论文部分内容阅读
随着人们对钢铁产品质量要求的不断提高和环境保护意识的不断加强,迫切需要对钢铁生产典型环节中存在的预测、估计、诊断以及控制等问题进行研究,设计符合问题特点的算法,提高控制精度,改善产品质量,降低生产能耗。本文针对钢铁生产中的高炉、罩式退火炉、冷轧、连续退火炉和加热炉生产过程进行研究,采用数据解析和智能优化等方法,解决实际生产中存在的预测、估计、诊断、控制等方面的问题,主要工作概述如下：(1)高炉十字测温点温度受热风流量、压力以及透气指数等十多种因素影响,且各种影响因素的作用机理不清,很难建立准确的高炉十字测温点温度机理模型。针对高炉十字测温点温度数学模型难建的问题,设计了基于改进的粒子群优化算法(PSO)的最小二乘支持向量机(LS-SVM)建模方法。通过对生产数据的相关性分析,选择与十字测温相关的输入变量；采用改进的PSO算法优化LS-SVM的参数,提高模型的精度。实验结果表明,与传统方法相比,本文提出方法所建立的十字测温模型预测精度提高了3%,能够满足实际生产需要。(2)罩式退火炉钢卷温度埋偶检测方法容易造成钢卷损伤,影响产品质量。针对钢卷温度检测问题,提出了基于改进PSO的自适应LS-SVM方法建立高精度的钢卷温度估计模型。通过对核函数构成的理论分析,提出了自适应核函数摆脱现有核函数的约束；采用局域搜索策略改进PSO算法,设计改进PSO算法求解自适应核函数的参数值,针对不同问题构造相应的核函数,提高模型精度。标准测试问题和实际工业问题的测试结果表明,基于改进PSO的自适应LS-SVM方法具有更好的预测精度和泛化性能,能够实现对钢卷温度的准确软测量,避免钢卷损伤,满足实际生产需要。(3)针对带钢生产过程中存在生产环境高噪声、检测结果要求高精度以及生产过程高速的特点,提出了基于支持向量机算法(SVM)与逻辑回归(LR)算法的混合算法解决带钢表面质量高精度诊断的问题。采用改进的PSO对支持向量机(SVM)的参数和特征权重进行动态优化,减少缺陷图像中噪声的影响,提高分类精度；融合LR算法提高算法计算效率。实验结果表明,基于改进PSO算法的参数优化和特征加权能够有效的降低噪声影响,增加分类精度；LR能够显著的提高算法的计算效率,所提出的算法能够快速适应生产环境的变化,高精度实时地检测缺陷,满足实际生产对诊断速度和精度的需求。(4)连续退火炉具有生产速度快、产品规格多变的特点,传统控制方法难以实现高精度带钢温度控制。针对该问题,通过机理分析建立带钢温度与带钢厚度、带钢运行速度以及输入燃料量之间的数学模型,以最小化燃料消耗和带钢温度误差为目标函数,构建优化模型,再通过PSO算法对优化模型智能求解,得到最优输入量。实验结果表明算法能够适应高速多变的生产环境,准确控制带钢温度,满足实际需要。(5)加热炉生产具有高温、高噪声、大时滞、机理模型复杂等特点,非线性模型难以建立。针对该问题,提出了基于数据解析的非线性模型预测控制算法。根据实际生产数据采用数据解析方法建立板坯温度的非线性预测模型,利用PSO求解非线性预测控制中的滚动优化问题,得到优化的控制参数值。实验结果表明,所提出的非线性建模方法能够建立准确的预测模型；所提出的非线性模型预测控制算法的平均控制误差低于3%,能够满足实际生产需要。