阳极焙烧炉故障预警方法研究

《阳极焙烧炉故障预警方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文摘要统计学习理论是建立在坚实的理论基础之上的，为解决小样本学习问题提供了统一的框架。支持向量机是一种基于统计学习理论的机器学习方法，它很好地执行了统计学习理论的结构风险最小化原则。支持向量机针对小样本情况所表现出来的优良性能引起了众多故障预警领域研究人员的注意，因为故障预警本身就是一种小样本情况在实际问题中的体现。支持向量机应用于故障预警最大的优势在于它适合于小样本决策，其学习方法的本质在于能够在有限特征信息情况下，最大限度地发掘数据中隐含的分类知识。从推广性的角度来看，更适用于故障预警这种实际的工程闯题。针对阳极焙烧炉中存在的问题，运用支持向量机，提出了以加热架温度和烟道压

2、力为特征输入向量，预测火道温度的故障预警的方法。为了满足故障预警所要求的精度，本文对阳极焙烧炉特征参数进行了校正·热电偶是重要的测温工具，用于测量温度样本，本文针对N型热电偶应用中存在的问题，提出了基于粒子群算法优化径向基神经网络(RBF—PSO)进行热电偶非线性校正的新方法。仿真结果表明，采用该方法比以往采用的BP网络和RBF网络方法具有更高的拟合精度；同时以阳极焙烧过程中燃烧室温度为对象进行了仿真和实际应用研究，取得了满意的结果。针对压力传感器在测量烟道压力中存在的问题，本文引入PSO算法，优化小波神经网络的权值和参数(PSO—WNN)，达到提高压力传感器测量精度的目的。最后，将校正

3、后的数据带入故障预警的模型中，以历史样本数据作为学习样本，有效预测了火道温度的输出趋势，并与生产工艺要求进行比较，得出是否满足生产要求的结论，从而解决了阳极焙烧中故障预警的问题。关键词：支持向量机；阳极焙烧；热电偶；压力传感器；故障预警；粒子群算法；小波神经网络阳极焙烧炉故障预测方法研究AbstractStatisticalLearningTheoryisbasedonthetheoryfoundationandprovidesauniformframeworkforlearningsubjectoflimitedsamples．SupportVectorMachines(SVM)isa

4、machine-learningalgorithmbasedonstatisticallearningtheory．Thisalgorithmaccomplishesthestructuralriskminimizationprinciple．ThefineperformanceofSupportVectorMachinestolimitedsamplesattractsattentionofinvestigatorsinfaultdiagnosisfield．Faultdiagnosisisalimitedsamplessubject．ThemostpredominanceofSVMi

5、sproperforlimitedsamplesdecision．Thenatureofthealgorithmisacquiringconnotativeclassinformationtogreatextentfromlimitedsamples．Fromthepointofgeneralization，SVMisthemorefavorableforthepracticalengineeringproblem船faultdiagnosis．Thesupportvectormachinesmethodforpredictingfaultoftheanodebakingfurnacei

6、sintroduced．Acorrectingnonlinearerror8ofthethermocouplesensorbasedonRadialBasisFunctionNeuralNetworkusingparticleswarmoptimizationisintroduced．ItsolvestheshortcomingofThermocoupleSensor’sapplicationonlargedata．TheresultofexperimentshowsthatthenonlinearcalibrationbasedonRBF-PSOhashigherprecisionth

7、anthemethodbasedonBPandRBF．Then，PSO-RBFisusedtotestfire-pathtemperatureintheanodebaking．Itisprovedthatthemethodiseffective．TheWaveletNeuralNetworkusingparticleswarmoptimizationforpressuretransducerisintroduced．TheresuR