导读:本文包含了终点预报论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:终点,神经网络,模型,温度,转炉,成分,均值。
终点预报论文文献综述
汪森辉,李海峰,张永杰,邹宗树[1](2019)在《基于改进的AdaBoost.RS算法的烧结终点预报分析》一文中研究指出烧结终点的稳定控制是提高烧结机利用效率及烧结矿产量和质量的前提,因此获得准确的烧结终点位置是优化烧结过程的基础。通过分析烧结过程参数对烧结终点位置的影响,提出一种适用于烧结终点预测的集成算法。在AdaBoost.RS算法的基础上,自适应调整松弛变量的阈值,以极限学习机为弱学习器建立烧结终点位置预报集成算法模型。以宝钢烧结面积为495m~2的烧结机为例,利用实际生产数据进行模型检验。结果表明,当绝对误差小于1.6m时,模型的预报结果命中率为97.4%,均方根误差为0.58,预报值序列与实际目标值序列的相关系数为0.78。对各影响因素定量分析结果表明,影响烧结终点位置的前叁因素依次为料层厚度、台车速度与配水量。(本文来源于《中国冶金》期刊2019年10期)
铉明涛,李娇娇,王楠,陈敏[2](2019)在《基于FOA-GRNN模型的转炉炼钢终点预报》一文中研究指出目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.(本文来源于《材料与冶金学报》期刊2019年01期)
张宗旺,伯飞虎,周凡,李庆洋[3](2018)在《基于时间序列的烧结终点自适应预报模型》一文中研究指出本文首先用数学和工艺分析的方法,确定终点位置的影响因素;建立基于时间序列的终点预报模型;找到自适应的方法,使终点预报模型能满足未来生产条件调整。结果表明,使用自适应动态预报模型,提前15min预测烧结终点的位置,并且专家知识库不断进行自学习,大大提高了预测的命中率,误差为个风箱的命中率达到100%。(本文来源于《世界有色金属》期刊2018年18期)
刘志明,战东平,葛启桢,孟沈童,郑瑶[4](2018)在《基于BP神经网络的电炉终点碳质量分数预报模型》一文中研究指出采用3层BP神经网络预测电炉终点C成分,根据现场实际情况,选取电耗量、氧耗量、生铁量、废钢量、碳粉量、天然气消耗量、石灰量和原始C、P元素的质量分数9个影响因素作为本模型的输入节点,终点C元素质量分数作为输出节点。输入参数采用线性变换法对数据进行归一化处理,同时应用实际生产数据对终点成分预报模型进行离线验证通过对比其误差与收敛速度,得出最适合本模型的隐层节点数,保证了预报的准确性。实际检验结果表明,预报精度较高,可达到90%以上。(本文来源于《工业加热》期刊2018年04期)
褚菲,程相,代伟,赵旭,王福利[5](2018)在《基于过程迁移的间歇过程终点质量预报方法》一文中研究指出提出了一种基于过程迁移的间歇过程质量预报方法,旨在解决新间歇过程数据不足难以建立准确预报模型的问题。该方法基于多元统计回归分析模型,通过构建相似间歇过程间的共同潜变量空间,将已有相似间歇过程的数据信息迁移应用到未建模的新间歇过程中,实现新间歇过程的快速建模和质量预报。在线应用时,利用在线数据不断更新过程迁移模型;同时,实时估计模型预测误差的置信区间,判断预报模型预测误差的稳定性;为克服相似过程间可能存在的差异给迁移模型带来的不利影响,根据数据相似度逐步剔除相似间歇过程数据。最后,通过仿真实验验证了所提方法的有效性。(本文来源于《化工学报》期刊2018年06期)
汪春鹏[6](2017)在《烧结终点预报神经网络样本优选与系统建模》一文中研究指出烧结终点预报对于提高烧结矿强度和产量、降低能耗具有重要意义,但是烧结终点状态受多种因素影响,无法直接检测,只能由操作工依据经验进行判断,严重影响了烧结生产的稳定运行。本系统运用K均值聚类分析的样本优选方法对海量数据进行处理,选择具有代表性的样本,从而有效缩小样本空间、改善样本质量。使用风箱温度曲线计算废气温度上升点和烧结终点软测量值,以台车速度和点火温度作为输入,采用BP神经网络模型,对烧结终点位置进行预报。在实际应用中,该模型预报结果较准确地反映了烧结终点位置的变化,起到了稳定生产、节约能源的作用。(本文来源于《测控技术》期刊2017年03期)
祁子怡,高坤,赵宝芳,李勇,李伟[7](2017)在《基于RBF神经网络在转炉炼钢终点预报中的应用研究》一文中研究指出转炉炼钢控制目标是对终点温度和含碳量进行预测。由于我国转炉炼钢自动化控制水平的限制,特别是动态控制水平不够高,因此需要基于RBF神经网络建立终点预报模型。其基本思路为:基于RBF神经网络局部逼近网络的特性之上,采用k-均值聚类算法确定隐藏层的中心,权值调整采用递推最小二乘法,建立基于RBF神经网络在转炉炼钢终点预报的模型。最后结合实际数据进行模型的仿真研究。结果表明经RBF神经网络预测模型的实时训练,提高了终点预报的精度。(本文来源于《无线互联科技》期刊2017年04期)
王子兵,常建,赵涛,张遵乾,张浩[8](2016)在《基于反应带触底映像的烧结终点预报模型》一文中研究指出基于废气温度的烧结终点预报、调节方法预报准确性差、调节震荡性高,严重影响余热发电指标。研究各反应带料层厚度及垂直烧结速度的综合作用效果与反应带触底映像位置及长度的一一对应关系,建立基于烧结反应带触底映像位置及长度的烧结终点预报模型。新模型修正了现有预报模型关于烧结终点定义存在的根本性错误,采用反应带触底映像长度作为烧结终点预报指针,提出全程参与、分区预报、分级校正、补偿调节的烧结终点预报及自动调节新方法,并建立相应的烧结终点预报及调节动力决定模型。新模型采用数值模拟与实体数据关联相结合的方法面向生产实用,具有较高的可操作性。(本文来源于《烧结球团》期刊2016年06期)
魏付豪,刘建华,张游游,赵雨,李康伟[9](2016)在《RH精炼终点预报模型》一文中研究指出为了提高RH精炼钢液温度和成分命中率和控制精度,综合RH深脱碳冶金机理模型和NARX神经网络温度模型的优点,利用Visual Basic 6.0语言结合Matlab神经网络工具箱,开发了RH精炼终点温度和成分预报模型,能够计算RH精炼吹氧量和合金加入量,并对RH精炼终点钢液温度和成分进行离线预报。模型预报精度较高,温度和成分(同时命中)的平均命中率达到85%,温度误差在±5℃以内的比例达到90%,碳质量分数预报误差均在5×10-6以内,Si,Mn,P,Als含量的平均命中率(相对误差在±5%以内的比例)均在90%以上;吹氧量、低碳硅铁、磷铁、铝粒和微碳锰铁加入量预报误差在-3%~7%以内的比例分别为90%、75%、75%、95%和70%。(本文来源于《炼钢》期刊2016年06期)
孙威[10](2016)在《精炼炉终点温度区间预报方法研究》一文中研究指出钢水温度预报可以为LF精炼过程终点温度控制提供参考。钢水温度点预报不包含预报结果的不确定度信息,而区间预报能够给出钢水温度存在的范围,以及这个范围覆盖实际钢水温度的可靠程度,降低预报结果给控制带来的风险。因此,本文研究了精炼炉钢水终点温度的区间预报方法。本文的主要工作为以下叁方面:分析预报结果中的不确定度,基于不确定度建立钢水终点温度预报区间。本文根据现有的区间预报方法,从分析模型不确定度的角度出发,通过模型不确定度和数据不确定度两方面来计算预报结果的整体不确定度,然后基于整体不确定度建立LF钢水终点温度的预报区间;针对基于不确定度建立预报区间中存在的问题,提出了改进方向。从区间覆盖率和平均区间宽度两个评价区间质量的指标上看,通过计算不确定度的方式得到的预报区间并不理想。造成这种结果的原因有两方面:一方面,基于不确定度的区间预报方法中,假设预报结果服从t分布,LF精炼过程中的钢水温度受众多因素影响,也很难确定钢水温度与各影响因素之间的确切关系,因此,很难证明假设是否合理;另一方面,这种“建立点预报模型+不确定度分析”的模式下并不以提高预报区间的质量建立预报模型,很难保证获得高质量的预报区间。根据这两方面原因,本文提出了 LF钢水温度区间预报方法的改进方向,避免假设预报结果的分布,并将提高预报区间的质量作为关注的重点。根据提出的改进方向,调整了 LF钢水温度预报模型的结构,直接建立LF钢水温度预报区间;确定了新模型结构下的优化目标函数。本文中利用粒子群算法对目标函数进行求解,并通过均匀设计确定了粒子群算法中待确定参数的最优值。从仿真结果看,调整后的LF钢水温度区间预报方法取得了更好的效果。(本文来源于《东北大学》期刊2016-12-01)
终点预报论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
终点预报论文参考文献
[1].汪森辉,李海峰,张永杰,邹宗树.基于改进的AdaBoost.RS算法的烧结终点预报分析[J].中国冶金.2019
[2].铉明涛,李娇娇,王楠,陈敏.基于FOA-GRNN模型的转炉炼钢终点预报[J].材料与冶金学报.2019
[3].张宗旺,伯飞虎,周凡,李庆洋.基于时间序列的烧结终点自适应预报模型[J].世界有色金属.2018
[4].刘志明,战东平,葛启桢,孟沈童,郑瑶.基于BP神经网络的电炉终点碳质量分数预报模型[J].工业加热.2018
[5].褚菲,程相,代伟,赵旭,王福利.基于过程迁移的间歇过程终点质量预报方法[J].化工学报.2018
[6].汪春鹏.烧结终点预报神经网络样本优选与系统建模[J].测控技术.2017
[7].祁子怡,高坤,赵宝芳,李勇,李伟.基于RBF神经网络在转炉炼钢终点预报中的应用研究[J].无线互联科技.2017
[8].王子兵,常建,赵涛,张遵乾,张浩.基于反应带触底映像的烧结终点预报模型[J].烧结球团.2016
[9].魏付豪,刘建华,张游游,赵雨,李康伟.RH精炼终点预报模型[J].炼钢.2016
[10].孙威.精炼炉终点温度区间预报方法研究[D].东北大学.2016