基于ADABOOST和ELM的钢包精炼炉终点温度预报

发布时间：2025-06-04 03:24

　　伴随着炼钢业的不断发展,人们对钢的工艺要求在日益的提升,钢包精炼炉(Ladle Furnace)正满足了工业发展的需要,钢包精炼法在推进了新钢种、新工艺的研究和发展上起到了至关重要的作用。同时,LF炉还可以保持炉子内的还原气氛、在底部吹氩气进行搅拌、电弧加热等独特的精炼功能。LF炉还可以适应多种精炼方法,以提高钢液的纯净度并满足连铸对钢液成分及温度的要求。钢包精炼过程中,温度的预测对钢包精炼炉来说至关重要,然而影响温度的因素十分复杂,如何准确的预测炉子的温度是问题所在。首先,针对LF炉冶炼过程及其特点,从炉内总能量平衡的角度出发,通过对LF炉冶炼过程能量变化的分析,确定了影响炉内温度的因素,开始对钢包精炼炉温度预报模型进行建模:把能够影响温度变化的因子作为模型的输入数据,把预报的温度作为模型的输出。建模方法方面本文以极限学习机(简称ELM)与偏最小二乘法(简称PLS)方法结合建立了基本的温度预报模型(ELM-PLS),偏最小二乘法在可以为ELM消除数据之间的相关性,配合ELM可以得到快速准确的预报模型。针对单一模型的预报精度不足的问题,提出了基于AdaBoost集成ELM-PLS模型,集...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 LF炉概述
        1.2.1 钢包精炼概述
        1.2.2 钢包精炼炉的基本构造
        1.2.3 LF炉的精炼功能
    1.3 LF炉预报方法的概述
    1.4 论文针对LF炉预报所做的工作
    1.5 论文结构
第2章 极限学习机与集成学习算法
    2.1 极限学习机的特点及发展
        2.1.1 单隐含层前向神经网络
        2.1.2 SLFN学习的ELM实现
    2.2 集成算法的特点及发展
        2.2.1 集成算法的起源
        2.2.2 Boosting集成学习算法
        2.2.3 解决回归问题的集成学习算法
    2.3 本章小结
第3章 LF炉钢水温度预报的预测模型
    3.1 影响温度的因素
        3.1.1 LF炉总能量平衡分析
        3.1.2 确定影响因素
    3.2 预测模型算法的选择
        3.2.1 神经网络的选择
        3.2.2 ELM结合偏最小二乘法建模方法
        3.2.3 AdaBoost对ELM-PLS模型集成
    3.3 本章小结
第4章 遗传算法与预测模型优化
    4.1 遗传算法的基本概念
    4.2 遗传算法的模式定理
    4.3 遗传算法
        4.3.1 遗传算法的基本步骤
        4.3.2 遗传算法的染色体编码
        4.3.3 适应度函数
        4.3.4 遗传因子
    4.4 遗传算法对AdaBoost-ELM-PLS模型的优化
        4.4.1 遗传算法优化ELM输入层至隐含层的权值
        4.4.2 遗传算法优化AdaBoost集成算法的阀值
    4.5 本章小结
第5章 结论与展望
    5.1 结论
    5.2 论文展望
参考文献
致谢
作者简介
攻读学位期间发表的论著及获奖情况



本文编号：4049238