基于深度学习的智能下渣预测系统研究
发布时间：2022-06-20 16:12
连铸是钢铁工业生产过程中的重要环节,在连铸生产的浇注过程中,大包内的炉渣容易随钢液流入中间包,从而对生产效率和铸钢成品质量造成严重影响。因此,对钢包进行下渣检测是连铸生产的重要环节之一,它对改善铸钢质量、延长设备使用寿命等至关重要。针对目前的连铸钢包下渣预测方法造价高、识别准确性低的问题,根据钢包下渣时的状态特征,提出了一种结合深度学习理论的智能预测方法,开展了连铸钢包智能下渣预测系统的研究,完成的主要研究工作如下:1)基于浇注速率与钢包重量变化之间的动力学关系,建立下渣预测系统动力学模型,选取合适的数据模块对信号进行采集,利用Visual Basic编写钢包下渣预测软件平台。2)根据下渣过程的时序特性,采用LSTM与局部加权回归相结合的方法,进行下渣时刻的预测实验研究。将LSTM模型与ARIMA、RNN模型做对比实验,使用LSTM的下渣预测的准确性可以达到95%,在三种预测算法中准确性最高。结果表明深度学习方法在钢包下渣预测中具有实用价值。3)针对预测模型中存在的问题,结合下渣过程的采集数据特点,对LSTM模型进行了简化改进,提出了三种简化算法。对比标准LSTM与三种简化变体模型的测...
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
引言
第1章 绪论
1.1 课题的研究背景及意义
1.1.1 连铸基本工艺流程
1.1.2 下渣预测的目的及意义
1.2 国内外研究现状
1.2.1 连铸下渣检测方法综述
1.2.2 下渣识别的研究趋势
1.2.3 深度学习在下渣预测中的应用
1.3 论文的主要研究内容
第2章 钢包下渣预测的相关理论与技术分析
2.1 钢包下渣预测系统的基本原理
2.2 神经网络在下渣预测中的应用
2.2.1 BP神经网络
2.2.2 RBF神经网络
2.2.3 循环神经网络
2.3 本章小结
第3章 下渣预测系统的软硬件设计
3.1 钢包下渣预测系统的硬件组成
3.1.1 下渣预测系统的硬件连接
3.1.2 数据采集装置
3.1.3 数据通讯转换模块
3.2 钢包下渣预测系统的软件功能
3.2.1 软件工作原理
3.2.2 软件功能概述
3.2.3 主要功能模块
3.3 本章小结
第4章 基于LSTM模型的连铸下渣预测
4.1 LSTM模型的基本原理
4.2 下渣预测系统的研究
4.2.1 建立下渣预测模型
4.2.2 算法描述
4.3 实验环境设置
4.3.1 数据集描述
4.3.2 评价指标
4.4 实验验证与分析
4.4.1 数据预处理
4.4.2 模型的参数设置
4.4.3 预测结果与讨论
4.5 本章小结
第5章 基于SLIM模型的连铸下渣预测
5.1 算法描述
5.2 模型验证
5.2.1 实验参数设置
5.2.2 验证结果及讨论
5.3 SLIM算法在连铸下渣预测上的应用
5.4 本章小结
结论
参考文献
致谢
导师简介
作者简介
学位论文数据集
【参考文献】：
期刊论文
[1]Bi-LSTM+Attention情感分析模型的设计与实现[J]. 张量,杨元峰,李金祥,金益,刘媛霞. 电子技术与软件工程. 2019(18)
[2]基于单形进化的径向基网络训练算法[J]. 魏巍,全海燕. 应用科学学报. 2019(04)
[3]基于循环神经网络的语音识别研究[J]. 唐美丽,胡琼,马廷淮. 现代电子技术. 2019(14)
[4]电机滚动轴承故障诊断中BP与RBF神经网络的比较[J]. 凌标灿,杨佳滨. 华北科技学院学报. 2018(06)
[5]基于RBF神经网络模型的电力系统短期负荷预测[J]. 周旭,来庭煜,饶佳黎. 通信电源技术. 2018(11)
[6]2017年钢材市场回顾及2018年形势展望[J]. 张兰英,杨巍. 冶金经济与管理. 2018(02)
[7]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩. 化工学报. 2018(03)
[8]浅谈我国转炉炼钢技术的发展与展望[J]. 吴计雨. 中国金属通报. 2017(11)
[9]转炉炼钢的技术进步及新技术应用分析[J]. 孙贺,李勇强. 山西冶金. 2017(04)
[10]钢包初始状态对帘线钢夹杂物的影响[J]. 赵昊乾,王昆鹏,赵铮铮,孟耀青,逯志方. 钢铁研究学报. 2017(04)
硕士论文
[1]基于深度学习的图像描述生成研究[D]. 张鸿硕.北京交通大学 2019
[2]基于二次阈值分割的红外下渣检测系统研究[D]. 张幸光.南京理工大学 2016
[3]宝钢电炉大方坯连铸机钢包下渣检测系统研究[D]. 陈雪华.浙江大学 2010
本文编号：3653756
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
引言
第1章 绪论
1.1 课题的研究背景及意义
1.1.1 连铸基本工艺流程
1.1.2 下渣预测的目的及意义
1.2 国内外研究现状
1.2.1 连铸下渣检测方法综述
1.2.2 下渣识别的研究趋势
1.2.3 深度学习在下渣预测中的应用
1.3 论文的主要研究内容
第2章 钢包下渣预测的相关理论与技术分析
2.1 钢包下渣预测系统的基本原理
2.2 神经网络在下渣预测中的应用
2.2.1 BP神经网络
2.2.2 RBF神经网络
2.2.3 循环神经网络
2.3 本章小结
第3章 下渣预测系统的软硬件设计
3.1 钢包下渣预测系统的硬件组成
3.1.1 下渣预测系统的硬件连接
3.1.2 数据采集装置
3.1.3 数据通讯转换模块
3.2 钢包下渣预测系统的软件功能
3.2.1 软件工作原理
3.2.2 软件功能概述
3.2.3 主要功能模块
3.3 本章小结
第4章 基于LSTM模型的连铸下渣预测
4.1 LSTM模型的基本原理
4.2 下渣预测系统的研究
4.2.1 建立下渣预测模型
4.2.2 算法描述
4.3 实验环境设置
4.3.1 数据集描述
4.3.2 评价指标
4.4 实验验证与分析
4.4.1 数据预处理
4.4.2 模型的参数设置
4.4.3 预测结果与讨论
4.5 本章小结
第5章 基于SLIM模型的连铸下渣预测
5.1 算法描述
5.2 模型验证
5.2.1 实验参数设置
5.2.2 验证结果及讨论
5.3 SLIM算法在连铸下渣预测上的应用
5.4 本章小结
结论
参考文献
致谢
导师简介
作者简介
学位论文数据集
【参考文献】：
期刊论文
[1]Bi-LSTM+Attention情感分析模型的设计与实现[J]. 张量,杨元峰,李金祥,金益,刘媛霞. 电子技术与软件工程. 2019(18)
[2]基于单形进化的径向基网络训练算法[J]. 魏巍,全海燕. 应用科学学报. 2019(04)
[3]基于循环神经网络的语音识别研究[J]. 唐美丽,胡琼,马廷淮. 现代电子技术. 2019(14)
[4]电机滚动轴承故障诊断中BP与RBF神经网络的比较[J]. 凌标灿,杨佳滨. 华北科技学院学报. 2018(06)
[5]基于RBF神经网络模型的电力系统短期负荷预测[J]. 周旭,来庭煜,饶佳黎. 通信电源技术. 2018(11)
[6]2017年钢材市场回顾及2018年形势展望[J]. 张兰英,杨巍. 冶金经济与管理. 2018(02)
[7]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩. 化工学报. 2018(03)
[8]浅谈我国转炉炼钢技术的发展与展望[J]. 吴计雨. 中国金属通报. 2017(11)
[9]转炉炼钢的技术进步及新技术应用分析[J]. 孙贺,李勇强. 山西冶金. 2017(04)
[10]钢包初始状态对帘线钢夹杂物的影响[J]. 赵昊乾,王昆鹏,赵铮铮,孟耀青,逯志方. 钢铁研究学报. 2017(04)
硕士论文
[1]基于深度学习的图像描述生成研究[D]. 张鸿硕.北京交通大学 2019
[2]基于二次阈值分割的红外下渣检测系统研究[D]. 张幸光.南京理工大学 2016
[3]宝钢电炉大方坯连铸机钢包下渣检测系统研究[D]. 陈雪华.浙江大学 2010
本文编号：3653756
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3653756.html