基于数据驱动的加热炉钢温建模方法

论文摘要

加热炉钢温模型的研究是一个热点问题,建立合理的钢温模型对提高钢坯加热质量,降低能耗具有重要的意义。通过分析加热炉炉内热辐射和热传导机理等能够建立钢温模型,但是这种机理模型是建立在许多假设条件上的,而且参数较多,计算复杂,实现难度大。本文以加热炉为背景,尝试采用基于数据驱动的方法进行建模研究。分别从统计学建模和智能建模两个方面建立模型,并利用群智能优化方法对模型参数进行调整。从统计学建模的角度出发,采用最小二乘支持向量机(LSSVM)回归建模的方法,对加热炉钢温进行估计,通过对LSSVM模型的仿真分析,发现在LSSVM中正规化因子和核函数的选取对模型的准确度和计算精度影响较大。同时,由于采集的数据有限,不能够全面的表征加热炉的加热过程,因此估计结果有待改善。从智能建模的角度出发,采取BP神经网络建模方法建立钢温模型。通过分析得知,虽然BP网络模型比LSSVM模型的估计效果要好,但是由于BP网络对自身的权值和阈值依赖性较大,使得结果往往受其权值阈值的影响。针对LSSVM和BP网络对参数的依赖性,本文利用群智能优化算法中的粒子群优化算法(PSO)和量子粒子群优化算法(QPSO),对LSSVM和BP网络的相关参数进行调整,建立优化后的钢温估计模型。通过仿真比较,得出利用QPSO优化后的BP神经网络模型在精度和准确度上都取得了比较好的效果。上述研究表明,基于数据驱动的建模方法在加热炉钢温估计应用方面具有一定的可行性,可以取得较好的实验结果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 加热炉工艺过程
• 1.3 系统建模方法
• 1.3.1 机理分析的建模方法
• 1.3.2 基于数据驱动的建模方法
• 1.4 加热炉建模的难点和研究现状
• 1.5 本文的主要工作
• 第2章 基于统计学理论的建模方法
• 2.1 支持向量机基本原理
• 2.1.1 统计学习理论
• 2.1.2 支持向量机分类
• 2.1.3 支持向量机回归
• 2.2 最小二乘支持向量机
• 2.3 基于LSSVM的钢温估计模型
• 2.3.1 钢温估计模型分析
• 2.3.2 LSSVM回归建模仿真
• 2.4 本章小结
• 第3章 基于智能理论的建模方法
• 3.1 人工神经网络
• 3.1.1 人工神经网络拓扑结构
• 3.1.2 人工神经网络学习规则
• 3.2 BP神经网络
• 3.2.1 BP神经网络的拓扑结构
• 3.2.2 BP神经网络的学习过程
• 3.3 基于BP网络的钢温估计模型
• 3.3.1 钢温估计模型分析
• 3.3.2 BP神经网络建模仿真
• 3.4 本章小结
• 第4章 钢温估计模型的优化
• 4.1 PSO优化钢温估计模型
• 4.1.1 粒子群优化算法（PSO）
• 4.1.2 PSO优化LSSVM模型
• 4.1.3 PSO优化BP网络模型
• 4.2 QPSO优化钢温估计模型
• 4.2.1 量子粒子群算法（QPSO）
• 4.2.2 QPSO优化LSSVM模型
• 4.2.3 QPSO优化BP网络模型
• 4.3 本章小结
• 第5章 结论和展望
• 参考文献
• 致谢