检索结果-南通市图书馆

作者：王瑞林武汉工程大学

学位级别：硕士

烧结生产是钢铁冶炼过程中的一道关键工序,其产物烧结矿是高炉炼铁的主要入炉原料,烧结工艺中的混合料水分只有控制在合理范围内才能稳定烧结机工况,提高烧结生产效率。然而烧结配混过程中原料结构频繁发生变化,且存在明显的大滞后性、... 详细信息

烧结生产是钢铁冶炼过程中的一道关键工序,其产物烧结矿是高炉炼铁的主要入炉原料,烧结工艺中的混合料水分只有控制在合理范围内才能稳定烧结机工况,提高烧结生产效率。然而烧结配混过程中原料结构频繁发生变化,且存在明显的大滞后性、时变非线性和多变量扰动等特点,致使大多数烧结厂仍凭借人工经验确定烧结料目标水分并根据水分偏差远程手动控制加水流量。因此,实现烧结混合料水分准确自动控制对提升烧结生产效益与钢铁行业的高质量发展有着重要意义。本文以南钢二烧2×220m烧结机水分控制系统项目为背景,从目标水分的确定和加水量的控制两个方面开展研究,分别提出了基于WOA-BP神经网络的烧结混合料最优目标水分预测模型以及基于多级前馈联合周期梯度寻优的烧结混合料水分控制策略,并设计了基于In Touch和PLC的烧结混合料水分监控系统。通过仿真与工业应用表明,本文所述方法具有良好的预测精度和控制效果,系统投运后显著提升了烧结自动化水平。文中介绍了烧结生产工艺流程,着重对该工艺中的配混过程进行了详细分析,阐述了烧结过程中水分的作用并总结了混合料水分的控制难点。在深入研究烧结配混工艺流程与需求的基础上,开发了烧结混合料水分自动控制系统。针对目标水分难以确定问题,提取了大量烧结生产历史数据,设计了时序对正、最优样本评价、样本标准化等完整的数据处理流程,为后续模型训练与测试提供了数据准备。通过BP神经网络学习最优制粒水分与原料结构之间的复杂关系,并利用鲸鱼优化算法的全局搜索特点和快速收敛性能,对常规BP神经网络进行了优化。在MATLAB上搭建了基于WOA-BP算法的烧结混合料最优目标水分预测模型,并对比了模型优化前后的预测精度,验证了模型的有效性与优越性。针对烧结混合料加水量难以自动控制这一难题,结合一次、二次混合制粒工艺的复杂工况条件,运用平滑滤波器去除测量值的噪声,首次提出一种多级前馈联合周期梯度寻优控制策略,并通过判断不同工况与运行模式转换条件实现全自动生产运行。使用MATLAB/Simulink平台搭建了被控对象的数学模型,分别在小滞后与大滞后两种仿真环境中,对比分析了外环周期梯度寻优内环PID与传统串级PID的控制效果。仿真结果表明,本文提出的周期梯度寻优控制方法能有效克服系统的大滞后问题,且具有更快的收敛速度和更强的抗干扰能力,满足了烧结配混工艺的应用需求。最后完成了控制系统的整体设计,其中,系统硬件设计包括现场硬件配置、上位机和下位机硬件配置,系统软件设计包括上位机监控画面组态与下位机编程。结合系统投运后的生产情况分析了实际运行效果,工业应用表明,本文针对烧结配混工艺所提出的控制策略具有良好的控制性能,保证了烧结生产的稳定运行。

关键词：烧结混合料水分 BP神经网络鲸鱼优化算法(WOA) 多级前馈控制周期梯度寻优

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

叠加泛化集成的烧结水分预测LGBM-RF-XGB混合模型

引用

东北大学学报（自然科学版） 2023年第9期44卷 1245-1250页

作者：黄传奇任昱乾吴朝霞东北大学秦皇岛分校控制工程学院河北秦皇岛066000

针对烧结混合料水分预测的问题,引入了基于叠加泛化集成的建模方法,提出了Robust Scaler-Rank Gauss(RS-RG)混合算法对输入叠加模型的数据进行处理,进而建立了基于叠加泛化集成的烧结混合料水分预测轻量梯度提升机-随机森林-极端梯度提... 详细信息

针对烧结混合料水分预测的问题,引入了基于叠加泛化集成的建模方法,提出了Robust Scaler-Rank Gauss(RS-RG)混合算法对输入叠加模型的数据进行处理,进而建立了基于叠加泛化集成的烧结混合料水分预测轻量梯度提升机-随机森林-极端梯度提升机(LGBM-RF-XGB)混合模型,可以在烧结料混合前预知水分值.LGBM-RF-XGB叠加模型的内部机制是先从LGBM和RF模型生成元数据,再使用XGB模型计算最终预测.结合烧结现场数据,将提出的叠加模型与多个基准模型进行了对比仿真实验.结果表明,所提出叠加模型的精度和误差均优于用于对比的基准模型,满足烧结工艺要求,可以用于实际生产中的烧结混合料水分提前预测,为加水量自动控制提供理论依据.

关键词：烧结混合料水分轻量梯度提升机(LGBM) 随机森林(RF) 极端梯度提升机(XGB) RS-RG数据处理

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

双模型协同预测在烧结混合加水过程上的应用研究

双模型协同预测在烧结混合加水过程上的应用研究

引用

作者：王金迪东北大学

学位级别：硕士

烧结工艺是钢铁生产的一道重要工序。烧结混合料水分含量是烧结过程的关键工艺参数,混合过程的加水量是烧结混合加水过程的重要控制参数。但是,烧结混合加水过程是一个存在大滞后、非线性的复杂生产过程,大部分钢铁厂在生产过程中仍采... 详细信息

烧结工艺是钢铁生产的一道重要工序。烧结混合料水分含量是烧结过程的关键工艺参数,混合过程的加水量是烧结混合加水过程的重要控制参数。但是,烧结混合加水过程是一个存在大滞后、非线性的复杂生产过程,大部分钢铁厂在生产过程中仍采用人工确定加水量和简单前馈加水的方式,混合料水分含量波动较大,难以满足工艺要求。本文提出了一种双模型协同预测的方法,结合卷积神经网络算法,利用两个模型协同预测加水量,可以准确的预测加水数值,使得混合料水分含量稳定在最佳范围。首先,基于烧结混合加水过程的大量历史生产数据,进行数据的预处理,包括数据质量分析、数据清洗、消除数据延迟、数据规范化和数据重构等。并结合灰色关联分析算法、皮尔逊相关系数和斯皮尔曼相关系数法对原料量、加水量和混合料水分含量数据进行了相关性分析,表明了数据之间的相关性,保证了预测建模的可行性和卷积神经网络算法做回归应用的适用性。然后,建立两个预测模型。其中,主模型为加水量预测模型,辅助模型为混合料水分含量预测模型,主模型根据各原料下料量预测出加水量,辅助模型根据各原料下料量和所预测的加水量数值进一步预测出相应的水分含量类别,并根据预测结果,调整加水数值,最终保证混合过程所加水量可以使得混合后的混合料水分含量达到期望的数值。在单独建立加水量回归预测模型的过程中还将卷积神经网络模型与BP神经网络模型、偏最小二乘回归模型、支持向量机回归模型和梯度提升决策树模型进行了对比,通过综合分析RMSE、MAE和R等回归模型评价指标,发现卷积神经网络模型预测效果更好。最后,对所建立的预测模型进行了实证分析。分不同工况,对加水量预测模型进行了实证分析,表明了加水量预测模型良好的准确性和鲁棒性;接着,在给定加水量的基础上,对加水量分别加入了正向扰动、反向扰动和随机扰动,辅助模型可以加以修正,可以使得加水量更加接近理想值,表明了双模型协同预测的有效性。同时,本文还基于Python Tkinter开发了烧结混合加水过程的GUI应用界面,为实际应用奠定了基础。

关键词：烧结混合料水分双模型协同预测卷积神经网络相关性分析 GUI应用界面

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：