資源描述：
《高爐爐況智能診斷與預(yù)報(bào)方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、中南大學(xué)碩士學(xué)位論文摘要高爐爐況診斷與預(yù)報(bào)對(duì)于高爐操作具有重要的意義。由于高爐冶煉過程是一個(gè)多變量、強(qiáng)耦合、非線性、不確定、時(shí)變的復(fù)雜工業(yè)過程，高爐爐況診斷一般采取基于案例學(xué)習(xí)的方法。由于高爐異常爐況的案例征兆數(shù)據(jù)集常常是小樣本數(shù)據(jù)集，因此，需要在小樣本學(xué)習(xí)集下具有很好泛化能力的診斷方法。針對(duì)高爐爐況小樣本數(shù)據(jù)下的診斷問題，本文提出了一種基于支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的分層結(jié)構(gòu)診斷模型。首先，采用支持向量機(jī)方法構(gòu)建多個(gè)爐況分類器進(jìn)行初始分類，獲得分類向量在各支持向量機(jī)分類器相對(duì)最優(yōu)分類面的距離，獲得很好的泛化能力。其次，以支持向量機(jī)輸出為輸入，建立爐況神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行二次分類
2、，輸出為屬于各爐況的可信度值(即隸屬度值)，減少了支持向量機(jī)方法誤分、錯(cuò)分的發(fā)生，提高診斷的準(zhǔn)確率。最后，根據(jù)各爐況診斷神經(jīng)網(wǎng)絡(luò)的輸出，通過比較可信度值大小做出最終的爐況診斷。爐況診斷系統(tǒng)給出歷史數(shù)據(jù)下的各爐況的分類距離，據(jù)此采用神經(jīng)網(wǎng)絡(luò)方法預(yù)報(bào)下一周期各爐況的分類距離，通過比較當(dāng)前診斷值和預(yù)報(bào)值給出爐況向某種爐況的變化趨勢，做出爐況趨勢預(yù)報(bào)。通過對(duì)高爐實(shí)際運(yùn)行數(shù)據(jù)的仿真，采用上述方法建立的診斷與預(yù)報(bào)系統(tǒng)具有較好的效果，證明這種新的爐況診斷與預(yù)報(bào)方法是有效的。關(guān)鍵詞高爐爐況診斷與預(yù)報(bào)，支持向量機(jī)，BP神經(jīng)網(wǎng)絡(luò)，分層診斷系統(tǒng)中南大學(xué)碩士學(xué)位論文ABSTRACTTheBF(b
3、lastfurnace)statusdiagnosisandpredictionisimportantfortheblastfurnaceoperation．AlthoughexpertsystemhasbeenappliedtoBFstatusdiagnosisandpredictionverywell，disadvantagesofdifficultexpertacknowledgeacquiringandbadtransportabilitylimititsapplicationanddissemination．ANNs(artificialneuralnetwor
4、ks)constructsdiagnosismodelbylearningBFstatusevidentialsamples，andsolvestheproblemofacknowledgeaquidng，SOithasgoodbehaviourofapplicationanddissemination．Butartificialneuralnetwoks’SlearningalgorithmisbasedonEmpiricalRiskMinimizationprinciple，whichisintendedfordealingwithlargesamplesizes．I
5、nreality,thesampleofBFstatusislimited，SOANNsdiagnosismodeldoesnotworkwell．InthispaperwepresentanovelmethodtosolveBFstatusdiagnosisandpreditionunderasmallsampleoftraininginstances．TomakethediagnosismodelperformbeRerundersmallexamples，wepresentflhierarchydiagnosismodel：first，weconstructSVM(
6、supportvectormachines)classifiersfortheinitialBFstatusdiagnosis，itsoutputisthedistancetotheoptimalseparatinghyperplanes．Second，weconstructBPartificialneuralnetworkstomakefurtherdiagnosis．AccordingtotheANNs’output，wemakethefinaldiagnosis．TheSVMapproachisaimedatsolvingtheclassificationprobl
7、emsundertheconditionofasmallsampleoftraininginstances，andhasbettergeneralizationability．Tosolvetheproblemofmulti-classificationforSVM，weriseANNstomakefurtherdiagnosis，itcarlimprovediagnosisaccuracy．BFstatuscannotberepresentedbyaspecificdetectableparameterexceptfumac
