钢铁研究学报, 2017, 29(2): 98-122.
10.13228/j.boyuan.issn1001-0963.20160105
基于AdaBoost．RS算法的LF炉钢水温度预报分析
田慧欣
1,
,
刘玉栋
2,
,
孟博
3,
1.天津工业大学电气工程与自动化学院，天津 300387; 天津工业大学电工电能新技术天津重点实验室，天津 300387;
2.天津工业大学电气工程与自动化学院，天津 300387; 天津工业大学电工电能新技术天津重点实验室，天津 300387;
3.天津工业大学电气工程与自动化学院,天津,300387
LF炉钢水温度的精准控制有利于缩短钢的冶炼时间，从而节约其生产成本.而获得准确的 LF 炉钢水温度预报是钢水温度控制的先决条件.通过分析 LF炉冶炼过程对钢水温度的影响因素，提出一种适用于 LF炉钢水温度预报同时具有增量学习功能的 AdaBoost．RS集成建模算法.该算法引入松弛变量和遗忘因子2个参数，在提高预测精度的同时，可以克服大噪声数据带来的干扰，同时增量学习可以降低早期生产数据对模型的影响.以福建三钢有限责任公司100 t LF炉为研究对象，采用5个测试函数验证算法的抗噪性能，分别用静态数据和动态数据对钢水出站的终点温度进行预报.实验结果表明，预测的绝对误差小于10℃的样本数量超过了样本总数的90％，算法精度较高，有利于实际生产应用.
参考文献：
[1] 肖超平;包燕平;元鹏飞;刘志明;程晓文;丘文生.韶钢120 t LF钢水温度预报模型的开发[J].特殊钢,2011(2):11-14.
[2] 孙学刚.LF炉精炼过程钢水温度预报模型[J].科技视界,2013(30):6-7.
[3] 王子奇 .200吨LF炉精炼过程钢水温度智能预报模型研究与在线控制[D].东北大学,2014.
[4] 李军;贺东风;徐安军;田乃媛.基于GA-PSO-BP神经网络的LF终点温度预测[J].炼钢,2012(3):50-52.
[5] 田慧欣;李坤;孟博.一种用于软测量建模的增量学习集成算法[J].控制与决策,2015(8):1523-1526.
[6] Freund Y.;Schapire RE..A DECISION-THEORETIC GENERALIZATION OF ON-LINE LEARNING AND AN APPLICATION TO BOOSTING[J].Journal of Computer and System Sciences,19971(1):119-139.
[7] D. L. Shrestha;D. P. Solomatine.Experiments with AdaBoost.RT, an Improved Boosting Scheme for Regression[J].Neural computation,20067(7):1678-1710.
[8] 吴家伟;严京旗;方志宏;夏勇.基于Adaboost改进算法的铸坯表面缺陷检测方法[J].钢铁研究学报,2012(9):59-62.
[9] 田慧欣;王安娜.基于增量学习思想的改进 AdaBoost 建模方法[J].控制与决策,2012(9):1433-1436.
[10] 田慧欣 .LF精炼炉钢水温度预报方法研究[D].东北大学,2008.
[11] 刘杰 .LF炉钢水温度控制方法研究[D].东北大学,2012.
[12] Ki Hyun Kim;Bu Gi Kim;Dai Gil Lee.Development of carbon composite bipolar plate (BP) for vanadium redox flow battery (VRFB)[J].Composite structures,2014Mar.(Mar.):253-259.
材料期刊网