碩士論文答辯

1、答辯學(xué)生：指導(dǎo)老師：答辯時(shí)間：基于軟測(cè)量的鋼包精煉過程多目標(biāo)魯棒優(yōu)化Multi-objective Robust Optimization of Ladle Furnace Based on Soft Sensor CONTENTS目錄123451.1 研究背景1.2 課題的研究意義1.3本課題研究內(nèi)容1.4研究思路緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)1.1 課題的背景如今，鋼鐵行業(yè)不能為我們帶來巨大的經(jīng)濟(jì)效益但卻消耗著巨大的能源。據(jù)統(tǒng)計(jì)，我國的鋼鐵企業(yè)生產(chǎn)一噸鋼是世界上先進(jìn)鋼鐵企業(yè)能源消耗的1.15倍，同時(shí)，每年鋼鐵的能源消耗比重占到了我國所有工業(yè)能源消耗比重的20%，所以提高煉鋼技術(shù)從而達(dá)到

2、能源消耗量下降、減少生產(chǎn)成本是我國鋼鐵行業(yè)發(fā)展亟待解決的一個(gè)問題。鋼水雜質(zhì)較多，質(zhì)量差鋼水雜質(zhì)少，冶煉周期短LOGO爐外精煉技術(shù)噴吹是利用氬氣等惰性氣體作為載體，向鋼水中噴入不同粉劑。攪拌可以向流體系統(tǒng)提供能量，使系統(tǒng)內(nèi)產(chǎn)生動(dòng)能。真空可以幫助鋼水進(jìn)行脫碳脫氧、去除雜質(zhì)等。鋼水使用進(jìn)行沖洗合金渣，提高鋼水質(zhì)量?？梢詽M足對(duì)不同的鋼水進(jìn)行靈活操作，精確控制鋼水溫度。緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO鋼包精煉過程分析爐體和爐蓋電極加熱系統(tǒng)吹氬攪拌系統(tǒng)加料系統(tǒng)緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)1.2 課題的研究意義LF爐的設(shè)備簡單、投資較少、冶煉工藝靈活、精煉后的鋼水中氣體含量低、有害雜質(zhì)少，成

3、分穩(wěn)定等優(yōu)點(diǎn)，同時(shí)，該技術(shù)可以增加鋼的品種、提高鋼的質(zhì)量所以LF精煉一直在鋼鐵企業(yè)中應(yīng)用廣泛。(2)目前，LF爐外精煉技術(shù)依主要靠人工經(jīng)驗(yàn)控制鋼水溫度，增加了成本，不能實(shí)現(xiàn)成本的最低化，同時(shí)降低了鋼質(zhì)量的穩(wěn)定性。(3)本文以LF爐鋼包精煉過程為研究對(duì)象，建立該過程的鋼水終點(diǎn)溫度預(yù)報(bào)模型和多目標(biāo)魯棒優(yōu)化模型，達(dá)到優(yōu)化工藝的作用。(1)鋼水溫度的精準(zhǔn)控制有利于縮短鋼的冶煉時(shí)間，節(jié)約其生產(chǎn)成本。而建立準(zhǔn)確的鋼水溫度預(yù)報(bào)模型是鋼水溫度控制的先決條件。緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO1.3 本課題研究內(nèi)容鋼水溫度預(yù)報(bào)模型首先，對(duì)福建三鋼有限責(zé)任公司100tLF爐的生產(chǎn)數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到用于

4、軟測(cè)量建模數(shù)據(jù)。然后，分析BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的AdaBoost算法的不足，提出AdaBoost.RS算法，分別比較傳統(tǒng)已有算法AdaBoost.RS算法的優(yōu)缺點(diǎn)。多目標(biāo)魯棒操作優(yōu)化根據(jù)鋼包精煉過程的特點(diǎn)，建立多目標(biāo)魯棒優(yōu)化模型。提出改進(jìn)和聲搜索算法。然后，利用該算法分別對(duì)多目標(biāo)優(yōu)化模型和多目標(biāo)魯棒優(yōu)化模型求解，驗(yàn)證魯棒優(yōu)化模型的抗擾動(dòng)性。緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO1.4 研究思路分析LF爐鋼包精煉過程確定影響鋼水溫度的主要因素建立LF爐鋼水溫度預(yù)報(bào)模型提出一種AdaBoost.RS集成算法建立LF爐的優(yōu)化模型以鋼水溫度和電量為目標(biāo)的魯棒模型求解多目標(biāo)優(yōu)化模型提出一種改進(jìn)的和聲搜

5、索算法求解模型緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)2.1 理論探究2.2 鋼水溫度預(yù)報(bào)方法2.3 AdaBoost算法2.4 AdaBoost.RS算法2.1 理論探究將鋼包視為一個(gè)系統(tǒng)，根據(jù)能量守恒定律可知，系統(tǒng)內(nèi)吸收的熱量 與系統(tǒng)輸入的熱量 和系統(tǒng)損失的達(dá)到平衡，即系統(tǒng)輸入的熱量 主要包括電弧加熱散發(fā)的熱量 、合金發(fā)生氧化產(chǎn)生的熱量 和合金的溶解熱 ，但是由于合金氧化和溶解的熱效應(yīng)對(duì)于鋼水溫度變化影響不大，所以一般認(rèn)為電弧加熱散發(fā)的熱量是系統(tǒng)的唯一能量來源。系統(tǒng)損失的熱量 主要包括合金渣料融化吸收的熱量 、包襯耐火材料的蓄熱吸收的熱量 、渣面對(duì)大氣傳熱損失的熱量 和池內(nèi)高溫氣體通過渣面帶走的

6、熱量 。因此，根據(jù)上式，可以得出-steelimportlossQQQ緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO影響鋼水溫度的主要因素緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO2.2 鋼水溫度預(yù)報(bào)方法基于軟測(cè)量技術(shù)方法目前，軟測(cè)量技術(shù)應(yīng)用廣泛。但是，對(duì)于復(fù)雜的工業(yè)過程，單一的軟測(cè)量算法預(yù)測(cè)精度較低，集成算法預(yù)測(cè)精度較高，但是需要調(diào)節(jié)的參數(shù)過多，不適用于復(fù)雜的工業(yè)過程。所以本文提出一種適用于復(fù)雜工業(yè)過程的集成算法。緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO2.3 AdaBoost集成算法緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGOAdaBoost集成算法發(fā)展AdaBoost.R2Freund等首次

7、提出。19972004201220162014AdaBoost,RTSolomatine等在AdaBoost.R2算法的基礎(chǔ)上進(jìn)行改進(jìn)自適應(yīng)閾值Wang等提出了自適應(yīng)閾值 算法AdaBoost.MRTKummer等提出了多序列輸出算法AdaBoost.RS本文提出適用于LF爐精煉技術(shù)的集成算法緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO AdaBoost算法分析AdaBoost.R2噪聲和異常值對(duì)于 算法的結(jié)果影響較大,并且當(dāng)平均損失函數(shù)大于0.5時(shí)算法停止AdaBoost.RT該算法對(duì)于閾值選取過于敏感，閾值過大或者過小都會(huì)影響結(jié)果的精度自適應(yīng)閾值A(chǔ)daBoost算法使用兩個(gè)變量代替AdaBo

8、ost.RT算法中的閾值，這兩個(gè)變量選擇的準(zhǔn)確性也會(huì)影響算法的精度AdaBoost.RS算法該算法沒有敏感度過高的參數(shù)，針對(duì)LF等復(fù)雜過程應(yīng)用簡單，有實(shí)際價(jià)值。緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)2.4 AdaBoost.RS算法松弛變量的選擇該算法提出一種新的權(quán)重更新方法，該方法可以降低噪聲數(shù)據(jù)對(duì)算法的影響，具體更新方式如下權(quán)重更新該算法引入松弛變量代替?zhèn)鹘y(tǒng)算法的閾值，松弛變量的選擇只與工業(yè)生產(chǎn)允許的最大絕對(duì)誤差有關(guān)，參數(shù)選擇不存在盲目性，操作更為簡單，使用方便 11-1ttttttterrorD iDim kZerroriARE iiiARE 沒有選中的個(gè)樣本 緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證

9、總結(jié)3.1 建立優(yōu)化模型3.2 模型求解LOGO3.1 建立魯棒優(yōu)化模型分析生產(chǎn)過程，確定決策變量和約束條件，建立優(yōu)化模型根據(jù)優(yōu)化算法求解優(yōu)化模型系統(tǒng)存在擾動(dòng)，優(yōu)化結(jié)果存在較大誤差，不能滿足實(shí)際需求根據(jù)系統(tǒng)擾動(dòng)情況建立對(duì)應(yīng)的魯棒優(yōu)化模型緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié) 3.3.1 魯棒優(yōu)化魯棒優(yōu)化是解決內(nèi)部結(jié)構(gòu)和外部環(huán)境不確定性的一種建模優(yōu)化方法，其應(yīng)用的關(guān)鍵問題是針對(duì)有著不確定數(shù)據(jù)的問題去尋找一個(gè)易于求解的魯棒對(duì)應(yīng)模型。其中，魯棒性是系統(tǒng)對(duì)于參數(shù)擾動(dòng)的不敏感程度。目前，大多數(shù)的研究主要采用最大/最小目標(biāo)函數(shù)描述法。魯棒優(yōu)化可以通過下式描述：魯棒最優(yōu)解121R2min( )( )( ( ),

10、( ),( )myfs.t. cccc=x xx， ， ，xxxxxxX( )() ( )Ffpdxx魯棒優(yōu)化含義緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO3.1.2 多目標(biāo)優(yōu)化方法線性加權(quán)法該方法通過決策者的意向選取目標(biāo)函數(shù)中的任意一個(gè)作為優(yōu)化目標(biāo)函數(shù)，其他目標(biāo)函數(shù)作為約束條件。約束法首先，決策者會(huì)設(shè)定一個(gè)目標(biāo)函數(shù)的期望值，然后通過該期望值對(duì)多目標(biāo)函數(shù)進(jìn)行求解。目標(biāo)規(guī)劃法12121R122min( )( ),( ),( )( )( ( ),( ),( )kmky=Ffffs.t. cccc=x xxyyy， ， ，；， ， ，xxxxxxxxxXyY該方法是根據(jù)決策者對(duì)每個(gè)目標(biāo)函數(shù)的偏好設(shè)定

11、對(duì)應(yīng)的權(quán)重。物美鋼水溫度電能消耗價(jià)廉緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)3.1.3 多目標(biāo)魯棒優(yōu)化模型 2111minmaxminmax1min()(1)()1 2. .01NiiiiiiiiFfyxNxxxistxx， ，4xx 11minmaxminm21axmin(1)()1()1 2.0).1NiiiiiiiifFxxxxisxxyNt， ，4xx minmaxm2i11m1naxmin1 2(1)()1(). .01iiiiNiiiiFxxxistxxfNxy， ，4xx精煉周期底吹氬流量包襯溫度電能消耗鋼水溫度電能消耗可控變量緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)3.2 模型求解 優(yōu)化方

12、法的發(fā)展1優(yōu)化方法包含確定性優(yōu)化和隨機(jī)優(yōu)化。確定性優(yōu)化的應(yīng)用條件較為嚴(yán)格，適用性不高，所以促使了隨機(jī)優(yōu)化的發(fā)展。進(jìn)化優(yōu)化方法是發(fā)展較為迅速的一種隨機(jī)優(yōu)化方法。 常見的進(jìn)化算法2現(xiàn)有的進(jìn)化算法已經(jīng)超過30種。其中常用的進(jìn)化算法包括：遺傳算法（GA，Genetic Algorithm）、粒子群算法（PSO，Particle Swarm Optimization）、蟻群算法（ACO，Ant Colony Optimization）、和聲搜索算法（HS，Harmony Search Algorithm）和布谷鳥搜索算法（CS，Cuckoo Search）等。 和聲搜索算法（HS，Harmony Sea

13、rch Algorithm）3演奏的樂師們可以通過調(diào)整各個(gè)樂器的音調(diào)創(chuàng)作出完美的和聲。2001年，Geem等依據(jù)和聲的產(chǎn)生原理提出了和聲搜索算法。和聲搜索算法憑借操作簡單、求解速度快等特點(diǎn)而被應(yīng)用于運(yùn)輸、醫(yī)學(xué)、基準(zhǔn)測(cè)試等領(lǐng)域。緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO和聲搜索算法緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO和聲搜索算法2212min. .10101,2iyxxstxi1x的決策空間2x 的決策空間和聲記憶庫=和聲記憶庫初始解個(gè)數(shù) 4=0.95和聲記憶庫提取概率=0.98rand =0.05rand=0.1變異概率20.3 =0.3x 擾動(dòng)頻寬（）緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)

14、和聲搜索算法分析該算法參數(shù)較多，包括初始解的個(gè)數(shù) 、記憶庫提取概率 、新解調(diào)整概率 和局部擾動(dòng)頻寬 。如果選擇的參數(shù)不恰當(dāng)則會(huì)對(duì)優(yōu)化結(jié)果造成不利影響。(1)雖然目前和聲記搜索算法的研究較多，但是對(duì)于參數(shù)的選擇和搜索方向還是存在一定的盲目性。(2)現(xiàn)有改進(jìn)的算法存在敏感性較大的參數(shù)，需要不斷調(diào)節(jié)參數(shù)才可以找到最優(yōu)解，同時(shí)尋找最優(yōu)解的速度較慢。(3)本文研究的目的是對(duì)鋼包精煉過程進(jìn)行操作優(yōu)化，要求優(yōu)化算法不存在敏感參數(shù)，提高求解速度。緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO改進(jìn)的和聲搜索算法 根據(jù)遺傳算法思想，依據(jù)權(quán)重在HM內(nèi)選取新解分量01 引入解的多樣性變量，根據(jù)該變量的大小更新和聲記憶庫提

15、取概率02 算法舍棄了局部擾動(dòng)頻寬 ，通過 HM內(nèi)某個(gè)分量的平均值隨機(jī)選取03 將第 次迭代最優(yōu)解進(jìn)行局部擾動(dòng)，生成新解 04 生成兩個(gè)新解，其中較優(yōu)解代替HM內(nèi)最差解05inewix緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO 改進(jìn)的和聲搜索算法解的多樣性2權(quán)重計(jì)算公式1局部擾動(dòng)規(guī)則4更新和聲記憶庫提取概率311|()()|()HMSjjjjiiiijjiHMSjjtiijffWZfxxx211()HMSjjiiiijDfyHMSx111=iiiHMCRDD 自適應(yīng)系數(shù)，2maxminnewrri riinewi rxrHMHMx（()-() ）緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)4.1 軟測(cè)量

16、建模部分4.2 優(yōu)化部分LOGO4.1.1軟測(cè)量測(cè)試函數(shù)緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO數(shù)據(jù)集算法均方根誤差0%5%15%30%Friedman#1BP神經(jīng)網(wǎng)絡(luò)AdaBoost.R2AdaBoost.RTAdaBoost.RS1.94981.41381.42461.49942.50651.76611.47401.52642.83081.90081.65571.59583.43202.50891.90921.7809Friedman#1BP神經(jīng)網(wǎng)絡(luò)AdaBoost.R2AdaBoost.RTAdaBoost.RS37.935525.247620.843120.275749.622435

17、.988034.055434.761763.164552.248650.782650.679985.045272.434168.732669.3750Friedman#1BP神經(jīng)網(wǎng)絡(luò)AdaBoost.R2AdaBoost.RTAdaBoost.RS1.14090.89590.77730.70051.15490.93830.84620.78511.37681.15320.95820.93591.45191.25170.90990.8178GaborBP神經(jīng)網(wǎng)絡(luò)AdaBoost.R2AdaBoost.RTAdaBoost.RS0.28990.25080.22840.24760.33920.2723

18、0.23540.24020.37540.29130.27080.25300.41850.30120.28850.2873BP神經(jīng)網(wǎng)絡(luò)AdaBoost.R2AdaBoost.RTAdaBoost.RS0.03590.03630.03670.03580.03700.03820.03800.03710.03950.03960.03830.03890.04340.03830.03770.0382sin |c x緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)4.1.2 實(shí)驗(yàn)結(jié)果比較AdaBoost.R2算法對(duì)于噪聲大的樣本敏感性較大，不適宜工業(yè)應(yīng)用AdaBoost.RT算法精度較高，且對(duì)波動(dòng)較大的數(shù)據(jù)點(diǎn)也有較好的預(yù)

19、測(cè)效果，但是需要反復(fù)調(diào)整算法參數(shù)，實(shí)用性不強(qiáng)。AdaBoost.RS算法預(yù)測(cè)結(jié)果精度較高，具有良好的抵抗噪聲的能力。在建模過程中，無需調(diào)整參數(shù)，操作簡便，實(shí)用性強(qiáng)。AdaBoost.R2AdaBoost.RTAdaBoost.RS緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO4.2.1優(yōu)化部分測(cè)試函數(shù)緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO4.2.1優(yōu)化部分測(cè)試函數(shù)最優(yōu)值進(jìn)化曲線1( )f x最優(yōu)值進(jìn)化曲線2( )fx最優(yōu)值進(jìn)化曲線3( )fx最優(yōu)值進(jìn)化曲線4( )fx緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)LOGO4.2.2 實(shí)驗(yàn)結(jié)果比較多目標(biāo)優(yōu)化仿真圖 通過本節(jié)實(shí)驗(yàn)的仿真分析，我們可以看出魯棒優(yōu)化

20、得到的最優(yōu)解具有較強(qiáng)的穩(wěn)定性，與鋼水期望溫度的相對(duì)誤差較小，證明魯棒優(yōu)化的必要性。結(jié)果分析緒論軟測(cè)量模型操作優(yōu)化論文驗(yàn)證總結(jié)5.1 論文總結(jié)5.2 未來展望5.3 致謝5.1 創(chuàng)新點(diǎn)總結(jié)創(chuàng)新點(diǎn)一根據(jù)AdaBoost算法思想提出一種適用于LF爐鋼包精煉鋼水終點(diǎn)溫度預(yù)報(bào)的集成軟測(cè)量算法，通過實(shí)驗(yàn)驗(yàn)證該算法具有較高的精度，并且具有實(shí)用價(jià)值。創(chuàng)新點(diǎn)二對(duì)鋼包精煉過程進(jìn)行操作優(yōu)化，根據(jù)該過程實(shí)際生產(chǎn)情況設(shè)定參數(shù)的擾動(dòng)幅度，建立對(duì)應(yīng)的多目標(biāo)魯棒優(yōu)化模型。創(chuàng)新點(diǎn)三利用改進(jìn)的和聲搜索算法求解多目標(biāo)魯棒優(yōu)化模型。本文根據(jù)和聲搜索算法的主要思想提出了一種改進(jìn)算法，通過實(shí)驗(yàn)證明該算法收斂速度較快，參數(shù)具有自適應(yīng)性。緒論軟測(cè)量模型操作優(yōu)化論文