基于神经网络对铁水硫含量的优化和分析

高炉铁水中的硫含量是描述铁水质量的一个重要指标.为了在出铁之前了解铁水中硫含量的高低,建立预测模型是必要的.本文利用遗传算法(GA)和BP神经网络构造了高炉铁水硫含量的预测分析模型,从某高炉选取117组数据进行学习和预测.运行结果表明,模型预测精度较高,当要求绝对误差为±3×10-6时,命中率可达61.54%;绝对误差为±4×10-6时,命中率可达84.69%.在此基础上,应用该模型回归分析了高炉风量、热风压力、富氧量、铁间料批数与铁水硫含量之间的相关关系,结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导.     

基于CatBoost算法的高炉铁水硫含量预测

高炉铁水中的硫含量是描述铁水质量的一个重要指标。在出铁之前了解铁水中硫含量的高低，对于高炉实际生产具有重要作用，因此预测模型的建立非常必要。本文利用Catboost算法建立了高炉铁水硫含量的预测分析模型，采用国内某钢铁企业实际高炉生产数据进行学习和预测。运行结果表明，Catboost模型预测精度较高，计算时间较短，满足实际生产需求，同时模型的特征参量通过人工经验和相关性分析相结合的方法，相关关系结果与高炉冶炼理论基本吻合。测试结果表明，基于Catboost算法建立的高炉铁水硫含量预测模型在实际生产中能够起到很好的预测效果，对合理把控高炉铁水硫含量具有重要的参考意义。     

攀钢西昌钢钒高炉铁水适宜硫含量分析

为了寻求炼铁、炼钢工序经济适宜的铁水硫含量,通过对生产数据的统计,分析了攀钢西昌钢钒1号高炉铁水硫含量与技术经济指标的关系,得到了攀钢西昌钢钒高炉铁水钛含量与铁水硫含量及焦比的回归公式;并依据高炉冶炼过程中实际的矿焦比与铁水钛含量的经验数据,计算分析了不同铁水硫含量与炼铁的原、燃料成本的关系,综合考虑炼钢脱硫成本的变化,得出当前硫负荷条件下铁水适宜的硫含量(质量分数)应控制在0.085%左右.     

基于神经网络的高炉铁水硅和硫含量预报模型

采用基于自学习的参考炉次法,建立了反应高炉炉温和铁水质量的预报模型,对炼铁过程铁水硅含量和硫含量进行预报,建立了基于BP神经网络的高炉铁水硅含量和硫含量预报模型。用国内某高炉的生产数据进行模型训练,经预报结果数据验证,想要通过现有直接获取的高炉参数很难准确同时预报铁水硅含量和硫含量,但基本能准确预报铁水硫含量的变化趋势。     

铁水运输时硫含量的变化

焦炭中的硫含量以及高炉冶炼工艺决定了铁水中的硫含量。但是出铁时分析的铁水硫含量与倒入炼钢设备时的铁水硫含量不一致。在混铁炉中铁水硫含量的一些数据,比高炉出铁口处铁水硫含量高0.007～0.0014％,其他数据为0.006～0.009％(由于炉渣碱度降低,硫从渣中转移到铁中)。     

COREX铁水硫含量主要影响因素的统计解析

相比传统高炉炼铁工艺而言,COREX在环境保护等方面有着独特的优势,但同时仍存在着一些不足之处,比如,其铁水硫含量相比较高。本文详细分析了COREX炉内硫的位置分布和迁移行为,并在此基础上得到与铁水中硫含量相关的一些操作参数。进而,分析了煤比、渣比、铁水温度、熔炼率、二元碱度、MgO/Al_2O_3、煤气利用率、顶煤气消耗量、金属化率、还原气氧化度及DRI分布指数等对铁水硫含量的影响。在此基础上,拟合得到COREX铁水硫含量的多元线性回归模型,并用于预测及调控铁水硫含量。     

降低高炉铁水硫含量的措施分析

从理论上分析了影响铁水硫含量的因素，通过计算高炉硫负荷，分析造渣制度存在的不足，提出了降低杭钢高炉硫含量的措施。     

焦炭硫含量的技术经济研究

以2014年1~5月某公司6米焦炉及2800m3高炉的实际生产作业数据为对象,研究了焦炭硫含量对焦炭质量指标、高炉操作指标、铁水质量指标的影响,同时以2014年5月价格研究了焦炭硫含量变化对焦炭成本、铁水成本的综合影响,通过相关工具计算出最经济合理的焦炭硫含量控制值为0.803%。并指出焦炭每升高0.1%的硫成本降低须大于焦炭价格的1.43%才具可行性。     

基于改进小波-TCN的高炉铁水钒含量预测系统

铁水钒含量作为冶炼钒钛磁铁矿高炉的重要经济指标,对其进行准确预测将对高炉后续提钒增效具有重要生产意义。利用小波-TCN组合时序模型对具有非线性、波动大等特点的高炉铁水钒含量进行预测。首先利用小波变换将原时间序列数据分解成多个噪声段和单个趋势段,然后选用TCN模型对小波变换后的噪声段和趋势段分别进行预测,最后将结果重构得到最终的预测结果。对于选取小波变换层数较复杂的问题,利用赫斯特系数能够表征数据可预测性的特点,提出小波变换后的平均赫斯特系数(公式)用于降低模型建立过程中小波变换层数选取的复杂度,从而改进小波-TCN组合时序模型。结果表明,改进后的预测模型对单一变量预测高效且准确,相对非改进模型运算时间减少150％左右。对于赫斯特系数大于0.5的预测数据,利用改进小波-TCN组合时序模型对铁水钒含量进行预测,预测结果数据的R2达到0.967,均优于LSTM、LSTM with Attention和TCN单一预测模型的预测效果;对铁水硅、硫含量和铁水温度数据进行单变量预测,其R2分别为0.953、0.942和0.933。该预测模型可高效准确地对高炉铁水质量单变量进行预测,并可为高炉冶炼过程中所产生的其他波动较大数据的单变量准确、高效预测提供参考方案。基于预测模型进行预测系统功能应用开发,能使操高炉操作人员直观了解高炉出铁质量各参数状况,对高炉出铁质量数据进行提前掌握,促进高炉稳定顺行。     

神经网络在高炉铁水硫含量预报中的应用

采用3层BP神经网络来预报高炉铁水硫含量,根据高炉冶炼的实际生产数据,选取风温、风量、炉顶温度、焦炭负荷、喷煤量、矿石硫含量、焦炭硫含量、煤粉硫含量和上一炉铁水硅含量9个因素作为输入变量,为提高神经网络预报的准确率,对输入参数进行时滞处理.采取附加动量项和自适应学习步长的措施,解决了BP神经网络局部收敛和学习时间过长的问题.模型预报结果表明:当允许绝对误差不大于0.001时,预报命中率为70.7%;当允许绝对误差不大于0.005时,命中率为90%,证明了模型的有效性.     

基于BP神经网络和回归的脱硫粉剂预报模型

分析了铁水脱硫时铁水温度、铁水量、初始硫含量、脱硫后硫含量对镁粉耗量的影响,表明:随铁水温度增加镁粉耗量随之增加;随脱硫后硫含量的降低,镁粉耗量明显增加且增幅逐步扩大,为降低成本,脱硫深度应控制合理。为确定合适的粉剂用量,建立了基于BP神经网络和回归的铁水脱硫粉剂预报模型,其中BP神经网络模型是粉剂模型的主输出,回归模型用于限定输出范围。铁水脱硫粉剂预报模型已实现了在线控制,无需人工干预,达到了较好的应用效果。当偏差区间为[-0.001 5%,0.001 5%]时,脱硫后硫含量的符合率为90.85%,可有效实现脱硫后硫含量的控制。     

基于神经网络的转炉冶炼终点硫含量预报模型

通过研究转炉冶炼终点硫含量的影响因素,确定了预报模型的控制变量,对常用的BP算法进行改进,建立了基于神经网络的终点硫含量预报模型.模型的预报结果接近动态控制模型的预报精度.     

内燃机缸径和行程优化的神经网络算法

运用神经网络优化算法理论,对内燃机的气缸直径和活塞行程进行了优化计算。仿真结果表明,采用神经网络优化模型计算比常规的优化方法具有更高的精度。由于神经网络的并行处理能力,其运算速度更快,且可以ＶＬＳＩ实现,具有很好的运用前景。     

炼油加热炉烟气露点温度计算

在计算加热炉烟气露点温度的过程中,确定SO2转化为SO3的转化率是比较关键的一步.通过理论计算和分析文献上的经验数据,说明了反应温度、过剩空气系数、燃料硫含量等因素对转化率的影响.在此基础上,编制了计算烟气露点温度的Excel表格,并与成熟的露点温度线算图结果进行比较,认为此计算表格在工程上可用.     

基于BP神经网络的非晶相外标定量分析

 说明了非晶相不能用Rietveld方法来定量的原因。BP神经网络可以实现非线性的映射关系,非晶相的含量与其本底的高度存在一一对应关系,将两者联系了起来。用本底和衍射峰面积的数据,通过神经网络计算来求得非晶相的含量,所得结果优于多项式及S函数计算所得结果。同时指出了BP神经网络计算方法的适用范围。     

基于回声状态网络的转炉终点碳和温度预测

本文利用回声状态网络建立了转炉终点钢水碳含量和温度预测模型,并应用遗传算法优化其主要参数。选用某钢厂3座120t转炉的实测数据对该网络模型进行离线训练和仿真测试,结果表明回声状态网络模型比BP神经网络模型在预测精度上有所提高。这为开展转炉实时预测工作提供了方法指导。     

基于MATLAB的RBF神经网络的应用

提出了一种用于预转报炉炼钢终点磷含量的智能方法,在该方法中,采用RBFNN方法,对转炉冶炼过程进行建模与仿真。MATLAB中的神经网络工具箱是进行神经网络系统分析与设计的有力工具。RBF神经网络以其计算量小,学习速度快,不易陷入局部极小等诸多优点为系统辨识与建模提供了一种有效的手段。将二者结合起来,解决转炉冶炼中的建模问题,取得了令人满意的结果。     

利用人工神经网络系统提高转炉终点碳温双命中率

以神经网络为基础开发出一套转炉冶炼终点控制模型。模型以转炉炼钢基础理论为依据,采用误差后向传播网络——BP网络为原形,对其算法进行改进,建立两个三层BP预测神经网络,选用29个输入参数,分别对终点温度和终点碳含量进行预报。通过采集现场操作数据和实际应用,碳温双命中率达到80%以上。     

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。     

Hybrid Neural Network Model for RH Vacuum Refining Process Control

A hybrid neural network model, in which RH process (theoretical) model is combined organically with neural network (NN) and case-base reasoning (CBR), was established.The CBR method was used to select the operation mode and the RH operational guide parameters for different steel grades according to the initial conditions of molten steel, and a three-layer BP neural network was adopted to deal with nonlinear factors for improving and compensating the limitations of technological model for RH process control and end-point prediction. It was verified that the hybrid neural network is effective for improving the precision and calculation efficiency of the model.