硕士论文答辩

1、答辩学生：指导老师：答辩时间：基于软测量的钢包精炼过程多目标鲁棒优化Multi-objective Robust Optimization of Ladle Furnace Based on Soft Sensor CONTENTS目录123451.1 研究背景1.2 课题的研究意义1.3本课题研究内容1.4研究思路绪论软测量模型操作优化论文验证总结1.1 课题的背景如今，钢铁行业不能为我们带来巨大的经济效益但却消耗着巨大的能源。据统计，我国的钢铁企业生产一吨钢是世界上先进钢铁企业能源消耗的1.15倍，同时，每年钢铁的能源消耗比重占到了我国所有工业能源消耗比重的20%，所以提高炼钢技术从而达到

2、能源消耗量下降、减少生产成本是我国钢铁行业发展亟待解决的一个问题。钢水杂质较多，质量差钢水杂质少，冶炼周期短LOGO炉外精炼技术喷吹是利用氩气等惰性气体作为载体，向钢水中喷入不同粉剂。搅拌可以向流体系统提供能量，使系统内产生动能。真空可以帮助钢水进行脱碳脱氧、去除杂质等。钢水使用进行冲洗合金渣，提高钢水质量。可以满足对不同的钢水进行灵活操作，精确控制钢水温度。绪论软测量模型操作优化论文验证总结LOGO钢包精炼过程分析炉体和炉盖电极加热系统吹氩搅拌系统加料系统绪论软测量模型操作优化论文验证总结1.2 课题的研究意义LF炉的设备简单、投资较少、冶炼工艺灵活、精炼后的钢水中气体含量低、有害杂质少，成

3、分稳定等优点，同时，该技术可以增加钢的品种、提高钢的质量所以LF精炼一直在钢铁企业中应用广泛。(2)目前，LF炉外精炼技术依主要靠人工经验控制钢水温度，增加了成本，不能实现成本的最低化，同时降低了钢质量的稳定性。(3)本文以LF炉钢包精炼过程为研究对象，建立该过程的钢水终点温度预报模型和多目标鲁棒优化模型，达到优化工艺的作用。(1)钢水温度的精准控制有利于缩短钢的冶炼时间，节约其生产成本。而建立准确的钢水温度预报模型是钢水温度控制的先决条件。绪论软测量模型操作优化论文验证总结LOGO1.3 本课题研究内容钢水温度预报模型首先，对福建三钢有限责任公司100tLF炉的生产数据进行数据处理，得到用于

4、软测量建模数据。然后，分析BP神经网络和传统的AdaBoost算法的不足，提出AdaBoost.RS算法，分别比较传统已有算法AdaBoost.RS算法的优缺点。多目标鲁棒操作优化根据钢包精炼过程的特点，建立多目标鲁棒优化模型。提出改进和声搜索算法。然后，利用该算法分别对多目标优化模型和多目标鲁棒优化模型求解，验证鲁棒优化模型的抗扰动性。绪论软测量模型操作优化论文验证总结LOGO1.4 研究思路分析LF炉钢包精炼过程确定影响钢水温度的主要因素建立LF炉钢水温度预报模型提出一种AdaBoost.RS集成算法建立LF炉的优化模型以钢水温度和电量为目标的鲁棒模型求解多目标优化模型提出一种改进的和声搜

5、索算法求解模型绪论软测量模型操作优化论文验证总结2.1 理论探究2.2 钢水温度预报方法2.3 AdaBoost算法2.4 AdaBoost.RS算法2.1 理论探究将钢包视为一个系统，根据能量守恒定律可知，系统内吸收的热量 与系统输入的热量 和系统损失的达到平衡，即系统输入的热量 主要包括电弧加热散发的热量 、合金发生氧化产生的热量 和合金的溶解热 ，但是由于合金氧化和溶解的热效应对于钢水温度变化影响不大，所以一般认为电弧加热散发的热量是系统的唯一能量来源。系统损失的热量 主要包括合金渣料融化吸收的热量 、包衬耐火材料的蓄热吸收的热量 、渣面对大气传热损失的热量 和池内高温气体通过渣面带走的

6、热量 。因此，根据上式，可以得出-steelimportlossQQQ绪论软测量模型操作优化论文验证总结LOGO影响钢水温度的主要因素绪论软测量模型操作优化论文验证总结LOGO2.2 钢水温度预报方法基于软测量技术方法目前，软测量技术应用广泛。但是，对于复杂的工业过程，单一的软测量算法预测精度较低，集成算法预测精度较高，但是需要调节的参数过多，不适用于复杂的工业过程。所以本文提出一种适用于复杂工业过程的集成算法。绪论软测量模型操作优化论文验证总结LOGO2.3 AdaBoost集成算法绪论软测量模型操作优化论文验证总结LOGOAdaBoost集成算法发展AdaBoost.R2Freund等首次

7、提出。19972004201220162014AdaBoost,RTSolomatine等在AdaBoost.R2算法的基础上进行改进自适应阈值Wang等提出了自适应阈值 算法AdaBoost.MRTKummer等提出了多序列输出算法AdaBoost.RS本文提出适用于LF炉精炼技术的集成算法绪论软测量模型操作优化论文验证总结LOGO AdaBoost算法分析AdaBoost.R2噪声和异常值对于 算法的结果影响较大,并且当平均损失函数大于0.5时算法停止AdaBoost.RT该算法对于阈值选取过于敏感，阈值过大或者过小都会影响结果的精度自适应阈值AdaBoost算法使用两个变量代替AdaBo

8、ost.RT算法中的阈值，这两个变量选择的准确性也会影响算法的精度AdaBoost.RS算法该算法没有敏感度过高的参数，针对LF等复杂过程应用简单，有实际价值。绪论软测量模型操作优化论文验证总结2.4 AdaBoost.RS算法松弛变量的选择该算法提出一种新的权重更新方法，该方法可以降低噪声数据对算法的影响，具体更新方式如下权重更新该算法引入松弛变量代替传统算法的阈值，松弛变量的选择只与工业生产允许的最大绝对误差有关，参数选择不存在盲目性，操作更为简单，使用方便 11-1ttttttterrorD iDim kZerroriARE iiiARE 没有选中的个样本 绪论软测量模型操作优化论文验证

9、总结3.1 建立优化模型3.2 模型求解LOGO3.1 建立鲁棒优化模型分析生产过程，确定决策变量和约束条件，建立优化模型根据优化算法求解优化模型系统存在扰动，优化结果存在较大误差，不能满足实际需求根据系统扰动情况建立对应的鲁棒优化模型绪论软测量模型操作优化论文验证总结 3.3.1 鲁棒优化鲁棒优化是解决内部结构和外部环境不确定性的一种建模优化方法，其应用的关键问题是针对有着不确定数据的问题去寻找一个易于求解的鲁棒对应模型。其中，鲁棒性是系统对于参数扰动的不敏感程度。目前，大多数的研究主要采用最大/最小目标函数描述法。鲁棒优化可以通过下式描述：鲁棒最优解121R2min( )( )( ( ),

10、( ),( )myfs.t. cccc=x xx， ， ，xxxxxxX( )() ( )Ffpdxx鲁棒优化含义绪论软测量模型操作优化论文验证总结LOGO3.1.2 多目标优化方法线性加权法该方法通过决策者的意向选取目标函数中的任意一个作为优化目标函数，其他目标函数作为约束条件。约束法首先，决策者会设定一个目标函数的期望值，然后通过该期望值对多目标函数进行求解。目标规划法12121R122min( )( ),( ),( )( )( ( ),( ),( )kmky=Ffffs.t. cccc=x xxyyy， ， ，；， ， ，xxxxxxxxxXyY该方法是根据决策者对每个目标函数的偏好设定

11、对应的权重。物美钢水温度电能消耗价廉绪论软测量模型操作优化论文验证总结3.1.3 多目标鲁棒优化模型 2111minmaxminmax1min()(1)()1 2. .01NiiiiiiiiFfyxNxxxistxx， ，4xx 11minmaxminm21axmin(1)()1()1 2.0).1NiiiiiiiifFxxxxisxxyNt， ，4xx minmaxm2i11m1naxmin1 2(1)()1(). .01iiiiNiiiiFxxxistxxfNxy， ，4xx精炼周期底吹氩流量包衬温度电能消耗钢水温度电能消耗可控变量绪论软测量模型操作优化论文验证总结3.2 模型求解 优化方

12、法的发展1优化方法包含确定性优化和随机优化。确定性优化的应用条件较为严格，适用性不高，所以促使了随机优化的发展。进化优化方法是发展较为迅速的一种随机优化方法。 常见的进化算法2现有的进化算法已经超过30种。其中常用的进化算法包括：遗传算法（GA，Genetic Algorithm）、粒子群算法（PSO，Particle Swarm Optimization）、蚁群算法（ACO，Ant Colony Optimization）、和声搜索算法（HS，Harmony Search Algorithm）和布谷鸟搜索算法（CS，Cuckoo Search）等。 和声搜索算法（HS，Harmony Sea

13、rch Algorithm）3演奏的乐师们可以通过调整各个乐器的音调创作出完美的和声。2001年，Geem等依据和声的产生原理提出了和声搜索算法。和声搜索算法凭借操作简单、求解速度快等特点而被应用于运输、医学、基准测试等领域。绪论软测量模型操作优化论文验证总结LOGO和声搜索算法绪论软测量模型操作优化论文验证总结LOGO和声搜索算法2212min. .10101,2iyxxstxi1x的决策空间2x 的决策空间和声记忆库=和声记忆库初始解个数 4=0.95和声记忆库提取概率=0.98rand =0.05rand=0.1变异概率20.3 =0.3x 扰动频宽（）绪论软测量模型操作优化论文验证总结

14、和声搜索算法分析该算法参数较多，包括初始解的个数 、记忆库提取概率 、新解调整概率 和局部扰动频宽 。如果选择的参数不恰当则会对优化结果造成不利影响。(1)虽然目前和声记搜索算法的研究较多，但是对于参数的选择和搜索方向还是存在一定的盲目性。(2)现有改进的算法存在敏感性较大的参数，需要不断调节参数才可以找到最优解，同时寻找最优解的速度较慢。(3)本文研究的目的是对钢包精炼过程进行操作优化，要求优化算法不存在敏感参数，提高求解速度。绪论软测量模型操作优化论文验证总结LOGO改进的和声搜索算法 根据遗传算法思想，依据权重在HM内选取新解分量01 引入解的多样性变量，根据该变量的大小更新和声记忆库提

15、取概率02 算法舍弃了局部扰动频宽 ，通过 HM内某个分量的平均值随机选取03 将第 次迭代最优解进行局部扰动，生成新解 04 生成两个新解，其中较优解代替HM内最差解05inewix绪论软测量模型操作优化论文验证总结LOGO 改进的和声搜索算法解的多样性2权重计算公式1局部扰动规则4更新和声记忆库提取概率311|()()|()HMSjjjjiiiijjiHMSjjtiijffWZfxxx211()HMSjjiiiijDfyHMSx111=iiiHMCRDD 自适应系数，2maxminnewrri riinewi rxrHMHMx（()-() ）绪论软测量模型操作优化论文验证总结4.1 软测量

16、建模部分4.2 优化部分LOGO4.1.1软测量测试函数绪论软测量模型操作优化论文验证总结LOGO数据集算法均方根误差0%5%15%30%Friedman#1BP神经网络AdaBoost.R2AdaBoost.RTAdaBoost.RS1.94981.41381.42461.49942.50651.76611.47401.52642.83081.90081.65571.59583.43202.50891.90921.7809Friedman#1BP神经网络AdaBoost.R2AdaBoost.RTAdaBoost.RS37.935525.247620.843120.275749.622435

17、.988034.055434.761763.164552.248650.782650.679985.045272.434168.732669.3750Friedman#1BP神经网络AdaBoost.R2AdaBoost.RTAdaBoost.RS1.14090.89590.77730.70051.15490.93830.84620.78511.37681.15320.95820.93591.45191.25170.90990.8178GaborBP神经网络AdaBoost.R2AdaBoost.RTAdaBoost.RS0.28990.25080.22840.24760.33920.2723

18、0.23540.24020.37540.29130.27080.25300.41850.30120.28850.2873BP神经网络AdaBoost.R2AdaBoost.RTAdaBoost.RS0.03590.03630.03670.03580.03700.03820.03800.03710.03950.03960.03830.03890.04340.03830.03770.0382sin |c x绪论软测量模型操作优化论文验证总结4.1.2 实验结果比较AdaBoost.R2算法对于噪声大的样本敏感性较大，不适宜工业应用AdaBoost.RT算法精度较高，且对波动较大的数据点也有较好的预

19、测效果，但是需要反复调整算法参数，实用性不强。AdaBoost.RS算法预测结果精度较高，具有良好的抵抗噪声的能力。在建模过程中，无需调整参数，操作简便，实用性强。AdaBoost.R2AdaBoost.RTAdaBoost.RS绪论软测量模型操作优化论文验证总结LOGO4.2.1优化部分测试函数绪论软测量模型操作优化论文验证总结LOGO4.2.1优化部分测试函数最优值进化曲线1( )f x最优值进化曲线2( )fx最优值进化曲线3( )fx最优值进化曲线4( )fx绪论软测量模型操作优化论文验证总结LOGO4.2.2 实验结果比较多目标优化仿真图 通过本节实验的仿真分析，我们可以看出鲁棒优化

20、得到的最优解具有较强的稳定性，与钢水期望温度的相对误差较小，证明鲁棒优化的必要性。结果分析绪论软测量模型操作优化论文验证总结5.1 论文总结5.2 未来展望5.3 致谢5.1 创新点总结创新点一根据AdaBoost算法思想提出一种适用于LF炉钢包精炼钢水终点温度预报的集成软测量算法，通过实验验证该算法具有较高的精度，并且具有实用价值。创新点二对钢包精炼过程进行操作优化，根据该过程实际生产情况设定参数的扰动幅度，建立对应的多目标鲁棒优化模型。创新点三利用改进的和声搜索算法求解多目标鲁棒优化模型。本文根据和声搜索算法的主要思想提出了一种改进算法，通过实验证明该算法收敛速度较快，参数具有自适应性。绪论软测量模型操作优化论文