基于SVM的烧结机质量预测模型设计

刘 波, 邓 嘉栩, 李 光洁, 李 香泉, 王 本荣
景德镇学院

摘要


烧结作为钢铁生产的重要环节，其中烧结矿碱度的精准预测直接影响到钢铁产品的品质和生产效率。传统的检测方法效率低下，无法实时获取烧结矿碱度，且难以保证预测的准确性。针对这一问题，该文提出了基于SVM的烧结机碱度预测模型。首先，通过深入分析烧结工业过程，选取了影响烧结矿碱度的关键参数，并获取工业生产过程实际数据；然后，对获取到的数据进行数据预处理，使用PCA分析将数据标准化并降维；最后，基于预处理的数据使用SVM建立烧结矿碱度预测模型，对模型参数进行超参数调优，仿真结果验证了该文所提方法能够有效预测烧结矿碱度，这对于改善高炉炼铁技术经济指标有着重大的经济价值和现实意义。

关键词


SVM；PCA；烧结矿碱度预测

全文:

PDF


参考


[1]张有才,普欣荣,吴应祥.钢铁冶炼中烧结工序综合利用含铁废料的生产实践[J].云南冶金,2016,45(03):70-73.

[2]齐凤来.唐钢低镁烧结矿生产工艺与冶金性能的研究[D].华北理工大学,2020.

[3]安剑奇,郭云鹏,张新民,等.高炉炼铁过程智能感知、诊断与控制方法的研究现状与展望[J].冶金自动化,2024,48(02):2-23.

[4] Zhikai L , Jun C ,Zhucheng H , et al. Characteristics and Sintering Mechanisms of Iron Ores with a High Proportion of HighAl2O3 Limonite. [J]. ACS omega, 2023, 8(18). 15951-15959.

[5]姬生玉.含铁原料性能对烧结矿质量的影响研究[J].山西冶金,2023,46(11):133-135.

[6]刘国胜,汪晶,王涛.酒钢高钛烧结矿生产过程的探索分析[J].甘肃冶金,2023,45(05):21-23+27.

[7]杨康.提高烧结机烧结矿产量和质量的实践研究[J].冶金与材料,2022,42(06):104-106.

[8] Mohammed A, Mamdouh A , Hiba A . Software Refactoring Prediction Using SVM and Optimization Algorithms[J]. Processes,2022, 10(8). 1611-1611.

[9]王昭栋,王自法,李兆焱,等.基于机器学习-网格搜索优化的砂土液化预测[J].振动与冲击,2024,43(05):82-93.


Refbacks

  • 当前没有refback。