鑒定項(xiàng)目技術(shù)匯報(bào)ppt課件-展示頁(yè)
2025-05-08 03:40本頁(yè)面
【正文】 思維進(jìn)化算法 燒結(jié)終點(diǎn)智能預(yù)測(cè) 燒結(jié)終點(diǎn)智能控制 基本情況介紹 項(xiàng)目主要完成單位 : 安陽(yáng)師范學(xué)院 安陽(yáng)工學(xué)院 安陽(yáng)鋼鐵集團(tuán)公司 基本情況介紹 課題類型 : 河南省科技攻關(guān)項(xiàng)目 編號(hào)： 102102210424 推廣應(yīng)用： 2022年 8月 — 現(xiàn)在 燒結(jié)過程簡(jiǎn)介 燒結(jié)料層結(jié)構(gòu)變化圖 ? 自點(diǎn)火后，進(jìn)入脫水階段，混合原料開始燃燒，料層溫度慢慢升高，當(dāng)進(jìn)入燒結(jié)階段后，料層溫度迅速升高，達(dá)到最高溫度后，燃燒點(diǎn)到達(dá)料層底部，燒結(jié)礦形成，并進(jìn)入冷卻階段。燒結(jié)終點(diǎn)定義為料層溫度達(dá)到最高處的位置。 國(guó)內(nèi)研究動(dòng)態(tài) ? 測(cè)的燒結(jié)終點(diǎn)控制方法，建立了利用風(fēng)箱溫度求取燒結(jié)終點(diǎn) (BTP)位置的軟測(cè)量模型 ； ? 控制專家指導(dǎo)系統(tǒng)中，用系統(tǒng)辨識(shí)方法建立了多個(gè)時(shí)間序列模型，以此來預(yù)報(bào)燒結(jié)礦化學(xué)成分以及燒結(jié)終點(diǎn)，開發(fā)了以透氣性為中心的燒結(jié)過程狀態(tài)控制專家系統(tǒng) ； 國(guó)內(nèi)研究動(dòng)態(tài) ? 糊控制的方法 ； ? 、范曉慧等開發(fā)的燒結(jié)生產(chǎn)控制專家系統(tǒng) (IEGS)，采用自適應(yīng)預(yù)測(cè)化學(xué)成分控制與過程狀態(tài)控制相結(jié)合的智能化方法 ； ? 燒結(jié)質(zhì)量綜合監(jiān)測(cè)方法，結(jié)合 ? 模糊控制技術(shù)開發(fā)了燒結(jié)生產(chǎn)專家指導(dǎo)系統(tǒng) ； 國(guó)內(nèi)外研究的局限性 ? 在目前的燒結(jié)控制中，燒結(jié)終點(diǎn)控制仍是滯后調(diào)節(jié)控制，即由人工經(jīng)驗(yàn)根據(jù)當(dāng)前燒結(jié)終點(diǎn)位置，來調(diào)節(jié)燒結(jié)機(jī)速度，由于燒結(jié)終點(diǎn)存在的大滯后性，僅僅根據(jù)當(dāng)前的燒結(jié)終點(diǎn)位置來調(diào)節(jié)操作參數(shù)，穩(wěn)定燒結(jié)終點(diǎn)位置是盲目的，嚴(yán)重時(shí)反而可能導(dǎo)致燒結(jié)系統(tǒng)的劇烈波動(dòng)，單純的滯后控制難于實(shí)現(xiàn)對(duì)燒結(jié)終點(diǎn)的有效控制。尤其是產(chǎn)品質(zhì)量異常時(shí)，既不能及時(shí)調(diào)整燒結(jié)生產(chǎn)又無法及時(shí)指導(dǎo)高爐生產(chǎn)，而且經(jīng)調(diào)研發(fā)現(xiàn)，國(guó)內(nèi)多數(shù)企業(yè)均存在類似問題。 項(xiàng)目主要?jiǎng)?chuàng)新點(diǎn) 使用支持向量機(jī)預(yù)測(cè)燒結(jié)終點(diǎn) 應(yīng)用結(jié)果表明，該模型能在小樣本貧信息的條件下對(duì)燒結(jié)礦終點(diǎn)給出比較準(zhǔn)確的預(yù)測(cè)，能為復(fù)雜的燒結(jié)生產(chǎn)提供強(qiáng)有力的操作指導(dǎo)。 項(xiàng)目主要?jiǎng)?chuàng)新點(diǎn) 思維進(jìn)化算法優(yōu)化 由于 MEA獨(dú)特的進(jìn)化機(jī)制，為開發(fā)高效率的趨同策略與異化策略提供了廣闊的空間 。 最小二乘支持向量機(jī) 1995年在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上提出的一類新型的機(jī)器學(xué)習(xí)方法 。 支持向量機(jī) Vapnik根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出了一種針對(duì)小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論。SVM根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以獲得最好的泛化能力。從理論上說，得到的是全局最優(yōu)點(diǎn)，解決了在神經(jīng)網(wǎng)絡(luò)中無法避免的局部最小值問題。 支持向量機(jī) 設(shè)訓(xùn)練集 ， 是 第 t個(gè)樣本的輸入模式， 是對(duì)應(yīng)于第 t個(gè)樣本的期望輸出， N為樣本數(shù)，LSSVM用如下形式的函數(shù)對(duì)未知函數(shù)進(jìn)行估計(jì)， bxxy T ?? )()( ??? ? 1, Ntttxy ? ntxR?tyR?支持向量機(jī) 將目標(biāo)函數(shù)： NT2111m i n ( , )22 tt
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1