关于连铸二次冷却水量优化预测仿真

发布时间：2024-03-26 18:58

　　为了有效控制钢厂中连铸二次冷却水量,减少生产成本,提高铸坯质量,提出一种基于结合交叉变异的粒子群算法优化最小二乘支持向量机参数的连铸二次冷却水量预测方法。首先利用提出的一种交叉变异机制对标准粒子群算法进行优化,并将优化后的参数引入最小二乘支持向量机的预测模型中,带入生产中的水量历史数据作为输入样本集进行学习,使模型在训练过程中有效地提高了准确性,其输出的训练结果描述了水量的变化。仿真结果表明,上述模型具有很好的稳定性和泛化性,能够获得高精度的二冷预测水量,为实际生产中连铸二冷配水的优化提供参考。

【文章页数】：5 页

【部分图文】：

图3模型预测水量走势图

以唐山某钢厂的连铸二冷配水过程为对象进行仿真,其设备参数为:生产钢种SPHC,断面尺寸为150mm×1500mm,拉速为1.9m/min,由铸机设定的第二次冷却区的总长度为2210cm,共包括7个冷却区段。采用本文所提出的CV-PSO-LSSVM模型对生产中配给水量进行预测优化....

图4铸坯表面温度分布

表3优化前后水量对比(L/min)二次冷却区Ⅰ段Ⅱ段Ⅲ段Ⅳ段Ⅴ段Ⅵ段Ⅶ段总量优化前8607826684836404243504207优化后83273163346956839727939095结束语

图1参数的编码方式

本文把LSSVM的参数(γ,g)当作一个组合规划问题。惩罚系数γ和核函数参数g直接决定了LSSVM的二冷水量拟合效果,γ值越大,拟合精度就越高,而二冷水量预测结果的泛化能力就高。同时,g值越小,二冷水量预测的拟合效果越低,精度就越低,但如果g数值太大,二冷水量就会出现欠学缺陷,计....

图2预测模型过程图

Step7,输入数据集对LSSVM进行学习和测试,最终通过得到的训练模型输出二冷水量预测结果。4实验结果与分析

本文编号：3939535