论文部分内容阅读
以主元分析方法和新型ESN（回声状态网络）算法为核心，研究了转炉终点静态预测模型。通过对某钢厂转炉生产数据的主元分析，建立了ESN模型，同时将ESN模型与传统的BP和RBF神经网络模型进行了对比研究。结果表明，使用ESN建立的模型比传统的BP网络模型和RBF网络模型，在钢水温度预测方面精度分别提高了0．85％和0．45％，在钢水碳质量分数预测方面精度分别提高了O．45％和0．19％，能够有效的对转炉终点碳含量和温度进行预测，从而为转炉炼钢过程提供更准确的操作指导。