基于數(shù)據(jù)驅(qū)動(dòng)的LF爐供電吹氬模型研究
發(fā)布時(shí)間:2025-02-11 17:31
鋼包精煉爐是鋼鐵冶煉行業(yè)對(duì)初熔鋼液進(jìn)行二次精煉的重要設(shè)備,供電與吹氬是精煉過(guò)程中的關(guān)鍵工藝,合理的供電制度能夠有效提升生產(chǎn)效率,降低能耗損失,合理的吹氬制度能夠促進(jìn)鋼液成分均勻融合,保證鋼液成分達(dá)標(biāo),滿足鋼鐵成品質(zhì)量要求。針對(duì)現(xiàn)階段鋼鐵冶煉行業(yè)依靠機(jī)理分析方法結(jié)合人工操作經(jīng)驗(yàn)制定的供電及吹氬制度存在不準(zhǔn)確、不穩(wěn)定等問(wèn)題,本文從數(shù)據(jù)驅(qū)動(dòng)的角度出發(fā),進(jìn)行了深入研究。首先,本文研究了傳統(tǒng)的供電及吹氬模型,結(jié)合相關(guān)性分析方法,確定了供電模型與吹氬模型的影響因素及樣本數(shù)據(jù),設(shè)計(jì)了基于組合核原理的支持向量回歸機(jī)(Support Vector Regression,SVR)供電及吹氬預(yù)估模型,并設(shè)立了對(duì)比模型。以評(píng)價(jià)指標(biāo)分析了各預(yù)估模型的預(yù)估效果,結(jié)果表明基于組合核原理的SVR預(yù)估模型的預(yù)估效果優(yōu)于其余模型,在小樣本數(shù)據(jù)量場(chǎng)景下具有實(shí)際應(yīng)用意義。然后,為了建立適用于大樣本數(shù)據(jù)量場(chǎng)景下的供電及吹氬預(yù)估模型,有效利用供電及吹氬過(guò)程中的時(shí)刻信息,本文在長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)算法的基礎(chǔ)上,針對(duì)供電及吹氬工藝中不同影響因素在不同時(shí)間序列處的重要程度不同的問(wèn)題...
【文章頁(yè)數(shù)】:66 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景及意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.2.1 國(guó)外研究現(xiàn)狀
1.2.2 國(guó)內(nèi)研究現(xiàn)狀
1.3 主要研究?jī)?nèi)容
1.4 論文結(jié)構(gòu)安排
2 相關(guān)理論基礎(chǔ)
2.1 LF爐精煉技術(shù)概述
2.1.1 LF爐結(jié)構(gòu)與工藝介紹
2.1.2 LF爐傳統(tǒng)供電模型
2.1.3 LF爐傳統(tǒng)吹氬模型
2.2 供電吹氬模型影響因素分析
2.2.1 LF爐供電模型分析
2.2.2 LF爐吹氬模型分析
2.3 本章小結(jié)
3 基于組合核函數(shù)的SVR預(yù)估模型
3.1 數(shù)據(jù)預(yù)處理
3.1.1 數(shù)據(jù)獲取與清洗
3.1.2 數(shù)據(jù)檢驗(yàn)與歸一
3.2 SVR理論及核函數(shù)改進(jìn)
3.2.1 支持向量回歸機(jī)(SVR)
3.2.2 核函數(shù)性質(zhì)
3.2.3 基于組合核原理的組合核函數(shù)
3.3 實(shí)驗(yàn)流程及結(jié)果分析
3.3.1 基于組合核函數(shù)的SVR預(yù)估模型建模流程
3.3.2 模型對(duì)比與結(jié)果分析
3.4 本章小結(jié)
4 LSTM-Attention預(yù)估模型
4.1 深度學(xué)習(xí)模型
4.1.1 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)
4.1.2 注意力機(jī)制(Attention)
4.2 基于LSTM-Attention建立預(yù)估模型
4.2.1 數(shù)據(jù)預(yù)處理
4.2.2 Attention機(jī)制的實(shí)現(xiàn)
4.2.3 LSTM-Attention預(yù)估模型網(wǎng)絡(luò)結(jié)構(gòu)
4.2.4 LSTM-Attention預(yù)估模型建模流程
4.3 仿真實(shí)驗(yàn)及結(jié)果分析
4.3.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
4.3.2 實(shí)驗(yàn)結(jié)果及分析評(píng)價(jià)
4.4 本章小結(jié)
5 LF爐供電吹氬模型驗(yàn)證
5.1 LF二級(jí)系統(tǒng)介紹
5.2 供電及吹氬模型功能設(shè)計(jì)與運(yùn)行流程
5.2.1 供電及吹氬模型功能設(shè)計(jì)
5.2.2 供電與吹氬模型運(yùn)行流程
5.3 供電模型及吹氬模型驗(yàn)證
5.4 本章小結(jié)
6 總結(jié)與展望
6.1 總結(jié)
6.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要研究成果
本文編號(hào):4033607
【文章頁(yè)數(shù)】:66 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景及意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.2.1 國(guó)外研究現(xiàn)狀
1.2.2 國(guó)內(nèi)研究現(xiàn)狀
1.3 主要研究?jī)?nèi)容
1.4 論文結(jié)構(gòu)安排
2 相關(guān)理論基礎(chǔ)
2.1 LF爐精煉技術(shù)概述
2.1.1 LF爐結(jié)構(gòu)與工藝介紹
2.1.2 LF爐傳統(tǒng)供電模型
2.1.3 LF爐傳統(tǒng)吹氬模型
2.2 供電吹氬模型影響因素分析
2.2.1 LF爐供電模型分析
2.2.2 LF爐吹氬模型分析
2.3 本章小結(jié)
3 基于組合核函數(shù)的SVR預(yù)估模型
3.1 數(shù)據(jù)預(yù)處理
3.1.1 數(shù)據(jù)獲取與清洗
3.1.2 數(shù)據(jù)檢驗(yàn)與歸一
3.2 SVR理論及核函數(shù)改進(jìn)
3.2.1 支持向量回歸機(jī)(SVR)
3.2.2 核函數(shù)性質(zhì)
3.2.3 基于組合核原理的組合核函數(shù)
3.3 實(shí)驗(yàn)流程及結(jié)果分析
3.3.1 基于組合核函數(shù)的SVR預(yù)估模型建模流程
3.3.2 模型對(duì)比與結(jié)果分析
3.4 本章小結(jié)
4 LSTM-Attention預(yù)估模型
4.1 深度學(xué)習(xí)模型
4.1.1 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)
4.1.2 注意力機(jī)制(Attention)
4.2 基于LSTM-Attention建立預(yù)估模型
4.2.1 數(shù)據(jù)預(yù)處理
4.2.2 Attention機(jī)制的實(shí)現(xiàn)
4.2.3 LSTM-Attention預(yù)估模型網(wǎng)絡(luò)結(jié)構(gòu)
4.2.4 LSTM-Attention預(yù)估模型建模流程
4.3 仿真實(shí)驗(yàn)及結(jié)果分析
4.3.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置
4.3.2 實(shí)驗(yàn)結(jié)果及分析評(píng)價(jià)
4.4 本章小結(jié)
5 LF爐供電吹氬模型驗(yàn)證
5.1 LF二級(jí)系統(tǒng)介紹
5.2 供電及吹氬模型功能設(shè)計(jì)與運(yùn)行流程
5.2.1 供電及吹氬模型功能設(shè)計(jì)
5.2.2 供電與吹氬模型運(yùn)行流程
5.3 供電模型及吹氬模型驗(yàn)證
5.4 本章小結(jié)
6 總結(jié)與展望
6.1 總結(jié)
6.2 展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間主要研究成果
本文編號(hào):4033607
本文鏈接:http://www.lk138.cn/shoufeilunwen/boshibiyelunwen/4033607.html
最近更新
教材專著