论文摘要
高炉炼铁是钢铁工业的上游主体工序,作为国民经济支柱产业的重要组成部分,对钢铁工业的发展与节能降耗都有十分重要的作用。高炉冶炼过程是一个高度复杂的过程,其运行机制往往具有非线性、时滞、高维、大噪声、分布参数等特性,导致很难建立起准确有效的高炉炉温预测控制模型。非参数回归是非参数统计理论中的重要组成部分,在计量经济、交通、医学等领域得到了广泛应用。非参数回归中,回归函数形式的任意性和自变量与因变量分布的少限制,很好地解决了经典统计理论中模型及参数的假定与实际背离造成模型设定误差的问题,使得模型能更加准确地反映实际问题的变化情况。本文选取《包钢6#高炉(2500m~3)冶炼专家系统》在线采集的数据,首先对铁水含硅量[Si]的自相关性进行分析,证明了铁水含硅量[Si]序列存在较强的线性自相关。然后通过相关系数和灰关联熵的计算,综合分析了所选取的高炉冶炼过程中的19个参数与高炉铁水含硅量[Si]之间的关联度。本文第4章利用偏最小二乘回归方法,对参数进行综合降维,最大可能地提取参数中与铁水含硅量[Si]变化相关的信息,减少参数中夹杂的冗余信息,从而使综合变量能充分反映铁水含硅量[Si]的变化。在此基础上,对得到的三个综合变量和铁水含硅量[Si]建立广义加性(GAM)模型,通过非参数光滑函数的迭代得到它们的局部近似函数关系。在探求综合变量与铁水含硅量[Si]局部关系的基础上,第5章通过遗传算法的全局搜索和非参数回归中正交序列估计方法,找到了最能表征铁水含硅量[Si]变化的参数组合,用数据事实证明了之前关联度分析结论的正确性,并建立了最优的高炉炉温预测的非参数回归模型。第6章中,将非参数回归与高炉冶炼的混合控制偏微分方程结合,得到了炉温预测控制的变系数回归模型,分析了料速LS、风量FQ、喷煤PM和透气性FF四个参数与铁水含硅量[Si]的局部线性关系,用权重描述了当前炉各个参数对铁水含硅量[Si]影响的大小和方向,为炉温预测之后的控制奠定理论基础。
论文目录
摘要ABSTRACT第一章 引言1.1 论文研究的目的和意义1.2 国内外研究综述1.3 论文的主要内容第二章 高炉冶炼过程的复杂性及相关参数分析2.1 高炉冶炼工艺的复杂性2.2 高炉冶炼过程化学反应与流体运动的复杂性2.3 高炉冶炼过程的状态参数和控制参数2.3.1 料速LS2.3.2 风量FQ2.3.3 喷煤PM2.3.4 透气性指数FF2.3.5 风温FT2.4 参数相关性分析2.4.1 铁水含硅量[Si]的自相关性2.4.2 参数与铁水含硅量[Si]的相关系数2.4.3 参数的灰关联熵分析2.5 本章小结第三章 偏最小二乘回归与非参数回归理论3.1 偏最小二乘回归法3.1.1 偏最小二乘回归方法的思想3.1.2 偏最小二乘回归方法的推导3.1.3 交叉有效性检验3.1.4 偏最小二乘回归方法的性质3.1.5 一个重要结论3.2 非参数回归3.2.1 非参数回归模型的概念3.2.2 非参数回归原理3.3 广义加性（GAM）模型3.3.1 线性回归模型3.3.2 加性模型3.3.3 广义加性模型第四章 高炉炉温预测控制的偏最小二乘回归局部GAM模型4.1 参数降维的偏最小二乘回归方法4.1.1 偏最小二乘回归方法的简化算法4.1.2 偏最小二乘回归简化算法的流程图4.2 广义加性（GAM）模型4.2.1 广义加性模型的估计4.2.2 Local-Scoring算法4.2.3 Back-Fitting算法4.2.4 光滑参数的确定4.3 高炉炉温预测控制的偏最小二乘回归局部GAM模型4.3.1 参数的预处理4.3.2 参数的偏最小二乘回归法降维结果4.3.3 新变量与[Si]的局部广义加性（GAM）模型4.3.4 偏最小二乘回归局部GAM模型的计算4.3.5 结果分析4.4 本章小结第五章 高炉炉温预测控制的GA正交序列估计模型5.1 正交序列估计5.1.1 Legendre多项式正交基5.1.2 Fourier基5.2 遗传算法（Genetic Algorithms）5.2.1 遗传算法的基本流程5.2.2 标准遗传算法的流程图5.3 高炉炉温预测控制的GA正交序列估计模型5.3.1 GA正交序列回归估计模型的流程5.3.2 遗传算法的设计5.3.3 高炉炉温预测控制的GA正交序列回归估计模型结果5.4 结果分析5.5 本章小结第六章 高炉炉温预测控制的变系数回归模型6.1 高炉炉温的混合动力学模型6.2 变系数回归模型6.2.1 变系数回归的定义6.2.2 权函数6.2.3 K-近邻核权估计的计算方案6.2.4 加权最小二乘估计6.3 高炉炉温预测控制的变系数回归模型6.4 结果分析6.5 本章小结第七章 总结与展望参考文献读硕士期间完成的论文致谢
相关论文文献
标签：铁水含硅量论文; 偏最小二乘回归论文; 广义加性模型论文; 正交序列估计论文; 变系数回归论文;
