基于支持向量机算法的连铸漏钢预报模型研究 - 燕山大学学报.PDFVIP

第３９ 卷 第 １ 期 燕山大学学报 Ｖｏｌ ３９ Ｎｏ １ ２０１５ 年１ 月 Ｊｏｕｒｎａｌ ｏｆ Ｙａｎｓｈａｎ Ｕｎｉｖｅｒｓｉｔｙ Ｊａｎ． ２０１５ 　 　 文章编号：１００７⁃７９１Ｘ（２０１５）０１⁃００２２⁃０８ 基于支持向量机算法的连铸漏钢预报模型研究 １ １ １ ２ ２ １，３ ， ∗ 王　 葛 ，尹少峰 ，李　 珊 ，张瑞忠 ，安领军 ，李　 强 （１． 燕山大学 国家冷轧板带装备及工艺工程技术研究中心，河北秦皇岛０６６００４ ； ２． 河北钢铁集团邯郸钢铁集团有限责任公司，河北邯郸０５６０１５ ； ３． 燕山大学亚稳材料制备技术与科学国家重点实验室，河北秦皇岛０６６００４ ） 摘　 要：漏钢预报系统的性能往往取决于其算法模型的性能，支持向量机（ＳＶＭ ）算法在解决小样本、非线性及 高维模式识别中具有许多特有优势，能够避免神经网络隐含层节点选择及局部极小值等问题，而不同的ＳＶＭ 算法参数往往会对其性能产生显著影响。 为此，本文利用 ＧＳ 网格有哪些信誉好的足球投注网站法、ＰＳＯ 粒子群算法和ＧＡ 遗传算法对 ＳＶＭ 支持向量机的算法参数进行了优化，并将优化后的ＳＶＭ 支持向量机算法应用到连铸漏钢预报系统中；利 用某钢厂ＣＳＰ 连铸生产线的历史生产数据对各优化后的ＳＶＭ 支持向量机算法进行了训练和测试。 测试结果 表明，用ＧＡ 遗传算法优化后的ＳＶＭ 支持向量机算法测试效果较好，得到了９８．３３％ 的预报率和 １００％ 的报出 率，从而验证了基于ＳＶＭ 支持向量机漏钢预报系统的可行性和有效性。 关键词：漏钢预报；支持向量机；遗传算法；粒子群算法 中图分类号： ＴＦ３４５　 　 文献标识码： Ａ　 　 ＤＯＩ：１０．３９６９／ ｊ．ｉｓｓｎ．１００７⁃７９１Ｘ．２０１５．０１．００４ 统计学习理论为基础，在解决小样本、非线性及高 ０　 引言 维模式识别中表现出许多特有的优势，避免了神 经网络隐含层节点选择及局部极小等问题，已经 漏钢是连铸过程中的灾难性事故，不仅会影 成为模式识别技术中最实用的方法之一。 但目前 响正常生产，还会导致设备损坏，造成巨大的经济 对ＳＶＭ 算法参数选择尚缺乏成熟的理论依据，不 损失。 采用漏钢预报系统对漏钢作出早期预警和 同的算法参数选择往往会对算法的实际识别性能 处理是解决连铸漏钢事故最有效和最直接的手 和效果产生显著影响。 对 ＳＶＭ 参数进行优化，国 ［１］ 段 。 粘结性漏钢在所有漏钢事故中占到７０％ 以 际上尚没有公认的最好方法， 目前较为常用的 上，成为漏钢预报系统的研究重点。 目前采用的 ＳＶＭ 参数寻优方法主要有网格有哪些信誉好的足球投注网站法、遗传算法 漏钢检测方法主要有热电偶测温法、结晶器热交 和粒子群算法等。 换分析法、摩擦力测量法、振动波形分析法以及超 网格有哪些信誉好的足球投注网站法（Ｇｒｉｄ Ｓｅａｒｃｈ ，ＧＳ ）是一种最基本 ［２］ 声波探测法等 。 其中热电偶测