基于分类和ARIMA-WT-LSTM模型的高炉煤气产生量预测

钢铁企业的高炉煤气产生量因工况变化和各种复杂因素的影响,存在波动周期幅度较大和大量随机扰动的现象,使得高炉煤气产生量精准预测困难。为解决该问题,通过分析高炉煤气产生量特点,利用数据的波动特性对历史数据进行分类,并利用整合滑动平均自回归模型(autoregressive integrated moving average model, ARIMA)、长短期记忆网络模型(long short-term memory, LSTM)和小波变换(wavelet transform, WT)建立了ARIMA-WT-LSTM模型,对高炉煤气产生量进行实时动态分类和预测。以某钢厂1号高炉实际数据为例进行了验证,结果表明,本文提出的混合模型预测的均方根误差(root mean square error, RMSE)、平均绝对百分比误差(mean absolute percentage error, MAPE)和平均绝对误差(mean absolute error, MAE)比未进行数据分类的ARIMA-WT-LSTM模型分别降低了12.86、2.88和10.91,验证了模型的有效性。     

基于自编码-反向传播神经网络的LF钢水硫含量预测

钢包精炼炉(ladle furnace, LF)钢水硫含量预测对于精炼成品钢水成分的精准控制和产品质量的提升具有重要意义。针对LF机理复杂、多变量、非线性等特点，提出了一种基于自编码-反向传播神经网络(autoencoder-back propagation neural network, AE-BPNN)的LF钢水硫含量预测方法。首先，通过AE网络对数据降维和特征提取，消除噪声和缺失值的影响；然后，利用BPNN预测钢水硫含量。通过现场实际数据验证表明，所提出方法的均方根误差E_RMS(root mean square error, RMSE)达1.403,平均绝对误差E_MA(mean absolute error, MAE)达1.083,相关系数R²达0.824,具有良好的预测性能。     

基于小波去噪和循环神经网络-k重-整合移动平均自回归模型的转炉煤气柜位预测

在钢铁企业的生产过程中，实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要。本文提出基于小波去噪和循环神经网络-k重-整合移动平均自回归模型(recurrent neural network-k-autoregressive integrated moving average model, RNN-k-ARIMA)混合预测模型，并用该模型预测转炉煤气柜位。其主要研究思路为：首先，利用小波阈值去噪方法去除柜位数据中的干扰噪声；其次，运用RNN模型训练去噪后的柜位数据，计算RNN模型预测结果与实际值的残差；再次，使用k-ARIMA模型对残差进行修正；最后，将修正后的残差与RNN模型预测的初值求和得到最终的预测结果。通过测试两个数据集，得到均方根误差E_RMS(root mean square error, RMSE)分别为0.206 142和0.146 249,平均绝对百分比误差E_MAP(mean absolute percentage error, MAPE)分别为0.941 101和0.720 312,方向精度A_D     

基于长短期时间序列网络的氧气需求量预测

钢铁企业转炉炼钢过程中的氧气消耗机理复杂，具有非线性、间歇性等特点。采用深度学习方法分析炼钢用氧规律，对未来一个炼钢吹炼计划内的氧气需求量进行多步预测，获取分钟级耗氧量及趋势曲线。针对工业数据中的异常值与缺失值进行预处理，建立基于超参数调节的长短期网络(long short-term network, LSTNet)预测模型，采用钢铁企业炼钢过程用氧量的实际数据对算法进行测试，并与基于长短期记忆网络(long short-term memory, LSTM)的预测模型对比，相比LSTM预测模型，平均绝对误差(mean absolute error, MAE)指标降低了12.3%,均方根误差(root mean square error, RMSE)指标则降低了8.5%,表明该预测方法对钢铁企业转炉炼钢过程中氧气需求量的预测效果较好。     

基于组合算法的轧钢厂电耗预测

由于目前全国限电,钢铁厂耗电量高、电耗预测精度不高的问题亟待解决。将预处理后的热轧厂每天电耗作为预测模型的输入量,建立了最小二乘支持向量机(least squares support vector machine, LSSVM)预测模型,并对LSSVM预测模型进行核函数选择仿真分析。采用一种智能寻优灰狼算法(grey wolf optimization, GWO)进行寻优仿真分析,以平均绝对误差为目标函数值,优化LSSVM惩罚参数和核函数参数,从而建立了GWO-LSSVM的电耗预测模型。以山钢日照热轧厂为例,采用所建立预测模型对日耗电量进行仿真分析,试验结果表明,GWO-LSSVM预测模型能达到较好的曲线拟合预测效果,预测精度较高,平均绝对误差(mean absolute error, MAE)为0.838。     

基于机器学习的转炉热损失率预测

转炉热损失率是影响物料消耗量预测精度的重要参数之一，利用某钢厂150 t转炉1 900炉次冶炼历史生产数据，在热损失率计算的基础上，采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明，相比于支持向量回归(support vector regression, SVR)和随机森林(random forest, RF)算法，轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的预测精度最高；考虑上炉次的影响，增加上炉次冶炼终点温度变量后，LightGBM算法的决定系数R²由0.89提高到0.93,在±0.005、±0.01范围内，热损失率预测命中率分别由85%、89%提高到90%、93%;另外，通过算法内部参数优化可进一步提高模型预测精度，对于LightGBM算法，决定系数R²和均方根误差E_RMS(root mean square error, RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、...     

近β钛合金Ti-55511热塑性变形的流变应力分析与Arrhenius本构方程研究

主要研究Ti-55511钛合金在变形温度为700～850℃、应变速率为0.01～10 s^-1、真应变为0.6条件下的热压缩变形行为。结果表明,Ti-55511钛合金的流变应力受变形温度和应变速率的影响显著,峰值应力随变形温度降低和应变速率升高而升高。为消除热压缩过程中的温升效应,提高模型的准确性,本文采用新的温度修正方法,即通过Arrhenius方程推导,并利用数学外推法,对实验流变应力曲线进行温度修正,修正结果表明,变形温度越低、应变速率越高,温升和流变应力增量越大。在温度修正的基础上,建立基于应变补偿的Arrhenius本构方程,用该本构方程预测的流变应力与实测流变应力之间的相关系数(R²)和平均绝对相对误差(average absolute relative error, AARE)分别为0.991和6.65%,表明用本构方程能够精确地预测不同热变形条件下的流变应力。     

基于热轧工艺参数的冷轧变形抗力预报建模研究

变形抗力作为冷轧工艺设定中重要的材料和控制参数，计算精度直接影响到轧制力设定精度，继而影响带钢平坦度等质量指标的控制精度。针对变形抗力机制模型设定精度低、无法考虑热轧过程参数遗传影响等问题，采用鲸鱼优化算法(WOA)优化BP神经网络建立预测模型(WOA-BP),并通过现场收集的热、冷轧历史过程工艺参数对模型进行训练。WOA-BP模型预测结果表明，平均绝对值误差为10.42,平均绝对百分比误差为1.22,平均均方根误差为13.13,均优于BP神经网络模型，弥补了BP神经网络处理复杂的非线性问题训练时间长、预测精度低等缺点。与传统依托冷轧单工序建立的机制模型相比，考虑热轧工艺参数后，变形抗力预测误差由±15%降低至±6%,应用于L2级系统模型设定后，轧制力精度平均提高了2.09%。     

废钢料型智能识别的语义分割模型选择与实现

目前业界对废钢智能评级和扣杂的方案都是基于目标识别模型，但是目标识别模型与语义分割模型相比其无法精确刻画废钢的边界，造成对废钢的面积估计和特征采集不精准。然而当前语义分割模型众多，如何选择一种适合废钢判级场景的模型是亟待解决的问题。针对该问题，首先在实验室建立1∶3物理模型，模拟不同类型废钢入厂验质场景；然后，用2K分辨率摄像头采集图像数据；最后，将主流的20种语义分割模型进行对比分析。试验表明，在139张废钢数据集上应使用全卷积神经网络(fully convolutional network, FCN)模型搭配高分辨率网络(high-resolution net, HRNet)对废钢进行语义分割；在图像增强的1 529张废钢数据集上应使用基于Transformer改进的高效语义分割模型SegFormer-B5对废钢进行预测分类；从平均交并比(mean intersection over union, mIoU)评价指标来看，FCN和基于上下文表示的语义分割网络(object-contextual representations network, OCRNet)使用HRNet主干网络比...     

物理层抽象中平均互信息的精确计算方法

提出一种比特平均互信息(mean mutual information per bit,MMIB)物理层抽象技术平均互信息计算方法.该方法通过数学推导得到16QAM调制符号上各比特的对数似然比(1og-likelihood ratio,LLR)的概率分布,并得到平均互信息计算解析表达式.仿真结果表明,提出的计算方法计算精度要明显好于现有方法,特别是在信噪比较低时,其相对误差仅为现有算法的1/5左右,能明显改善MMIB估计性能.     

动态应用场景下煤炭含水率在线监测系统研究

依据含水率进行洒水是抑制煤炭转运过程中扬尘的一种有效方式，但是目前皮带机物料含水率监测系统无法识别皮带振动引起的异常点，导致预测模型无法满足精度和范围要求。因此，本文提出一种基于机器学习的动态场景下含水率监测系统方案，利用SVM算法对皮带速度、横向振动量进行异常识别，采用3次样条插值算法替换异常点的高度和微波数据，然后构建XGBoost回归模型，预测煤炭含水率。结果表明：相对于第一代线性模型，系统可检测煤炭含水率的范围由8.1%～12.3%提升为8%～27%,模型平均绝对误差(MAE)由0.86下降至0.53,均方误差(MSE)由0.93缩减到0.87,模型拟合度(R²)由0.182 8上升为0.973 5。实际监测75车次、14种煤炭，其含水率预测值的相对误差基本在±5%以内。     

工业场景下基于深度学习的时序预测方法及应用

为了系统性地归纳工业场景下时序预测方法及应用,首先介绍了统计学习、集成学习、深度学习三类时序预测算法,并围绕工业数据分析与决策问题,重点分析了循环神经网络、卷积神经网络、编码?解码器模型三类深度学习模型的优缺点及适用的工业应用场景。为了清晰全面地评估模型性能,介绍了面向点预测、序列预测问题的统计指标和误差计算方法。同时,整理了经典的公开工业数据集,以便研究者快速评估算法性能。并以过程工业中的采矿、冶金为例,介绍了时序预测方法在真实工业场景下的应用和效果。最后,总结了工业领域中应用深度学习技术所面临的低稳健性和弱可解释性等问题,并探讨了工业场景下时序预测方法研究的未来发展方向。      

基于聚类特征选择的热轧过程带钢头部厚度预测

厚度是热轧产品关键质量指标之一,带钢头部厚度预测精度直接影响自动厚度控制(AGC)的控制效果,进而影响产品质量和成材率。热轧生产过程复杂多变,大量冗余工艺特征严重影响厚度预测建模效果。为提高预测模型精度,采用层次聚类和互信息相结合的方法进行特征选择,分别基于深度神经网络(DNN)、极端梯度提升(XGBoost)、支持向量机回归(SVR)以及梯度提升决策树(GBDT)建立带钢头部厚度预测模型,通过平均绝对误差(E_MA)、均方误差(E_MS)、最大百分比误差(E_MAP)以及决定系数(R²)对模型的泛化能力进行评估。结果表明,在所建的预测模型中,DNN预测模型具有比其他模型更优的预测精度,测试集数据的E_MA、E_MS、E_MAP和R²分别为0.015 4、0.000 3、0.004 4、0.992 1,并有97.15%的数据预测偏差小于0.03 mm,最大偏差小于0.04 mm。最后采用机器学习模型解释方法SHAP进行特征分...     

钢铁企业能源仿真场景编制系统的研究与实现

针对目前钢铁企业能源仿真系统研究现状,结合钢铁企业生产特点,分析了影响能源产消的因素,建立了系统模型,并通过逆向物料计算、正向排程的方法对模型进行求解,最终开发了能源仿真场景编制系统。通过系统模型参数化,解决了不同钢铁企业的设备和工艺差异问题;通过生产场景编制,可以模拟故障和检修场景,同时为能源仿真系统提供作业计划输入。以两个不同钢铁企业为实例进行验证,仿真结果表明系统可以模拟不同企业,仿真不同场景,有很好的通用性和可扩展性。     

基于神经网络算法钒钛改性高铬铸铁的热处理工艺研究

采用神经网络算法技术,以钒含量、钛含量、淬火温度、淬火冷却方式、回火温度和回火冷却方式作为输入层参数,以耐磨损性能和冲击韧性为输出层参数,可以构建出6×24×12×2四层拓扑结构的钒钛改性高铬铸铁热处理工艺优化模型。模型输出的耐磨损性能平均相对预测误差为2.8%、冲击韧性平均相对预测误差为2.5%。模型不仅具有较佳的预测能力和较高的预测精度,而且在热处理生产线上具有很好的应用效果,使产线上的钒钛改性(0.8%钒+0.5%钛)高铬铸铁的平均晶粒尺寸减小32%、磨损体积减小50%、冲击韧性提高62%。     

主成分分析和最小二乘支持向量机模型在铁水硫和硅含量预测中的应用

良好的铁水质量是铸铁性能可靠性和稳定性的保证,而铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标,因此在出铁前精准获取铁水S含量和Si含量具有非常重要的意义。实验提出一种结合主成分分析(PCA)和最小二乘支持向量机(LS-SVM)模型的铁水S含量和Si含量的预测方法。将某钢厂大型高炉的在线采集数据作为研究对象,首先对影响铁水中S含量和Si含量变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机预测模型对铁水S含量和Si含量进行预测。在S含量预测过程中,正则化参数gam和核函数参数sig分别取20、700时,预测误差最小,其均方根误差为0.0012,仿真时间为0.423105s;Si含量预测过程中正则化参数gam和核函数参数sig分别取40、500时预测误差最小,均方根误差为0.0238,仿真时间为0.079522s。最后将实验结果与传统最小二乘支持向量机(LS-SVM)和结合PCA的BP神经网络预测模型(PCA+BP神经网络)的结果对比,后两组对比实验关于S含量预测的均方根误差分别为0.0015和0.0014,仿真时间分别为1.320842s和2.245967s;后两种对比实验关于Si含量预测的均方根误差分别为0.0316和0.0325,仿真时间分别为0.459671s和2.061576s。实验结果表明,实验方法更加全面地考虑了所有因素对铁水中S含量和Si含量变化的影响,具有训练时间短、预测精度高等优点。     

面向智能烧结的机尾断面烧结矿FeO预测研究

针对烧结工艺FeO预测准度问题,提出一种基于机器学习的预测模型。通过对机尾断面温度数据的采集和处理,建立包含多个特征的数据集。采用基于MIV(平均影响值)的特征选择方法,筛选出对预测模型权重占比较高的特征。使用Bi-LSTM(双向长短时记忆神经网络)算法对生产工艺数据进行训练和测试,得到高精度的预测模型。通过实验验证了该模型的预测效果,并与其他神经网络模型方法进行了比较,比较结果表明该模型具有较高的预测精度和实用性。在企业误差允许的范围内,准确率达90.2%,因此可以为智能烧结技术的应用和烧结质量的控制和优化提供重要的参考。     

不锈钢分公司能耗预测模型的研究

在对能源使用状况的现场调研、各类相关参数实地测试的基础上,建立能源预测模型.用建立模型的物流方式和计划方式预测分公司各种能源与能源介质的消耗量,模型运行精度误差(>|)2%,满足了实际应用的要求.     

基于改进PLS方法的便携LIBS废钢成分定量分析

为增加工业中废钢资源的转化利用效率，需依据其元素含量鉴别废钢类型。采用激光诱导击穿光谱(LIBS)技术结合基于主成分分析的偏最小二乘回归(PLSR)的机器学习算法，对26组钢铁标准样品的元素含量进行了定量分析和研究。通过自主研发的便携LIBS废钢成分检测仪采集光谱数据，对其进行基线校正，筛选对应元素特征谱线数据和归一化的光谱数据作为模型输入，将光谱数据划分为训练集和测试集进行建模分析，并采用留一交叉验证法(Leave-One-Out Cross Validation)确定模型最优潜变量指标。C、Cu、Mn、Mo、Cr、Ni、Si、V、Al、Ti元素模型在测试集上的相关决定系数(R²)、均方根误差(RMSE)、残差平方和(PRESS)和平均绝对误差(MAE)平均为97.86%、0.030 6、0.284、0.036 5。结果表明，以偏最小二乘回归算法结合LIBS技术建立的废钢元素含量预测模型具有较好的泛化能力与分类性能，拥有更好的预测准确性和鲁棒性，能够满足在钢铁冶炼工程中废钢成分的快速稳定分析和检测要求。     

基于粗糙集理论与神经网络的铁水硅含量预测

摘要：高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简，得到优化的输入集，结合BP(back propagation)神经网络实现高炉硅含量的预测。同时，针对炉况波动较大情况下神经网络模型预测误差大的问题，建立波动知识库，利用kNN(k Nearest Neighbor)算法匹配识别波动炉况，对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证，该方法在预测误差为±0.1％以内时预测命中率达到91.74％，可为高炉操作者判断炉况提供参考。