基于極限學習機的轉爐煉鋼終點預測模型研究.pdf

1、分類號：密級：UDC：學號：415819213060南昌大學專業(yè)學位研究生學位論文基于極限學習機的轉爐煉鋼終點基于極限學習機的轉爐煉鋼終點預測模型研究預測模型研究ResearchonPredictionModelofBOFSteelmakingEndpointBasedonExtremeLearningMachine張小晨培養(yǎng)單位（院、系）：機電工程學院指導教師姓名、職稱：李鳴教授指導教師姓名、職稱：劉國平教授指導教師姓名、職稱：張衛(wèi)華

2、高級工程師專業(yè)學位種類：工程碩士專業(yè)領域名稱：儀器儀表工程論文答辯日期：2016年月日答辯委員會主席：評閱人：2016年月日摘要I摘要轉爐煉鋼是目前世界上煉鋼的主要方法，主要任務是冶煉出溫度、成分均合乎鋼種要求的鋼水，其中對轉爐的終點控制是關鍵技術。提高終點控制的準確性能夠有效降低生產成本，提高效益。我國目前依然存在大量的自動控制水平較低的小型煉鋼廠，受到多方面限制，還在依靠人工經驗和靜態(tài)控制指導生產。針對這一問題，結合神經網絡和靜態(tài)控

3、制建立模型來提高對轉爐終點碳溫預測的精度，從而達到對轉爐煉鋼終點的控制。在充分閱讀國內外轉爐終點控制領域的相關文獻的基礎上，介紹目前國內外的研究現(xiàn)狀和成果。深入分析了轉爐煉鋼機理模型，根據(jù)冶煉目標要求和原料成分，利用熱平衡和物料平衡，計算出入爐前的原料配比?；跉v史數(shù)據(jù)建立預測模型是靜態(tài)控制的核心，根據(jù)采集的原始數(shù)據(jù)，對數(shù)據(jù)進行預處理.包括剔除異常值，歸一化，采用灰色關聯(lián)分析相關參量與終點碳溫的相關度。取關聯(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神經網絡預測模型，針對BP模型基于梯度下降迭代調整權值而的缺陷，采用粒子群算法對網絡的初始權值和閾值進行優(yōu)化，來避免網絡陷入局部最優(yōu)和反復的迭代，提高模型的預測精度。建立ELM預測模型，ELM采用的是隨機隱藏層初始權值和閾值的做法，通過解析計算來求得輸出權值。針對網絡結構冗余泛化能力不夠的缺陷，融合粒子群算法和差分進化算法，對ELM模型隨機的隱藏層初始權值和閾值進行尋優(yōu)，以提高模型的泛化能力和預測精度。采用某煉鋼廠