基于HS-SVR算法的LF合金成分控制模型的研究

论文摘要

LF炉已成为二次精炼过程中的关键设备之一,对调整钢液成分,特别是对合金成分的控制起重要作用。因此,LF炉的合金成分控制现已成为LF炉的主要研究对象之一然而长久以来,已有的控制模型实际效果并不理想,人们一般基于经验操作来控制合金成分。这样不仅影响控制精度,而且不能合理地优化合金加料方案。为此,本文对LF炉合金成分控制模型进行了深入研究。对加料进行优化,通常情况下建立以合金成本最低为目标的线性规划模型并对其求解。合金元素收得率对模型的精度影响较大,但是合金元素的收得率很难准确获得。本文通过对影响合金元素收得率的因素分析,建立了基于遗传算法与支持向量机的合金元素收得率预测模型。由于新样本不断增加,元素收得率预测模型的训练集也在不断增大。为缩短预测时间并提高预测精度,本文提出HS-SVR增量学习算法,该增量学习算法用于缩减元素收得率模型的训练集样本数。使用元素收得率模型与HS-SVR增量算法可以计算出合金元素收得率的预测值,利用该预测值并通过最优配料模型得到最优合金加料方案。元素收得率模型、增量学习模型与最优配料模型三部分共同构成LF炉合金成分控制模型。经某厂LF炉数据仿真实验表明,该合金成分控制模型可以保证按照钢种成分要求实现准确、经济、快速地合金化操作,使钢水成分达到要求范围,有利于实现LF炉钢水的窄成分控制。

论文目录

• 中文摘要
• ABSTRACT
• 第1章 绪论
• 1.1 LF炉简介
• 1.2 课题背景及意义
• 1.3 国内外LF炉合金成分控制技术发展概况
• 1.4 本文的主要工作
• 第2章 LF炉元素收得率预测模型的建立与仿真
• 2.1 LF炉元素收得率预测模型的建模原理
• 2.1.1 基于GA的SVM参数选择
• 2.1.2 基于GA的收得率预测模型特征选择
• 2.2 LF炉元素收得率预测模型的建立
• 2.2.1 基于SVM的基本预测模型的建立
• 2.2.2 基于GA的SVM参数与特征选择方案的确定
• 2.2.3 样本的选择与处理
• 2.3 仿真分析
• 2.4 本章小结
• 第3章 LF炉元素收得率预测的增量学习算法与仿真
• 3.1 SVM增量学习算法简介
• 3.2 HS-SVR增量学习算法
• 3.2.1 HS-SVR简介
• 3.2.2 HS-SVR原理
• 3.2.3 HS-SVR实现
• 3.3 仿真分析
• 3.4 本章小结
• 第4章 LF炉最优配料模型的建立与仿真
• 4.1 建模原理
• 4.2 模型建立
• 4.2.1 最优加料模型中参数的确定
• 4.2.2 最优加料模型的精确度
• 4.3 模型求解
• 4.4 仿真分析
• 4.5 本章小结
• 第5章 合金成分控制系统设计与实现
• 5.1 合金成分控制系统设计
• 5.2 合金成分控制系统实现
• 5.2.1 功能设计
• 5.2.2 主要操作窗口
• 5.3 合金成分控制系统计算时间
• 第6章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 致谢