支持向量機在高爐爐溫預報中的應用及若干改進.pdf

1、鋼鐵是現(xiàn)代社會發(fā)展最重要的工業(yè)原材料之一，鋼鐵工業(yè)則是現(xiàn)代國家的支柱產(chǎn)業(yè)。在鋼鐵工業(yè)的生產(chǎn)流程中，高爐煉鐵是一個十分重要的環(huán)節(jié)。為了實現(xiàn)高爐的節(jié)能降耗和穩(wěn)定優(yōu)質高產(chǎn)，需要對其工藝過程進行優(yōu)化，建立高爐煉鐵過程優(yōu)化與智能控制系統(tǒng)。
　　 高爐煉鐵過程是一個極度復雜的高溫物理化學反應過程，包括上百種物理、化學變化，涉及數(shù)百個反應變量。主要的反應變量既包括料速、透氣性指數(shù)、鐵量差等狀態(tài)變量，也包括風量、風溫、噴煤、富氧率等控制變量。高

2、爐煉鐵優(yōu)化控制的關鍵技術之一在于準確地預測高爐爐溫變化發(fā)展趨勢。在科研與生產(chǎn)中通常用高爐鐵水硅質量分數(shù)[Si]來表征鐵水溫度及高爐爐溫。研究者已經(jīng)建立了一系列高爐爐溫的預測模型，按照數(shù)學模型的分類角度可以將這些模型分為三大類：機理模型，推理模型與數(shù)理模型。隨著對高爐爐溫預測模型研究的不斷深入，專家系統(tǒng)逐漸被應用于高爐煉鐵的生產(chǎn)實踐，取得了一定的成果。但迄今為止高爐煉鐵的閉環(huán)智能控制尚未實現(xiàn)，仍然需要進一步深入研究，而其中的一個技術關鍵就

3、在于準確地預測高爐爐溫變化發(fā)展趨勢，建立適當?shù)臓t溫預測模型。
　　 “統(tǒng)計學習理論”是機器學習領域的經(jīng)典理論，以“結構風險最小化原則”為基礎，綜合考慮了經(jīng)驗風險與置信范圍，從而得到對實際風險的更好的優(yōu)化?！爸С窒蛄繖C”是在統(tǒng)計學習理論上發(fā)展起來的機器學習算法，能夠實現(xiàn)分類和預測的功能，并且可以較好地解決過擬合問題，對于非線性和有限樣本的情形具有較好的學習效果，已經(jīng)在高爐鐵水[Si]預測中取得了初步的應用。
　　 本文根據(jù)

4、支持向量機的算法特點，對其中的懲罰參數(shù)C及核函數(shù)K進行了一定的改進與優(yōu)化，引入模糊數(shù)學及混合核策略，建立了模糊支持向量機模型及混合核支持向量回歸機模型，分別應用于高爐鐵水[Si]波動趨勢預報及高爐鐵水[Si]數(shù)值預測，針對采自包鋼6號高爐(2500立方米)的400爐生產(chǎn)數(shù)據(jù)進行了建模分析。為避免單組樣本的建模結果出現(xiàn)偶然性，本文基于隨機抽樣理論進行了多組試驗，試驗結果顯示：與決策樹及常規(guī)支持向量機相比，模糊支持向量機改進了分類預報效果，