真. 2020(02)
[9]基于優(yōu)化損失函數(shù)的YOLOv2目標(biāo)檢測器[J]. 楊海龍,田瑩,王澧冰.  遼寧科技大學(xué)學(xué)報. 2020(01)
[10]基于顏色特征和支持向量機的蠶繭分類方法研究[J]. 孫衛(wèi)紅,黃志鵬,梁曼,邵鐵鋒.  蠶業(yè)科學(xué). 2020(01)

博士論文
[1]轉(zhuǎn)爐煉鋼吹煉數(shù)據(jù)預(yù)測中火焰圖像多特征提取方法研究[D]. 劉輝.昆明理工大學(xué) 2012

碩士論文
[1]基于模糊C均值聚類的腦部MR圖像分割算法研究[D]. 沈曉.南京郵電大學(xué) 2019
[2]基于密集卷積神經(jīng)網(wǎng)絡(luò)特征提取的圖像描述模型研究[D]. 郝燕龍.北京郵電大學(xué) 2019
[3]視覺檢測中顏色測量模型以及色卡設(shè)計研究[D]. 李亞萍.北京交通大學(xué) 2019
[4]轉(zhuǎn)爐底吹控制系統(tǒng)的設(shè)計及研究[D]. 康杰.大連理工大學(xué) 2017
[5]基于火焰多尺度多特征方法預(yù)測煉鋼終點的研究[D]. 曾花.南華大學(xué) 2016
[6]基于高斯伯努利受限玻爾茲曼機的過程監(jiān)測研究[D]. 陳曦.浙江大學(xué) 2016
[7]基于煙氣分析的轉(zhuǎn)爐動態(tài)控制模型[D]. 孫江波.河北聯(lián)合大學(xué) 2014



本文編號：3328182