论文部分内容阅读
钢铁产业是国民经济的重要基础产业,转炉炼钢在钢铁产业中占有极其重要的地位,其主要任务是进行炼钢终点的碳、温预报。转炉炼钢过程数据是影响预报模型碳、温输出的重要因素,而选择输入参量中的关键特征是提高碳、温预报模型精度和效率的重要途径,因此,需要从转炉炼钢过程高维数据输入特征中优化选择出合理的参量作为碳、温预报模型的输入节点,且亟需针对转炉炼钢碳、温预报模型的输入参量特征选择方法进行深入的分析研究。本文以转炉炼钢实际生产过程数据为研究对象,围绕转炉炼钢碳、温预报模型输入端参量的优化与选择问题,依次提出三种特征选择算法对其进行深入研究。首先,提出一种重要贡献度(Important Contribution Degree,ICD)算法对炼钢过程数据输入特征进行选择,并基于BP神经网络(Back Propagation Neural Network)模型的终点碳、温预报结果验证ICD算法的有效性;然后针对ICD算法在基于炼钢终点钢水温度预报模型输入端特征选择上的不足,采用灰色关联分析(Grey Relational Analysis,GRA)与ICD相结合的方法(GRA-ICD算法)对炼钢过程输入特征进行选择,通过炼钢终点碳、温预报结果验证GRA-ICD算法的适用性,证明GRA-ICD算法相对于ICD算法具有一定的优势;最后提出采用向量相似度法对GRA-ICD算法进行加权改进(即提出改进GRA-ICD算法),将其应用于对转炉炼钢预报输入特征参量的选择实验与分析,并通过炼钢终点碳、温预报精度验证对GRA-ICD算法加权改进的合理性与优越性。通过实验结果证明了改进GRA-ICD算法在转炉炼钢过程数据特征选择分析与应用方面相对于ICD以及GRA-ICD算法均表现出一定的优势,且预报精度均高于本文采用的其他特征选择方法,进一步验证了改进GRA-ICD针对炼钢终点碳、温预报模型输入特征参量选择的有效性和适用性。综上,本文所研究特征选择方法,其目的是获取影响炼钢终点输出碳、温的关键参量,且改进GRA-ICD算法能够为转炉炼钢碳、温预报模型输入端参量的选取提供一种方法参考,为转炉炼钢终点智能预报在实际工业生产中的应用提供一定的理论和实验基础。