基于爐熱指數(shù)和改進支持向量機的高爐爐溫預測研究.pdf

1、高爐的穩(wěn)定順行是高爐冶煉過程中保證高質量液態(tài)鐵的基礎。由于高爐冶煉過程具有非線性、高維、大噪聲等特性,大多數(shù)影響高爐穩(wěn)定順行的參數(shù)特性都不能通過現(xiàn)代傳感技術直接測量得到,只能通過間接反映高爐冶煉過程的爐溫來判斷高爐冶煉情況,高爐爐內溫度分布也是難以直接測量的。在正常的冶煉條件下,鐵水含硅量反映了高爐內持續(xù)的熱狀態(tài),與爐溫成正相關,研究高爐鐵水含硅量預測方法是高爐爐溫預報的研究重點。.
　　論文以湖南華菱鋼管有限公司的高爐實際生產數(shù)

2、據(jù)為背景,以鐵水含硅量作為高爐爐溫預測的主要依據(jù),建立了以高爐物料平衡和熱平衡為基礎的高爐爐熱指數(shù)靜態(tài)預測模型和利用神經網絡及支持向量機實現(xiàn)的高爐爐溫預測的動態(tài)模型。
　　高爐爐溫預測的靜態(tài)模型是通過計算爐熱指數(shù):Tc,Tf,選擇常用的理論焦炭燃燒溫度TC對鐵水含硅量和鐵水溫度進行預測。由于高爐冶煉是一個動態(tài)過程,靜態(tài)模型難以反映高爐冶煉過程的動態(tài)變化,故需要建立高爐爐溫預測的動態(tài)模型來反映高爐冶煉過程的動態(tài)變化特征。本文首先采用

3、BP神經網絡和RBF神經網絡來對高爐爐溫進行預測。根據(jù)高爐采集的實際生產數(shù)據(jù)具有小樣本、非線性、高維等特點,重點研究了基于最小二乘支持向量機的高爐爐溫預測模型。為提高模型的預測精度,分別采用遺傳算法(GA)和粒子群算法(PSO)對最小二乘支持向量機模型的相關參數(shù)進行優(yōu)化。
　　對所建立的預測模型利用 Matlab進行了仿真實驗。仿真結果表明:所建立的基于改進支持向量機高爐爐溫預測模型與其它預測模型比較,預測精度更高,可為高爐工長提