基于固定尺度支持向量機的VD爐鋼水終點溫度預報.pdf

1、VD爐是爐外精煉過程中降低鋼液中氫，氮，氧含量以及非金屬夾雜物等的重要設備。VD爐終點溫度是決定鋼質量的重要參數(shù)。由于VD爐冶煉在真空下進行冶煉的特點，使得煉鋼溫度參數(shù)很難實現(xiàn)實時測量，無法對終點溫度做出準確預測。通常，大多數(shù)VD爐的冶煉終點溫度依靠長期操作的經驗獲得，導致預測精度的缺陷，影響了冶煉過程的操作。由此，本文進行了VD爐冶煉鋼水終點溫度的預報方法的研究。
　　固定尺度支持向量機(FSSVM)是一種數(shù)據(jù)學習方法，具有訓練

2、速度快，預測精度高和泛化性能好的特點。本文在分析了支持向量機和最小二乘支持向量機的基礎上，詳細闡述了固定尺度支持向量機的機理。采用Nystrom方法在原始空間中求解最優(yōu)化問題;由二次Renyi熵方法選擇PV子樣本集來代表訓練集，由此體現(xiàn)算法的稀疏性。
　　為了建立精確的VD爐鋼水終點溫度預報模型，首先需要對VD爐的工藝和機理進行研究。本文通過研究和分析VD爐工藝及冶煉過程，根據(jù)能量守恒原理，建立VD爐終點溫度的機理模型。詳細分析影

3、響鋼水溫度的各個因素，并得到各部分的數(shù)學表達式。同時，通過定性分析和定量計算，得到對鋼水溫度可忽略的因素。最終推導出VD爐終點溫度的數(shù)學模型。
　　由于所建立的機理模型部分參數(shù)無法得到，所以無法通過機理模型直接計算VD爐的終點溫度，因此考慮采用數(shù)據(jù)建模的方法對VD爐終點溫度進行預報。由于VD爐鋼水溫度的模型復雜，小樣本數(shù)據(jù)難以體現(xiàn)VD爐終點溫度預報模型的所有特征及特征的變化，無法得到很好的預報精度;而大樣本數(shù)據(jù)的學習方法普遍存在訓

4、練太長的問題。為了解決這一矛盾，本文將基于固定尺度支持向量機的學習方法應用于VD爐終點溫度預報。由此前的機理模型得到數(shù)據(jù)模型的輸入參數(shù)，應用CSA算法實現(xiàn)核函數(shù)參數(shù)和懲罰因子的選擇。仿真結果表明，在大樣本情況下該方法與其他方法相比具有訓練時間短，預報精度高的特點。
　　由于純機理建模有著模型復雜，很多模型參數(shù)無法得到，計算復雜的缺點;而純數(shù)據(jù)建模的缺點則是缺乏工藝指導，過分依賴數(shù)據(jù)，模型解釋性差。針對純機理模型和數(shù)據(jù)模型各自的缺點