针铁矿法沉铁过程出口Fe2+浓度非线性预测控制策略研究

摘要

针铁矿法沉铁过程出口Fe2+浓度是生产中最重要的工艺指标。由于Fe2+浓度无法在线检测，而且沉铁过程具有很强的非线性、多变量、时滞等特点，从而造成针铁矿法沉铁过程Fe2+浓度的稳定控制非常困难。本文研究了针对针铁矿法沉铁过程的特点，研究了基于最小二乘支持向量机（LSSVM）及粒子群优化算法(PSO)的沉铁过程Fe2+浓度非线性预测控制。
　　本研究主要内容包括：⑴介绍了针铁矿法沉铁过程的工艺机理，分析了影响出口Fe2+浓度的主要因素，采用LSSVM，建立了出口Fe2+浓度的预测模型。基于生产现场收集的工业运行数据，应用一种自适应搜索技术，优化了LSSVM模型中的关键参数，工业运行数据验证了LSSVM模型具有较高的精度。⑵非线性预测控制律的求解是一个非线性约束优化问题，传统的基于偏导数的优化方法难以求解。为此，论文提出了基于PSO算法的非线性预测控制滚动优化方法。针对PSO算法易于陷入局部最小的问题，提出了基于Tent映射的动态权重混沌粒子群优化算法，提高了PSO算法的寻优能力，并通过若干测试函数验证了所提出算法的有效性。⑶提出了基于LSSVM和PSO的沉铁过程Fe2+浓度的非线性预测控制策略。仿真结果说明了所提出的预测控制方法能实现Fe2+浓度的稳定控制，对实际生产具有较好的指导意义。

目录

声明

摘要

1 绪论

1．1 课题背景及意义

1．2 针铁矿法沉铁过程模型及控制策略的研究现状

1．3 预测控制的发展与研究现状

1．4 论文的研究内容

2 针铁矿法沉铁过程工艺分析

2．1 针铁矿法沉铁过程工艺简介

2．2 针铁矿法沉铁过程出口Fe2+浓度影响因素分析

2．3 沉铁过程出口Fe2+浓度的控制策略

2．4 本章小结

3 沉铁过程出口Fe2+浓度预测模型的研究

3．1 支持向量机回归概述

3．2 基于自适应搜索的最小二乘支持向量机

3．2．1 最小二乘支持向量机回归

3．2．2 自适应参数优化

3．3 基于最小二乘支持向量机的出口Fe2+浓度预测模型

3．3．1 数据的采集和预处理

3．3．2 Fe2+浓度预测模型与仿真分析

3．4 本章小结

4 基于Tent映射的动态权重混沌粒子群优化策略

4．1 标准粒子群优化算法概述

4．1．1 标准粒子群优化算法的基本原理

4．1．2 SPSO算法流程

4．2 粒子群优化算法的改进策略

4．3 基于Tent映射的动态权重混沌粒子群优化算法

4．4 TM-NDWPSO算法的性能仿真

4．5 本章小结

5 基于PSO和LSSVM的出口Fe2+浓度非线性预测控制策略

5．1 预测控制

5．1．1 预测控制的基本原理

5．1．2 PSO和LSSVM结合用于非线性预测控制的可行性分析

5．2 基于PSO和LSSVM的出口Fe2+浓度非线性预测控制

5．2．1 LSSVM预测模型

5．2．2 PSO优化

5．2．3 反馈校正

5．2．4 出口Fe2+浓度非线性预测控制策略

5．3 本章小结

6 总结与展望

6．1 总结

6．2 展望

参考文献

攻读学位期间主要的研究成果

致谢