Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự Đoán Điểm Kết Thúc Của Lò Điện Nóng (EAF) Dựa Trên Nhiều Máy Vector Hỗ Trợ
Tóm tắt
Các tham số điểm kết thúc rất quan trọng trong quy trình sản xuất thép bằng lò điện nóng (EAF), nhưng việc đo lường trực tuyến chúng gặp nhiều khó khăn. Công nghệ cảm biến mềm được sử dụng rộng rãi để dự đoán các tham số điểm kết thúc. Dựa trên phân tích quy trình nấu chảy của EAF và những lợi thế của máy vector hỗ trợ, một mô hình cảm biến mềm để dự đoán các tham số điểm kết thúc đã được xây dựng bằng cách sử dụng nhiều máy vector hỗ trợ (MSVM). Trong mô hình này, không gian đầu vào được chia bằng phương pháp cụm trừ và một mô hình con dựa trên LSSVM được xây dựng trong mỗi không gian con. Để giảm thiểu sự tương quan giữa các mô hình con và cải thiện độ chính xác cũng như tính ổn định của mô hình, các mô hình con được kết hợp bằng phương pháp hồi quy thành phần chính. Độ chính xác của mô hình cảm biến mềm đã được cải thiện đáng kể. Kết quả mô phỏng chứng minh tính khả thi và hiệu quả của mô hình MSVM trong việc dự đoán điểm kết thúc của EAF.
Từ khóa
#lò điện nóng #cảm biến mềm #máy vector hỗ trợ #hồi quy thành phần chính #dự đoán điểm kết thúcTài liệu tham khảo
Morales R D. A Mathematical Model for the Reduction Kinetics of Iron Oxide in Electric Furnace Slags by Graphite Injection [J]. ISIJ Int, 1997, 37(11): 1072–1080.
Bekker J G. Modeling and Simulation of Electric Arc Furnace [J]. ISIJ Int, 1999, 39(1): 23–32.
ZHANG Jun-jie. Terminal Adaptive Predication and Expert Directing Operation for the Steelmaking Process of Electric Arc Furnace [J]. Acta Automatic Sinica, 1993, 19(4): 463–467.
LIU Kun, LIU Liu, HE Ping, et al. Application of Increment Artificial Neural Network Model to Prediction of Endpoint Carbon, Phosphorus and Temperature for an 100 t EAF Steel Making [J]. Special Steel, 2004, 25(3): 40–43 (in Chinese).
ZHANG Xue-gong. Introduction to Statistical Learning Theory and Support Vector Machines [J]. Acta Automatica Sinica, 2000, 26(1): 34–42 (in Chinese).
WANG Ding-cheng, FANG Ting-jian, GAO Li-fu, et al. Support Vector Machines Regression on-Line Modeling and Its Application [J]. Control and Decision, 2003, 18(1): 89–95 (in Chinese).
Dasaratha VS, Richard CS. EricBB Process Modeling Using Stacked Neural Networks [J]. AIChE Journal, 1996, 42(9), 89–95.
Cho S B, Kim J H. Combining Multiple Neural Networks by Fuzzy Integral for Recognition [J]. IEEE Transon System, Man and Cybern, 1995, 25(2): 380–384.
WANG Xu-dong, SHAO Hui-he, LUO Rong-fu. The Distributed RBF Neural Network and Its Application in Soft Sensor [J]. Control Theory and Applications, 1998, 15(4): 558–563 (in Chinese).
XIONG Zhi-hua, WANG Xiong, XU Yong-mao. Nonlinear Software Sensor Modeling Using Mulitple Neural Network [J]. Control and Decision, 2000, 15(2): 173–187 (in Chinese).
CHANG Yu-qing, WANG Fu-li. Distributed RBF Network Soft Sensor Model Based on Fuzzy Rule Classification [J]. ACTA Metrologica Sinica, 2002, 23 (2): 131–133 (in Chinese).
Chiu S L. Fuzzy Model Identification Based on Cluster Estimation [J]. Journal of Intelligent Fuzzy Systems, 1994, 2(3): 267–278.
Suykens J A K, Vandewalle J. Least Squares Support Vector Machines Classifiers [J]. Neural Processing Letters, 1999, 19(3): 293–300.
YAN Wei-wu, ZHU Hong-da, SHAO He-hui. Soft Sensor Modeling Based on Support Vector Machines [J]. Journal of Systemsimulation, 2003, 15(10): 1494–1496 (in Chinese).
Demirli K, Cheng S X, Muthukumaran P. Subtractive Clustering Based Modeling of Job Sequencing With Parametric Search [J]. Fuzzy Sets and Systems, 2003, 137(2): 235–270.
YAN Hui, ZHANG Xue-gong, MA Yun-qian, et al. The Parameter Estimation of RBF Kernel Function Based on Vario-gram [J]. Acta Automation Sinica, 2002, 28(3): 450–455 (in Chinese).