加热炉钢坯温度建模及过程模拟

论文摘要

钢坯加热的质量直接影响到产品的质量、产量、能源消耗以及轧机寿命。轧钢加热炉控制系统具有多变量、非线性、大滞后、高度耦合等特性,一般情况下,难以实时检测炉内钢坯的温度,都是采用炉温控制的方式间接控制出炉钢温,因此钢温的建模研究对加热炉生产来说具有非常重要的意义。对于一个建模过程来说,高质量的输入数据是取得好的建模效果的前提。多数特征提取方法都是基于线性技术比如主成分分析（PCA）和独立分量分析（ICA）,分别达到使主元不相关及独立的目的。传统算法内在的线性要求,使得它们在分离非线性混合信号时碰到了困难,本文引入核函数分别采用核主成分分析（KPCA）和核独立成分分析（KICA）两种非线性特征提取方法对加热炉数据进行了特征提取。最小二乘支持向量机（LSSVM）具有较好的泛化能力和学习性能,本文分别采用LSSVM, PCA-LSSVM, KPCA-LSSVM, KICA-LSSVM等方法对加热炉钢坯温度进行建模,通过比较可以看出,首先对数据进行非线性特征提取后进行建模的方法预测的钢温精度较高,基本满足工程的要求。过程模拟可以替代难以实施的实验,不但直观、形象,而且也可减少投资、降低风险,本文利用新一代三维自动化组态软件GENESIS 64对加热炉过程进行了模拟。首先归档相应的变量,Matlab通过ODBC方式访问数据库,然后根据已知模型和输入样本来预测钢温。通过上述过程实现了加热炉钢温在线预测和加热炉过程模拟。最后,对全文进行了总结和展望,提出了有待于进一步研究的方向。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 多变量过程统计方法
• 1.3 本文主要工作
• 第2章 常见特征提取方法基本原理
• 2.1 线性特征提取方法
• 2.1.1 主成分分析原理及算法
• 2.1.2 独立成分分析原理及算法
• 2.2 非线性特征提取方法
• 2.2.1 核主元分析（KPCA）
• 2.2.2 核独立成分分析（KICA）
• 2.3 本章小结
• 第3章 支持向量机的原理和算法
• 3.1 统计学习与VC理论
• 3.1.1 VC维理论
• 3.1.2 推广能力的界
• 3.1.3 结构风险最小化
• 3.2 支持向量机的分类
• 3.2.1 线性支持向量机
• 3.2.2 非线性支持向量机
• 3.3 支持向量机的回归
• 3.4 最小二乘支持向量机
• 3.5 本章小结
• 第4章 加热炉钢温建模
• 4.1 系统常见建模方法介绍
• 4.2 工艺背景介绍
• 4.3 仿真实验研究
• 4.3.1 LSSVM回归仿真实验
• 4.3.2 KPCA-LSSVM回归仿真实验
• 4.3.3 KICA-LSSVM回归仿真实验
• 4.3.4 实验结果分析
• 4.4 本章小结
• 第5章 加热炉过程模拟
• 5.1 过程模拟的基本结构
• 5.2 GENESIS 64软件介绍
• 5.3 Matlab与SQL接口的实现
• 5.4 加热炉过程模拟画面及实现步骤
• 5.4.1 加热炉模拟画面的设计
• 5.4.2 实验步骤
• 5.5 本章总结
• 第6章 总结与展望
• 6.1 全文总结
• 6.2 工作展望
• 参考文献
• 致谢