基于GA-FWA在烧结终点预测中的应用研究
发布时间：2023-01-12 23:00
钢铁行业作为中国发展最快并且占有重要社会地位的行业,其广泛应用于社会生活的各个方面,是支撑社会发展的重要产业。然而,由于钢铁产业的飞速发展,导致我国铁矿石被大量开采,富铁矿日渐减少,为了解决原料短缺问题,不影响钢铁工业的生产,烧结矿便应运而生,成为我国高炉生产过程的主要原料,烧结过程也成为了高炉炼铁中的一个重要的环节。烧结终点（BTP）的稳定与否是判断烧结过程是否正常的标志之一,其不仅影响烧结矿的质量和产量,而且对烧结成本有很大影响。由于烧结过程是一个复杂多变、非线性、大时滞的问题,采用传统的机理模型或控制理论很难实现对烧结终点的预测和控制,所以本文采用了一种新的方法:通过新提出的智能优化算法——基于遗传算法的烟花优化算法（GA-FWA）来优化支持向量机模型参数从而实现烧结终点的预测。基于遗传算法的烟花优化算法结合了烟花算法和遗传算法的优点,可以更迅速准确的找到全局最优值,并且支持向量机（SVM）方法是建立在统计学和结构风险最小原理基础上的,有严格的理论和数学基础,可以很好的解决算法复杂度与输入向量密切相关的问题,所以将GA-FWA算法与支持向量机相结合可以训练出一个精度较高的预测模型...
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
1.绪论
1.1 课题的背景及意义
1.2 国内外研究状况
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文主要研究内容
1.4 本文创新点
1.5 论文的构成
2.烧结过程分析及影响因素选择
2.1 烧结生产的基本工艺流程
2.2 烧结过程特点
2.3 烧结终点判断及计算
2.3.1 烧结终点判断
2.3.2 烧结终点软测量模型
2.4 影响因素的选择
2.4.1 主成分分析
2.4.2 影响因素分析
2.5 本章小结
3.支持向量机原理
3.1 支持向量机概述
3.1.1 支持向量机研究
3.1.2 支持向量机分类
3.1.3 支持向量机回归
3.1.4 支持向量机参数选择
3.2 数据预处理
3.2.1 收集整理数据
3.2.2 数据归一化
3.3 SVM预测烧结终点
3.4 智能算法优化SVM预测烧结终点流程
3.5 本章小结
4.传统智能计算方法优化SVM预测烧结终点
4.1 粒子群算法
4.1.1 粒子群算法原理及组成
4.1.2 PSO-SVM预测烧结终点
4.1.3 粒子群算法的优点及不足
4.2 遗传算法
4.2.1 遗传算法原理及组成
4.2.2 GA-SVM预测烧结终点
4.2.3 遗传算法的优点及不足
4.3 烟花算法
4.3.1 烟花算法原理
4.3.2 烟花算法组成部分
4.3.3 FWA-SVM预测烧结终点
4.3.4 烟花算法的优点及不足
4.4 本章小结
5.GA-FWA优化SVM预测烧结终点
5.1 基于遗传算法的烟花优化算法(GA-FWA)原理
5.1.1 GA-FWA提出
5.1.2 GA-FWA改进
5.1.3 GA-FWA实现
5.2 基于遗传算法的烟花优化算法预测烧结终点
5.2.1 GA-FWA寻优效果
5.2.2 GA-FWA-SVM预测烧结终点
5.3 GA-FWA与传统算法的实验仿真结果对比
5.4 本章小结
6.总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢
作者简介
【参考文献】：
期刊论文
[1]基于大数据技术的烧结全产线质量智能控制系统[J]. 吕庆,刘颂,刘小杰,毕中心,李建鹏. 钢铁. 2018(07)
[2]一种烟花算法的优化[J]. 赵伟,郭乙江. 科技通报. 2018(06)
[3]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东. 计算机系统应用. 2018(04)
[4]基于粒子群算法的烧结炉系统辨识及神经网络控制[J]. 曹奔,袁忠于,刘洪. 郑州大学学报(工学版). 2017(05)
[5]改进粒子群算法优化支持向量机在故障诊断中的应用研究[J]. 孙瑶琴. 计算机测量与控制. 2017(03)
[6]基于变邻域粒子群算法的铁水硅含量稳定性分析[J]. 杨凯,金永龙,何志军. 钢铁研究学报. 2017(02)
[7]基于粒子群优化径向基神经网络的烧结终点预测研究[J]. 石炜,孙永涛,秦波,龚志华. 铸造技术. 2016(11)
[8]基于轮廓向量集和遗传算法的高炉炉缸内衬侵蚀预测模型[J]. 邵磊,余珊,王楠,邹宗树. 东北大学学报(自然科学版). 2016(06)
[9]基于遗传算法的无钟高炉布料工艺优化[J]. 任廷志,马财生. 钢铁. 2016(06)
[10]基于优先级的烧结过程协调优化控制系统[J]. 陈鑫,黄冰,吴敏,何勇. 化工学报. 2016(03)
硕士论文
[1]基于神经网络的烧结工艺优化[D]. 陈浩.哈尔滨工业大学 2017
[2]支持向量机以及结合深度学习的分类算法研究[D]. 刘宇锦.华东师范大学 2016
[3]烧结终点预测模型与控制方法研究[D]. 魏玉龙.东北大学 2015
[4]烧结过程烧结终点预报模型研究[D]. 高广宇.东北大学 2014
[5]首秦烧结控制系统模型设计与实现[D]. 王汉飞.东北大学 2013
本文编号：3730573
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
中文摘要
ABSTRACT
1.绪论
1.1 课题的背景及意义
1.2 国内外研究状况
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 论文主要研究内容
1.4 本文创新点
1.5 论文的构成
2.烧结过程分析及影响因素选择
2.1 烧结生产的基本工艺流程
2.2 烧结过程特点
2.3 烧结终点判断及计算
2.3.1 烧结终点判断
2.3.2 烧结终点软测量模型
2.4 影响因素的选择
2.4.1 主成分分析
2.4.2 影响因素分析
2.5 本章小结
3.支持向量机原理
3.1 支持向量机概述
3.1.1 支持向量机研究
3.1.2 支持向量机分类
3.1.3 支持向量机回归
3.1.4 支持向量机参数选择
3.2 数据预处理
3.2.1 收集整理数据
3.2.2 数据归一化
3.3 SVM预测烧结终点
3.4 智能算法优化SVM预测烧结终点流程
3.5 本章小结
4.传统智能计算方法优化SVM预测烧结终点
4.1 粒子群算法
4.1.1 粒子群算法原理及组成
4.1.2 PSO-SVM预测烧结终点
4.1.3 粒子群算法的优点及不足
4.2 遗传算法
4.2.1 遗传算法原理及组成
4.2.2 GA-SVM预测烧结终点
4.2.3 遗传算法的优点及不足
4.3 烟花算法
4.3.1 烟花算法原理
4.3.2 烟花算法组成部分
4.3.3 FWA-SVM预测烧结终点
4.3.4 烟花算法的优点及不足
4.4 本章小结
5.GA-FWA优化SVM预测烧结终点
5.1 基于遗传算法的烟花优化算法(GA-FWA)原理
5.1.1 GA-FWA提出
5.1.2 GA-FWA改进
5.1.3 GA-FWA实现
5.2 基于遗传算法的烟花优化算法预测烧结终点
5.2.1 GA-FWA寻优效果
5.2.2 GA-FWA-SVM预测烧结终点
5.3 GA-FWA与传统算法的实验仿真结果对比
5.4 本章小结
6.总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢
作者简介
【参考文献】：
期刊论文
[1]基于大数据技术的烧结全产线质量智能控制系统[J]. 吕庆,刘颂,刘小杰,毕中心,李建鹏. 钢铁. 2018(07)
[2]一种烟花算法的优化[J]. 赵伟,郭乙江. 科技通报. 2018(06)
[3]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东. 计算机系统应用. 2018(04)
[4]基于粒子群算法的烧结炉系统辨识及神经网络控制[J]. 曹奔,袁忠于,刘洪. 郑州大学学报(工学版). 2017(05)
[5]改进粒子群算法优化支持向量机在故障诊断中的应用研究[J]. 孙瑶琴. 计算机测量与控制. 2017(03)
[6]基于变邻域粒子群算法的铁水硅含量稳定性分析[J]. 杨凯,金永龙,何志军. 钢铁研究学报. 2017(02)
[7]基于粒子群优化径向基神经网络的烧结终点预测研究[J]. 石炜,孙永涛,秦波,龚志华. 铸造技术. 2016(11)
[8]基于轮廓向量集和遗传算法的高炉炉缸内衬侵蚀预测模型[J]. 邵磊,余珊,王楠,邹宗树. 东北大学学报(自然科学版). 2016(06)
[9]基于遗传算法的无钟高炉布料工艺优化[J]. 任廷志,马财生. 钢铁. 2016(06)
[10]基于优先级的烧结过程协调优化控制系统[J]. 陈鑫,黄冰,吴敏,何勇. 化工学报. 2016(03)
硕士论文
[1]基于神经网络的烧结工艺优化[D]. 陈浩.哈尔滨工业大学 2017
[2]支持向量机以及结合深度学习的分类算法研究[D]. 刘宇锦.华东师范大学 2016
[3]烧结终点预测模型与控制方法研究[D]. 魏玉龙.东北大学 2015
[4]烧结过程烧结终点预报模型研究[D]. 高广宇.东北大学 2014
[5]首秦烧结控制系统模型设计与实现[D]. 王汉飞.东北大学 2013
本文编号：3730573
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3730573.html
