㒄
㐴
钢铁研究学报, 2017, 29(2): 87-97.
10.13228/j.boyuan.issn1001-0963.20160084
基于变邻域粒子群算法的铁水硅含量稳定性分析

杨凯 1, , 金永龙 2, , 何志军 3,

1.辽宁科技大学,辽宁 鞍山,114051;
2.宝钢发展公司,上海,201900;
3.辽宁科技大学,辽宁 鞍山,114051
影响高炉铁水硅含量的因素往往复杂多变,影响程度不一.采用鱼骨分析法收集所有可能对硅含量产生影响的因素,经过相关分析和特征选择,最终选取6个参数作为模型的输入参数.采用改进的粒子群优化算法对支持向量机(SVM)中的参数进行优化,提出基于变邻域粒子群(VNPSO)优化 SVM的铁水硅含量预测模型.通过钢厂的实际生产数据进行验证,平均相对误差达到0.69％,平均绝对误差达到3.4×10－3,模型具有很高的预测精度.同时,绘制铁水中硅含量控制图,分析硅含量波动情况,并依此模型给出硅含量稳定性控制措施.
关键词： 炼铁   硅含量   智能优化   仿真
引用： 杨凯, 金永龙, 何志军 基于变邻域粒子群算法的铁水硅含量稳定性分析. 钢铁研究学报, 2017, 29(2): 87-97. doi: 10.13228/j.boyuan.issn1001-0963.20160084
参考文献：
[1] Vapnik Vladimir N..Overview of statistical learning theory[J].IEEE Transactions on Neural Networks,19995(5):988-999.
[2] 王义康;刘祥官.基于FCM的多支持向量机模型在高炉炉温预测中的应用[J].冶金自动化,2012(3):18-23.
[3] 崔桂梅;孙彤;张勇.支持向量机在高炉铁水温度预测中的应用[J].控制工程,2013(5):809-812,817.
[4] 崔桂梅;李静;张勇;卢俊慧;马祥.高炉铁水温度的多元时间序列建模和预测[J].钢铁研究学报,2014(4):33-37.
[5] 谈霖;张宗旺;任冰朗;张海滨.基于支持向量机的铁水硅含量的预测[J].钢铁研究,2016(1):6-9.
[6] 朱海梅;吴永萍.一种高速收敛粒子群优化算法[J].控制与决策,2010(1):20-24,30.

相似文献: