钢水中含碳量和纲水温度的预测分析.docxVIP

下载本文档

1
0
约3.32千字
约 7页
2024-09-05 发布于湖北
举报
版权申诉

钢水中含碳量和纲水温度的预测分析.docx

1、本文档共7页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

钢水中含碳量和纲水温度的预测分析

摘要

随着“去产能、绿色制造和市场竞争”口号的提出，在中小型转炉炼钢技术转型的背景下，炼钢终点精准命中的问题成为研究热点，因此建立科学、合理、精确的预测模型对智能炼钢尤为重要。

本文主要是通过多元线性回归、BP神经网络、时间序列、随机森林，来对钢水中的碳含量和钢水温度相关的数据进行预测，建立一个动态预报模型。

首先对数据表中的四个自变量与因变量之间分别进行相关性分析，得出PQ、Q与CT之间有很强的相关性的结果，随后将数据放入到线性回归模型之中，得到：数据一中，对C影响显著的变量有PQ、CO、CO2，对T影响显著的有PQ；数据二中，对C影响显著的有PQ、CO、CO2，对T影响显著的有PQ、CO、CO2；数据三中，对C影响显著的有Q、CO、CO2，对T影响显著的有Q；数据四中，对C影响显著的有PQ、CO，对T影响显著的有PQ；数据五中，对C影响显著的有PQ、CO、CO2，对T影响显著的有PQ、CO2。最后引入多元线性回归、BP神经网络、随机森林、时间序列预测模型构建一个整体的预测模型。

关键词：预测线性回归神经网络时间序列

问题分析

为了分析PQ、Q、CO、CO2与CT之间的关系，首先画出四个变量PQ、Q、CO、CO2与CT关系的散点图观察他们之间相关性，并计算他们的R2和表达式，再把四个变量与CT都分别进行线性回归分析的处理，得出结果。为了建立一个比较优秀的预测模型，增强实验的可行性，然后加入BP神经网络对CT在此进行分析预测，并与回归得到的结果进行对比分析。

模型的建立

BP神经网络

输入层神经元数目和样本数量是相同的，隐含层神经元的个数可以通过实验或根据经验选取，输出层神经元个数为一。

我们假设网络输入向量为，实际输出为，期望的输出为。TY中的数据分两类，0正常，1异常。隐含层或者输出层的神经元，如果输入，其中是由上一层的神经元i到神经元j的权值；传递函数是神经元i的输出；是神经元j的偏置。训练数据中的第k个数据，其误差函数为，使用梯度下降法来求误差函数的极小值，即，其中为学习速率。

模型的求解

分析得：五个表中PQ、Q与T都是正相关，与C都是负相关，它们分布在某一条直线附近，相关性很强；表1和4中CO与T和C分别有非常强的负相关和正相关性，其它表中CO、CO2与C和T的分布散乱无规律，没有相关性。

然后将五个表格中的数据带入到多元线性回归模型，求解得到如下结果：

表1回归结果

回归对象

总显著性

Q显著性

PQ显著性

CO显著性

CO2显著性

1.000

0.000

排除变量

0.000

1.000

0.000

排除变量

0.000

0.585

0.846

1.000

0.000

排除变量

0.000

0.003

0.000

1.000

0.000

排除变量

0.000

0.002

0.000

1.000

0.000

排除变量

0.000

0.015

1.000

0.000

排除变量

0.453

0.639

1.000

0.000

排除变量

0.000

0.631

1.000

0.000

排除变量

0.000

0.742

0.435

0.999

0.000

排除变量

0.000

0.008

0.015

1.000

0.000

排除变量

0.000

0.254

0.039

分析：从表上可以看出调整后R2为1或者0.999，说明总体变量对因变量的解释程度为百分之百，拟合效果非常好，模型比较稳定；由总显著性0.005，因此拒绝原假设，即可以认为本次回归模型通过了置信水平为95%的F检验，所以回归方程具有统计学意义。

回归得到的系数整理成表如下所示：

表2系数表

对象

CO2

常数

-4.303

-0.015

-0.051

5.649

547.358

-0.001

0.001

1050.044

-4.183

0.000

-0.006

4.363

576.039

0.005

0.072

1082.209

-0.001

0.003

0.005

3.972

0.171

0.000

1064.000

-4.337

-0.002

0.000

4.555

600.887

0.000

0.001

1050.969

-4.185

-0.001

-0.003

4.245

633.897

0.000

0.003

1041.928

预测模型：

回归预测作用：变量关系的分析及预测。

神经网络预测作用

您可能关注的文档

文档评论（0）

132****1010 + 关注: 实名认证

文档贡献者

该用户很懒，什么也没介绍

咨询Ta 进入空间

1亿VIP精品文档

更多 >

钢水中含碳量和纲水温度的预测分析.docxVIP