基于ARMAX-LSTM模型的高炉铁水质量预报研究

发布时间：2024-03-09 12:52

　　钢铁产业是国民经济的基础。硅、锰、磷、硫含量等铁水质量参数是反映炼铁效果、保证高能效冶炼的关键指标。由于高炉冶炼的多工况、多相强耦合、非线性等特点,铁水质量预报一直是冶金自动化的难题。本文针对高炉反应的特性,展开了以下研究:1)通过对化学反应机理以及针对实际生产数据的统计学分析,确定合理的过程相关变量。然后针对系统的特点,选定ARMAX模型与LSTM模型作为主要的建模方法。2)使用ARMAX模型对高炉冶炼进行建模,并实现了ARMAX模型的在线算法。针对在线算法存在不可解的风险,提出弱平稳贝叶斯准则来解决此问题。将LSTM模型应用于铁水质量建模。基于对两种算法的研究,提出一种ARMAX-LSTM模型框架,该框架首先使用ARMAX模型提取线性模态,然后使用LSTM模型对前者的残差进行建模。最终实现缩减LSTM规模的同时提升了准确率。3)针对高炉生产中存在的工况切换问题提出两种算法。应对显著的操作条件变化,提出一种基于持续步长的经验性算法。该算法对过程变量的一阶差分进行监测,当出现较大的差分值,而后续差分值保持足够步长的小数值,则触发ARMAX-LSTM模型重整定。应对隐式工况切换,将ARM...

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图１－１炼铁流程??Ｆｉｇｕｒｅ?１－１?Ｐｒｏｃｅｓｓ?ｏｆ?Ｉｒｏｎｍａｋｉｎｇ??

的铁水被送到转炉吹氧得到钢水。钢水经过铸钢得到钢坯，钢坯经过轧钢得到最??终的钢件。??钢铁制造整个产业链中最为关键的环节就是高炉炼铁。图１－１［１］中展示的就??是高炉炼铁的流程。焦炭和矿石通过传送皮带被传送到炉顶进行装料，高炉下部??有热风鼓风及喷吹煤粉，高炉内部进行铁的还原....

图３－丨前愦神经冋络??Ｆｉｇｕｒｅ?３－１?Ｆｅｅｄ－ＦｏｒｗａｒＮｅｕｒａｌ?Ｎｅｔｗｏｒｋ??

３．２．１前馈神经网络??基本的前馈神经网络由输入层、隐含层、输出层三层构成，基本结构可以表??示为图３－１。其中隐含层可以是由多层构成，层与层之间通过激活函数进行连接，??所有的参数一层层向上传递『３Ｇ１。??图３－丨前愦神经冋络??Ｆｉｇｕｒｅ?３－１?Ｆｅｅｄ－Ｆｏｒｗａｒ....

图３－３长短时记忆神经网络??Ｆｉｇｕｒｅ?３－３?Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??

３．２．３长短时记忆神经网络??针对ＲＮＮ的长期依赖问题，Ｓｃｈｍｉｄｈｕｂｅｒ提出了长短期记忆网络模型（Ｌｏｎｇ??Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ，?ＬＳＴＭ）。ＬＳＴＭ模型则是将ＲＮＮ的隐含层改为图３－３所示??的存储单元，使得时间步间的连接并非静态权值，而是通过门控单元....

图４－７?ＡＲＭＡＸ－ＬＳＴＭ模型预测铁水质量结果??Ｆｉｇｕｒｅ?４－７?ＡＲＭＡＸ－ＬＳＴＭ?Ｍｏｄｅｌ?Ｐｒｅｄｉｃｔｉｏｎ?Ｒｅｓｕｌｔｓ?ｏｔ?ＭＩ〇??

ＷＡＲＭＡＸ－ＬＳＴＭ?０．０７０９?０．８８?０．０１１０?０．００４４?０．００４３??为了进？步说明模型融合的合理性，对比数倨到达ＷＡＲＭＡＸ模型（Ｓｔｅｐ－１）??与ＬＳＴＭ模型（Ｓｔｑ＞２）时分別获得的残差，见图４－８，可以看到使用ＷＡＲＭＡＸ??得到的残差进行顶测，能....

本文编号：3923448