LF精炼炉合金加料智能预测模型的研究

《LF精炼炉合金加料智能预测模型的研究》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、国西要种技女学学位论文嚣薹暴竖盐些芝丝垄盐塑垒塑型壁型生煎塞』竺坐业业堕型坐竖哇型塑旦型塑旦型生业旦鲤生Ba删onIhdLFFiner研究生姓名导师姓名、职称申请学位级别—————』墅麴L———一———兰盏兰—型墼丝—一颇±学科、专业：生型垫垄墨自叠!!鉴里学位授予单位：亟圭!±垫苎芏论文题目：LF精炼炉合金加料智能预测模型的研究专业：检测技术与自动化装置研究生：冯景晓(签名)壤基鲢。指导教师：杜京义(签名)垒童：塞摘要LF精炼炉合金加科模型的优劣直接影响到成品钢的质量及生产成本．由于合金加料模型受到众多因素的影响，采用传统建模方法建立准确的合金加料模型显得较为困难，这已成为提高炼钢

2、工艺水平的一个瓶颈．因此，合金加料模型的研究已成为当前研究的一个热点问题。论文围绕合金加料模型的建立，首先从实际现场出发，通过调研、分析，充分了解影响模型的众多因素，根据需要选取相应的硬件和设计软件，建立了数据采集系统。其次。利用实际数据对经验公式模型、多元线性回归模型和径向基神经网络模型进行仿真比较．结果表明，径向基神经网络比前二者更具有稳健性和泛化性．由于在建模中各变量之间存在多重相关性，以至于造成信息的重叠；而且在实际操作中若遇到小样本情况，直接用数据建模将影响到模型的准确度．因此文中采用主成分分析进行维度缩减。、最后，在维度缩减的基础上再次用多元线性回归模型和RBF神经网络进

3、行建模预测，结果表明在预测效果上都具有明显的改善．关键词：LF精炼炉；合金加料模型；多元线性回归模型；主成分分析；RBF神经网络研究类型：应用研究Subject：ResearchontheIntelligentAlloyBurdenPredictionModelBasedontheLFFinerSpecialty：DetectionTechnologiesandMeasureingDevicesName：FengJing-xiaoInstructor：DuJing-yiABSTRACT(Signature)珀玛=：迦J’，(Signature)旦丝望靼2jThequalityofLF

4、fineryalloyburdenmodelinfluencesthequalityandcostsofthefinishedsteeldirectly．BecauseofmanyfactorsaffectingtheLFfineryalloyburdenmodel，adoptingtraditionalmodelingmeanstofoundexactmodelismoredifficult,whichhasbeenabottienccktoimprovethetechnicslevelofsteel-making．Thereforetheresearchofalloyburden

5、modelhasbecomefocusofam砷mtresearch．。Basedonthefoundationofthealloyburdenmodel,firstdepartingfmmthepracticalfield,findingoutenough丘吣t0幅thataffectthemodelbyinvestigationandanalysisandchoosingthecorrespondinghardwareandsofh,vareaccordingtotheneeding,thethesisdesignsdataacquisitionsystenLNext,emula

6、teandcomparetheempiricalformulamodel，themultipleline越regressionmodelandRBFneuralnetworkmodelbyusingthepracticaldata．TheresultshowsthatRBFneuralnetworkismorerobusmessthanothers．ThereisSOmuchrelativitybe“Ve％variablesthatcausestheinformationoverlapping．Also．ifweencounteTsmallsamplesituationduringp

7、racticaloperation,directlyusingthedatamodelingwillaffecttheaccuracyofthemodel．So，themajorelementanalysisisusedtocurtailthedimensionality。Finally,basedonthedimensionalitycurtailment,themultiplelinearregressionmodelandRBFneuralnetwo