导读:本文包含了铁水硅含量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:铁水,含量,神经网络,高炉,算法,模型,学习机。
铁水硅含量论文文献综述
尹林子,李乐,蒋朝辉[1]（2019）在《基于粗糙集理论与神经网络的铁水硅含量预测》一文中研究指出高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简,得到优化的输入集,结合BP(back propagation)神经网络实现高炉硅含量的预测。同时,针对炉况波动较大情况下神经网络模型预测误差大的问题,建立波动知识库,利用kNN(k-Nearest Neighbor)算法匹配识别波动炉况,对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证,该方法在预测误差为±0.1%以内时预测命中率达到91.74%,可为高炉操作者判断炉况提供参考。(本文来源于《钢铁研究学报》期刊2019年08期）
文冰洁,吴胜利,周恒,顾凯[2]（2018）在《基于BP神经网络的COREX铁水硅含量预测模型》一文中研究指出COREX铁水硅含量偏高且易波动一直是生产过程中面临的难题,而精准预测COREX铁水硅含量可为稳定并降低铁水硅含量提供理论依据和技术参考。利用BP神经网络建立了COREX铁水硅含量预测模型,通过相关分析法确定模型的输入参数,采用计算邓氏关联度的方式确定各参数对应的滞后炉次。并利用某钢厂COREX实际生产数据分别进行学习和验证,结果表明预测误差为±0.1%时,其命中率为80%。为提高模型的预测精度,在该模型的基础上,采用时间序列推移法,实时更新训练样本,优化模型。研究结果表明,改进后的模型预测误差为±0.1%时,命中率是90%,提高了模型预测精度。该模型可为判断铁水硅含量变化以及后续操作提供理论依据。(本文来源于《钢铁研究学报》期刊2018年10期）
李荣,郭江,宋玉安[3]（2018）在《铁水硅含量预报模型的设计与实现》一文中研究指出本文以炉料装入情况、高炉综合煤气成分分析和渣铁温度作为基本参数,建立铁水硅含量预报模型,导出生铁硅含量的计算公式,并采集现场生铁硅含量实测数据,计算出的硅含量.结果表明,该模型预测的硅含量与实测硅含量一致。该模型可以实现早预报、快预报和准确预报,有助于实现高炉冶炼过程的控制。(本文来源于《矿产综合利用》期刊2018年03期）
庄田[4]（2018）在《基于Elman-Adaboost模型的高炉铁水硅含量回归与分类预测研究》一文中研究指出高炉炼铁要严格控制硅的还原过程,掌握铁水硅含量的变化。本文针对高炉炼铁过程的非线性和动态性,以Elman神经网络和Adaboost算法为主要的数据驱动建模方法,对硅含量分别进行了回归与分类预测,并将回归与分类的结果进行信息融合:(1)硅含量的回归预测。分别研究了多变量Elman-Adaboost强回归器(Multi-variable Elman-Adaboost Strong Predictor,MEASP)和单变量 Elman-Adaboost 强回归器(Single-variable Elman-Adaboost Strong Predictor,SEASP)。MEASP平均命中率为94.80%;SEASP平均命中率为90.21%。最后,分析了MEASP比SEASP精度高的原因。(2)硅含量变化方向的分类预测。分别研究了多变量Elman-Adaboo.st强分类器(Multi-variable Elman-Adaboost Strong Classifier,MEASC)和单变量Elman-Adaboost 强分类器(Single-variable Elman-Adaboost Strong Classifier,SEASC)。沿用标准型MEASC平均分类命中率L为69.80%,因此引入了改进型MEASC,分别从训练模型、训练数据、训练过程叁个方面进行改进,得到的平均分类命中率L为89.19%,分类预测结果较为理想。标准型SEASC平均分类命中率L为71.70%,改进型SEASC的平均分类命中率L为85.32%。最后,进行了详细的分析和比较。(3)利用信息融合的方法将回归与分类的结果进行融合。选择了模糊逻辑推理,将所得到的命中率作为隶属度,通过Mamdami模糊蕴含关系得到最终的隶属度,由对应的回归与分类值可以确定模糊控制规则表的输入量,随后就可以查表确定可采取的控制措施。最后,总结了全文的研究成果,讨论了进一步的研究方向。(本文来源于《浙江大学》期刊2018-01-01）
李泽龙,杨春节,刘文辉,周恒,李宇轩[5]（2018）在《基于LSTM-RNN模型的铁水硅含量预测》一文中研究指出针对高炉炼铁是一个动态过程,具有大延迟,工况复杂的特性。采用LSTM-RNN模型进行硅含量预测,充分发挥了其处理时间序列时挖掘前后关联信息的优势。首先根据时间序列趋势及相关系数选择自变量,并采用复杂工况的实际生产数据进行验证。然后用程序自动求解最优参数进行硅含量预测。最后将LSTM-RNN模型与PLS模型及RNN模型的结果进行对比,验证该方法的优势。研究发现LSTM-RNN模型预测误差稳定,预测精度较高,比传统的统计学及神经网络方法取得了更好的预测精度。(本文来源于《化工学报》期刊2018年03期）
庄田,杨春节[6]（2017）在《Elman-Adaboost模型在铁水硅含量的分类与预测建模上的研究与应用》一文中研究指出铁水中的硅含量不仅能够指示高炉炼铁过程中的热状态,而且能够反映生铁质量,对其进行建模是长久以来的重要研究方向。本文主要提出了一种基于Elman-Adaboost强分类器的铁水硅含量变化方向分类方法,该方法将硅含量值的变化方向分为上升和下降,使用Elman神经网络建立弱分类器,接着利用Adaboost算法融合形成强预测器,然后对所得的结果进行分析。最后将分类的结果与之前提出的基于Elman-Adaboost强预测器的预测结果结合,使结果更加可信,为高炉操作人员提供控制高炉的可靠提示。(本文来源于《2017中国自动化大会（CAC2017）暨国际智能制造创新大会（CIMIC2017）论文集》期刊2017-10-20）
鲍俭,袁杰[7]（2017）在《电弧炉热装铁水硅含量对冶炼技经指标的影响》一文中研究指出超高功率电弧炉冶炼普遍采用长弧泡沫渣技术,结合泡沫渣所需碱度和实际脱C、脱P冶炼需要,将炉渣碱度控制在2.5左右,按照这一目标提前对电弧炉入炉料进行控制。通过对比电弧炉炼钢过程中相同比例的铁水,其不同硅含量对生产实际的影响;同时通过计算发生化学反应的热量及炉渣渣量、碱度的对应关系,结合石灰条件,得出现有生产条件下热装铁水硅含量的最佳值,为合理控制入炉铁水硅的含量提供参考意见。(本文来源于《现代冶金》期刊2017年05期）
李泽龙,杨春节,刘文辉,周恒,李宇轩[8]（2017）在《基于LSTM-RNN模型的铁水硅含量预测》一文中研究指出高炉炼铁是一个动态过程,具有大延迟,工况复杂的特性。传统铁水硅含量预测多采用统计学方法或简单的神经网络方法,预测精度不高。本文采用LSTM-RNN模型进行硅含量预测,充分发挥了其处理时间序列时挖掘前后关联信息的优势。首先根据时间序列趋势及相关系数选择自变量,并采用复杂工况的实际生产数据进行验证。然后用程序自动求解最优参数进行硅含量预测。最后将LSTM-RNN模型与RNN模型的结果进行对比,验证该方法的优势。研究发现LSTM-RNN模型预测误差稳定,预测精度较高。(本文来源于《第28届中国过程控制会议（CPCC 2017）暨纪念中国过程控制会议30周年摘要集》期刊2017-07-30）
蒋珂,蒋朝辉,谢永芳,潘冬,桂卫华[9]（2017）在《大型高炉铁水硅含量变化趋势的智能预报》一文中研究指出高炉铁水硅含量变化趋势的准确预报对高炉炉温的精细化调控非常重要。然而现有对铁水硅含量趋势的研究仅局限于利用前后两炉次的差值来量化下一炉次趋势的变化,无法避免因数据的随机性和偶然性造成的误差,也无法量化未来一段时间内铁水硅含量的变化趋势,且对铁水硅含量变化趋势划分不完全。为此,本文在对现场数据预处理的基础上,结合现场操作制度、专家经验和变量的滞后时间确定趋势变化周期,采用回归拟合确定硅含量趋势的变化信息,利用复合差分进化算法来优化极限学习机的参数,建立高炉铁水硅含量变化趋势智能预报模型,实现大型高炉铁水硅含量变化趋势的五分类预报,现场数据验证了所建模型的有效性和可行性,为高炉操作者提前判断炉况变化趋势以及调控方向与幅度提供了可靠的参考依据。(本文来源于《第28届中国过程控制会议（CPCC 2017）暨纪念中国过程控制会议30周年摘要集》期刊2017-07-30）
庄田,杨春节[10]（2017）在《基于Elman-Adaboost强预测器的铁水硅含量预测方法》一文中研究指出由于高炉炼铁过程的动态特性,因此铁水硅含量的预测有极大难度,现有预测方法的精度不高。针对这一问题,提出一种利用Elman-Adaboost强预测器实现硅含量预测的方法。与通常使用的将反向传播(Back Propagation,BP)神经网络作为弱预测器的方法不同,本方法采用能更好地反映数据间动态特性的Elman神经网络作为弱预测器,然后利用Adaboost算法融合多个弱预测器组成一个强预测器。该模型用于某钢厂硅含量的预测,其平均预测命中率达到了94.8%,证明了其有效性。通过与单一BP神经网络、Elman神经网络以及BP-Adaboost强预测器的预测结果比较,Elman-Adaboost强预测器的预测精度高,为铁水硅含量的预测提供了一种新的途径。(本文来源于《冶金自动化》期刊2017年04期）
铁水硅含量论文开题报告
（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：
COREX铁水硅含量偏高且易波动一直是生产过程中面临的难题,而精准预测COREX铁水硅含量可为稳定并降低铁水硅含量提供理论依据和技术参考。利用BP神经网络建立了COREX铁水硅含量预测模型,通过相关分析法确定模型的输入参数,采用计算邓氏关联度的方式确定各参数对应的滞后炉次。并利用某钢厂COREX实际生产数据分别进行学习和验证,结果表明预测误差为±0.1%时,其命中率为80%。为提高模型的预测精度,在该模型的基础上,采用时间序列推移法,实时更新训练样本,优化模型。研究结果表明,改进后的模型预测误差为±0.1%时,命中率是90%,提高了模型预测精度。该模型可为判断铁水硅含量变化以及后续操作提供理论依据。
（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。
铁水硅含量论文参考文献
[1].尹林子,李乐,蒋朝辉.基于粗糙集理论与神经网络的铁水硅含量预测[J].钢铁研究学报.2019
[2].文冰洁,吴胜利,周恒,顾凯.基于BP神经网络的COREX铁水硅含量预测模型[J].钢铁研究学报.2018
[3].李荣,郭江,宋玉安.铁水硅含量预报模型的设计与实现[J].矿产综合利用.2018
[4].庄田.基于Elman-Adaboost模型的高炉铁水硅含量回归与分类预测研究[D].浙江大学.2018
[5].李泽龙,杨春节,刘文辉,周恒,李宇轩.基于LSTM-RNN模型的铁水硅含量预测[J].化工学报.2018
[6].庄田,杨春节.Elman-Adaboost模型在铁水硅含量的分类与预测建模上的研究与应用[C].2017中国自动化大会（CAC2017）暨国际智能制造创新大会（CIMIC2017）论文集.2017
[7].鲍俭,袁杰.电弧炉热装铁水硅含量对冶炼技经指标的影响[J].现代冶金.2017
[8].李泽龙,杨春节,刘文辉,周恒,李宇轩.基于LSTM-RNN模型的铁水硅含量预测[C].第28届中国过程控制会议（CPCC2017）暨纪念中国过程控制会议30周年摘要集.2017
[9].蒋珂,蒋朝辉,谢永芳,潘冬,桂卫华.大型高炉铁水硅含量变化趋势的智能预报[C].第28届中国过程控制会议（CPCC2017）暨纪念中国过程控制会议30周年摘要集.2017
[10].庄田,杨春节.基于Elman-Adaboost强预测器的铁水硅含量预测方法[J].冶金自动化.2017
论文知识图
