基于極限學(xué)習(xí)機(jī)的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)測(cè)模型研究.pdf

1、分類號(hào)：密級(jí)：UDC：學(xué)號(hào)：415819213060南昌大學(xué)專業(yè)學(xué)位研究生學(xué)位論文基于極限學(xué)習(xí)機(jī)的轉(zhuǎn)爐煉鋼終點(diǎn)基于極限學(xué)習(xí)機(jī)的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)測(cè)模型研究預(yù)測(cè)模型研究ResearchonPredictionModelofBOFSteelmakingEndpointBasedonExtremeLearningMachine張小晨培養(yǎng)單位（院、系）：機(jī)電工程學(xué)院指導(dǎo)教師姓名、職稱：李鳴教授指導(dǎo)教師姓名、職稱：劉國平教授指導(dǎo)教師姓名、職稱：張衛(wèi)華

2、高級(jí)工程師專業(yè)學(xué)位種類：工程碩士專業(yè)領(lǐng)域名稱：儀器儀表工程論文答辯日期：2016年月日答辯委員會(huì)主席：評(píng)閱人：2016年月日摘要I摘要轉(zhuǎn)爐煉鋼是目前世界上煉鋼的主要方法，主要任務(wù)是冶煉出溫度、成分均合乎鋼種要求的鋼水，其中對(duì)轉(zhuǎn)爐的終點(diǎn)控制是關(guān)鍵技術(shù)。提高終點(diǎn)控制的準(zhǔn)確性能夠有效降低生產(chǎn)成本，提高效益。我國目前依然存在大量的自動(dòng)控制水平較低的小型煉鋼廠，受到多方面限制，還在依靠人工經(jīng)驗(yàn)和靜態(tài)控制指導(dǎo)生產(chǎn)。針對(duì)這一問題，結(jié)合神經(jīng)網(wǎng)絡(luò)和靜態(tài)控

3、制建立模型來提高對(duì)轉(zhuǎn)爐終點(diǎn)碳溫預(yù)測(cè)的精度，從而達(dá)到對(duì)轉(zhuǎn)爐煉鋼終點(diǎn)的控制。在充分閱讀國內(nèi)外轉(zhuǎn)爐終點(diǎn)控制領(lǐng)域的相關(guān)文獻(xiàn)的基礎(chǔ)上，介紹目前國內(nèi)外的研究現(xiàn)狀和成果。深入分析了轉(zhuǎn)爐煉鋼機(jī)理模型，根據(jù)冶煉目標(biāo)要求和原料成分，利用熱平衡和物料平衡，計(jì)算出入爐前的原料配比?；跉v史數(shù)據(jù)建立預(yù)測(cè)模型是靜態(tài)控制的核心，根據(jù)采集的原始數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理.包括剔除異常值，歸一化，采用灰色關(guān)聯(lián)分析相關(guān)參量與終點(diǎn)碳溫的相關(guān)度。取關(guān)聯(lián)度較大的參量作為模型的輸入。

4、基于樣本數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，針對(duì)BP模型基于梯度下降迭代調(diào)整權(quán)值而的缺陷，采用粒子群算法對(duì)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，來避免網(wǎng)絡(luò)陷入局部最優(yōu)和反復(fù)的迭代，提高模型的預(yù)測(cè)精度。建立ELM預(yù)測(cè)模型，ELM采用的是隨機(jī)隱藏層初始權(quán)值和閾值的做法，通過解析計(jì)算來求得輸出權(quán)值。針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)冗余泛化能力不夠的缺陷，融合粒子群算法和差分進(jìn)化算法，對(duì)ELM模型隨機(jī)的隱藏層初始權(quán)值和閾值進(jìn)行尋優(yōu)，以提高模型的泛化能力和預(yù)測(cè)精度。采用某煉鋼廠