發(fā)布時(shí)間：2025-06-04 03:24

　　伴隨著煉鋼業(yè)的不斷發(fā)展,人們對鋼的工藝要求在日益的提升,鋼包精煉爐(Ladle Furnace)正滿足了工業(yè)發(fā)展的需要,鋼包精煉法在推進(jìn)了新鋼種、新工藝的研究和發(fā)展上起到了至關(guān)重要的作用。同時(shí),LF爐還可以保持爐子內(nèi)的還原氣氛、在底部吹氬氣進(jìn)行攪拌、電弧加熱等獨(dú)特的精煉功能。LF爐還可以適應(yīng)多種精煉方法,以提高鋼液的純凈度并滿足連鑄對鋼液成分及溫度的要求。鋼包精煉過程中,溫度的預(yù)測對鋼包精煉爐來說至關(guān)重要,然而影響溫度的因素十分復(fù)雜,如何準(zhǔn)確的預(yù)測爐子的溫度是問題所在。首先,針對LF爐冶煉過程及其特點(diǎn),從爐內(nèi)總能量平衡的角度出發(fā),通過對LF爐冶煉過程能量變化的分析,確定了影響爐內(nèi)溫度的因素,開始對鋼包精煉爐溫度預(yù)報(bào)模型進(jìn)行建模:把能夠影響溫度變化的因子作為模型的輸入數(shù)據(jù),把預(yù)報(bào)的溫度作為模型的輸出。建模方法方面本文以極限學(xué)習(xí)機(jī)(簡稱ELM)與偏最小二乘法(簡稱PLS)方法結(jié)合建立了基本的溫度預(yù)報(bào)模型(ELM-PLS),偏最小二乘法在可以為ELM消除數(shù)據(jù)之間的相關(guān)性,配合ELM可以得到快速準(zhǔn)確的預(yù)報(bào)模型。針對單一模型的預(yù)報(bào)精度不足的問題,提出了基于AdaBoost集成ELM-PLS模型,集...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 LF爐概述
        1.2.1 鋼包精煉概述
        1.2.2 鋼包精煉爐的基本構(gòu)造
        1.2.3 LF爐的精煉功能
    1.3 LF爐預(yù)報(bào)方法的概述
    1.4 論文針對LF爐預(yù)報(bào)所做的工作
    1.5 論文結(jié)構(gòu)
第2章 極限學(xué)習(xí)機(jī)與集成學(xué)習(xí)算法
    2.1 極限學(xué)習(xí)機(jī)的特點(diǎn)及發(fā)展
        2.1.1 單隱含層前向神經(jīng)網(wǎng)絡(luò)
        2.1.2 SLFN學(xué)習(xí)的ELM實(shí)現(xiàn)
    2.2 集成算法的特點(diǎn)及發(fā)展
        2.2.1 集成算法的起源
        2.2.2 Boosting集成學(xué)習(xí)算法
        2.2.3 解決回歸問題的集成學(xué)習(xí)算法
    2.3 本章小結(jié)
第3章 LF爐鋼水溫度預(yù)報(bào)的預(yù)測模型
    3.1 影響溫度的因素
        3.1.1 LF爐總能量平衡分析
        3.1.2 確定影響因素
    3.2 預(yù)測模型算法的選擇
        3.2.1 神經(jīng)網(wǎng)絡(luò)的選擇
        3.2.2 ELM結(jié)合偏最小二乘法建模方法
        3.2.3 AdaBoost對ELM-PLS模型集成
    3.3 本章小結(jié)
第4章 遺傳算法與預(yù)測模型優(yōu)化
    4.1 遺傳算法的基本概念
    4.2 遺傳算法的模式定理
    4.3 遺傳算法
        4.3.1 遺傳算法的基本步驟
        4.3.2 遺傳算法的染色體編碼
        4.3.3 適應(yīng)度函數(shù)
        4.3.4 遺傳因子
    4.4 遺傳算法對AdaBoost-ELM-PLS模型的優(yōu)化
        4.4.1 遺傳算法優(yōu)化ELM輸入層至隱含層的權(quán)值
        4.4.2 遺傳算法優(yōu)化AdaBoost集成算法的閥值
    4.5 本章小結(jié)
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 論文展望
參考文獻(xiàn)
致謝
作者簡介
攻讀學(xué)位期間發(fā)表的論著及獲獎(jiǎng)情況



本文編號：4049238