高炉炼铁过程多目标优化模型的研究及应用

基于高炉炼铁过程的物质与能量守恒,采用多目标优化方法,建立了以能耗、成本及CO2排放为目标的高炉生产过程优化数学模型,并将该模型应用到某大型钢铁企业.编制程序得出优化结果,经与实际生产数据比较,验证了模型的正确性.优化结果表明:能耗、成本和CO2排放量均有不同程度降低.同时,利用模型分析了焦比、煤比、烧结矿品位等因素对...     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

决策树机器学习策略在数据分析中的优化

针对数据挖掘领域机器学习决策树模型匹配度过粗、预测准确率不高的问题,提出相应的改良优化策略.首先,通过对连续属性的多区间段离散化进一步提高数据的领域匹配度;其次,通过业务敏感度指标补偿特征属性的权重,使模型在向下分裂过程中,业务属性的选择更加合理;最后,通过数据分类规则改造进一步提升模型的数据预测准确率.实验结果表明,引入了业务敏感度指标生成的树模型更加简洁,业务针对性和数据归类能力更强;经过改造升级的数据分类规则相比优化前,数据预测精准度由72%提升至83%,有效改善了数据预测能力.     

基于人口流动和时空信息的城市疫情影响研究

新型冠状病毒(COVID-19)自暴发以来对人类的身体健康以及国家乃至整个世界的经济产生巨大影响.因此,如何研究及预测COVID-19的传播对于疾病防控尤为重要.本文基于人口迁移和城市间的距离,采用机器学习(即线性回归和随机森林模型)对COVID-19肺炎的确诊人数进行预测.在进行预测之前,我们对相关特征与疫情数据进行了相关性分析.结果表明,疫情数据与人口迁移和距离两种因素之间均表现出较强的相关性.综合两个模型来看,随着目标城市迁徙指数高的城市和邻近城市个数增加,预测结果的精度会不断提高.在机器学习预测中,随着作为特征的目标城市迁徙指数高的城市个数的增加,线性回归模型的预测性能变差,但随机森林模型的性能变好.并且,随机森林的预测效果一直优于线性回归.综上所述,人口迁徙和距离等相关数据有助于提高新型冠状病毒(COVID-19)肺炎的确诊人数预测精准度,为新型冠状病毒(COVID-19)肺炎或者其他传染性疾病确诊人数的预测提供了一种新的思路.     

多次走刀切削参数优化模型

针对多次走刀切削参数优化问题,基于模型预测控制策略,建立了以生产率及单位切除体积生产成本作为目标函数,相关技术指标作为约束条件的多次走刀切削参数优化模型.采用宽容分层序列法对所建立的多目标、非线性模型进行处理,运用模型预测控制策略及内点法进行优化求解.仿真结果中,将提出的策略与传统优化方法所获得的优化结果进行相比,证明了该方法求解复杂度低,并能够获得生产率更高、生产成本更低的最优切削参数组合.     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法.聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测.结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较.结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%.     

基于燃料比最优的高炉喷煤设定值多目标优化

为了降低高炉炼铁的能耗,节约成本,将高炉炼铁过程信息、专家经验与智能模型相结合,提出基于燃料比最优的高炉喷煤设定值多目标优化方案。以燃料比最优为优化目标,炉温预测指标为约束条件,喷煤量为决策变量,采用基于K-均值聚类的径向基神经网络建立多目标优化模型,并通过基于NSGA-Ⅱ算法的多目标优化方法,获取尽可能使多个目标同时达到最优的Pareto最优解。结果表明,该优化方案可以在保证炉温良好的前提下,决策出使燃料比达到最优的喷煤设定值,大大降低能耗,节约成本。不仅为高炉实际生产提供操作指导,也为高炉冶炼的优化运行奠定了基础。     

基于3种机器学习模型的岩爆类型预测

岩爆类型预测是防治和控制硬岩矿山岩爆灾害的有效方式。基于国内外397组岩爆案例数据，规范训练集与测试集的数据预处理方式，采用模型参数优化及交叉验证技术获得最近邻、支持向量机与决策树模型最佳参数；对比分析主成分分析法（PCA）与过采样SMOTE对3种机器学习算法预测准确率的影响，并采用准确率、精确率、召回率、F1等指标对模型预测性能进行评估。结果表明：主成分分析对3种机器学习模型的预测准确率并无提升，不同岩爆类型的样本之间不具有较为明显的决策边界；过采样SMOTE算法仅对决策树模型有明显的提升，基于过采样建立的SMOTE-DT模型预测准确率为77.50%，高于仅对原始数据集进行标准化处理的KNN、SVM模型的68.75%与57.50%；SMOTE-DT在高估与低估岩爆类型表现优于KNN与SVM模型，对于四种岩爆类型的F1值均大于0.7，岩爆预测性能稳定可靠。此外，采用本文构建的3种机器学习模型对山西紫金金矿进行了岩爆类型预测，模型预测结果与现场观测结果相一致。本文构建的三种用于岩爆类型预测的机器学习模型避免了训练集信息泄露对测试集造成影响，研究结果为岩爆类型预测及规范机器学习模型训练过程提供了理论支撑。     

基于多目标准则的大丰市土地利用结构预测与优化

利用Markov模型对大丰2020年的土地利用结构进行预测.结合规划数据与社会经济数据设置约束条件,以经济效益和生态效益为优化目标构建了多目标土地利用结构优化模型,并通过多目标规划法对模型进行求解.结果表明:到2020年大丰区耕地、城镇村及工矿用地、交通运输用地均有所提升,水域及水利设施用地由于滩涂的围垦开发在减少,总的来说较为合理的预测了大丰市2020年土地利用结构趋势,优化结果满足大丰市社会和经济发展需求,实现了经济效益最大化和生态效益最大化双重目标.     

球形演化极限学习机在药物—靶标相互作用智能预测中的应用

为解决药物研发中湿法实验耗时长且高成本等问题，采用机器学习预测药物-靶标相互作用。同时，为解决机器学习在建立药物-靶标相互作用模型时，受到分类器的类不平衡和参数优化等各种问题的制约。文章提出了一个基于球形演化极限学习机的药物-靶相互作用预测方法(SEELM-DTI),该方法主要使用筛选法选择高置信负样本、利用球形演化算法对极限学习机的参数进行优化。该研究将SEELM-DTI与SELF-BLM、NetLapRLS、WNN-GIP、SPLCMF、BLM-NII在基准数据集中进行试验比较，评价指标为AUC与AUPR。实验结果表明：SEELM-DTI的性能和效果优于其他基准算法，并且解决了类不平衡和参数优化问题，最后在常用的多个药物数据库上验证了SEELM-DTI预测药物-靶标相互作用的效果。     

面向定制化需求的冷轧产品多目标质量控制方法

To deal with the increasing demand for low-volume customization of the mechanical properties of cold-rolled products, a two-way control method based on mechanical property prediction and process parameter optimization (PPO) has become an effective solution. Aiming at the multi-objective quality control problem of a company’s cold-rolled products, based on industrial production data, we proposed a process parameter design and optimization method that combined multi-objective quality prediction and PPO. This method used the multi-output support vector regression (MSVR) method to simultaneously predict multiple quality indices. The MSVR prediction model was used as the effect verification model of the PPO results. It performed multi-process parameter collaborative design and realized the optimization of production process parameters for customized multi-objective quality requirements. The experimental results showed that, compared with the traditional single-objective quality prediction model based on support vector regression (SVR), the multi-objective prediction model could better take into account the coupling effect between process parameters and quality index, the MSVR model prediction accuracy was higher than that of the SVR, and the optimized process parameters were more capable and reflected the influence of metallurgical mechanism on the quality index, which were more in line with actual production process requirements.     

Multi-objective quality control method for cold-rolled products oriented to customized requirements

To deal with the increasing demand for low-volume customization of the mechanical properties of cold-rolled products, a two-way control method based on mechanical property prediction and process parameter optimization(PPO) has become an effective solution. Aiming at the multi-objective quality control problem of a company's cold-rolled products, based on industrial production data, we proposed a process parameter design and optimization method that combined multi-objective quality prediction and PPO. This method used the multi-output support vector regression(MSVR) method to simultaneously predict multiple quality indices. The MSVR prediction model was used as the effect verification model of the PPO results. It performed multi-process parameter collaborative design and realized the optimization of production process parameters for customized multi-objective quality requirements. The experimental results showed that, compared with the traditional single-objective quality prediction model based on support vector regression(SVR), the multi-objective prediction model could better take into account the coupling effect between process parameters and quality index, the MSVR model prediction accuracy was higher than that of the SVR, and the optimized process parameters were more capable and reflected the influence of metallurgical mechanism on the quality index,which were more in line with actual production process requirements.     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响,为提高泥石流危险性的预测精度,提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先,针对数据维度爆炸的问题,通过主成分分析(principal component analysis, PCA)数据降维,使得留有大部分致灾特征信息的因子输入训练模型;然后,使用萤火虫优化算法更新核极限学习机的参数,将四川省北川县监测数据输入优化后的预测模型,并与其他传统机器学习算法进行对比分析,验证该算法的优越性;最后,使用多种指标综合评估模型的预测效果。结果表明,FA-KELM模型能够有效地简化数据结构,提高泥石流危险性预测的准确性,为泥石流灾害预测方面的研究提供参考和借鉴。     

基于优化支持向量机的带钢延伸量软测量研究

带钢退火过程中存在多变量非线性主导因素和数据噪声,难以用数学模型精确描述退火炉内带钢的延伸量.针对这一问题,提出基于核主元分析(KPCA)与免疫粒子群(ICPSO)优化最小二乘支持向量机(LSSVM)的炉内带钢延伸量软测量方法.采用ICPSO算法避免了粒子群算法易陷入局部最优的缺陷,利用ICPSO对LSSVM进行参数寻优,通过KPCA去除样本噪声,提取输入数据样本中的非线性主元信息,建立ICPSO-LSSVM软测量模型.此方法用于退火炉内带钢延伸量预测,通过现场生产数据仿真实验进行非线性函数估计;对比其他几种现有算法,实验结果表明本文方法具有较高的预测精度.     

高炉异常炉况判断专家系统的设计与实现

探讨了高炉异常炉况判断专家系统的结构,讨论了从传感器数据中抽取高炉况特征的方法,时态黑板结构与时间知识表示,对于炉况特征的模糊量化和专家知识中的参数设定,系统采用机器学习方法自动调整,对于高炉异常炉况的操作方法,系统采用规划－动作－反应方法向用出动国作建议,并对所动作动作建议实现实时的重构解释。     

基于多目标优化策略的结构损伤识别智能算法

针对结构损伤识别问题, 提出一种基于多目标优化策略的结构损伤识别智能算法. 该算法利用极端学习机为损伤参数指标与每一阶频率建立非线性函数表达式, 先将结构的每一阶实际测量频率与函数表达式相减, 再把形成的每个表达式作为优化目标, 进而得到结构损伤识别的高维多目标优化模型. 为提高模型的求解精度, 提出了灰色多粒子群协同的多目标优化算法. 实验结果表明, 该方法能较好地处理结构损伤识别问题.     

基于LS-SVM的TBM掘进参数预测模型

针对目前TBM数据挖掘能力和掘进参数优化预测分析的不足以及对未来TBM实现无人驾驶的展望,将最小二乘支持向量机（LS SVM）机器学习应用到TBM掘进参数预测中,从吉林引松工程TBM掘进数据中提取掘进上升段的刀盘扭矩、刀盘推力、总推力、推进速度这4个重要参数建立LS SVM预测模型,预测4个参数在稳定段的均值,并讨论了模型训练集大小、参数选取等对预测性能的影响。结果表明,以原始数据中均匀提取的样本、RBF核函数和10折交叉验证建立的LS SVM模型可以较为准确地预测稳定段中上述4个参数,验证了LS SVM机器学习预测TBM掘进参数的可行性。