基于人工神经网络的烧结终点预报系统

烧结终点提前预报对于稳定终点,进而提高烧结矿强度和产量、降低能耗有重要意义.为解决烧结过程大滞后环节和烧结终点难以测量的困难,文章介绍了烧结终点的软测量方法;提出了一个新的预报参数——风箱废气温度曲线拐点;将BP神经网络应用于烧结终点的预报,实现了准确地预报烧结终点的状态和生产操作指导.     

基于自组织神经网络的烧结终点自适应预报系统的开发

烧结终点的在线检测和提前预报对于稳定终点,进而提高烧结矿强度和产量、降低能耗有重要意义。文章介绍了烧结终点的软测量方法;提出了一个新的预报参数——风箱废气温度曲线拐点;将多层前向人工神经网络应用于烧结终点的预报,对BP算法做了较大改进,使学习算法可以自组织神经网络的结构。应用这些技术开发的烧结终点自适应预报系统能够快速、准确地判断和预报烧结终点的状态,可用于在线操作指导或作为自动控制的依据。     

基于BFGS算法的BP网络在烧结终点预报中的应用

烧结生产是钢铁生产过程的一个重要环节.由于烧结过程的大滞后特性,需要时烧结终点进行提前预报.基于此,建立了基于BFGS法的BP神经网络的烧结终点预报模型,并给出了详细的算法和实例.程序运行结果表明,该模型能够对烧结终点进行较为准确地预报.     

基于神经网络烧结终点(BTP)预测系统

为解决烧结过程大滞后环节和烧结终点难以测量的困难，采用MBP神经网络对烧结过程进行预估、仿真和测试，建立了有较好泛化能力的系统模型，实现了对烧结终点的提前预报和生产操作指导。     

烧结终点预报神经网络样本优选与系统建模

烧结终点预报对于提高烧结矿强度和产量、降低能耗具有重要意义,但是烧结终点状态受多种因素影响,无法直接检测,只能由操作工依据经验进行判断,严重影响了烧结生产的稳定运行.本系统运用K均值聚类分析的样本优选方法对海量数据进行处理,选择具有代表性的样本,从而有效缩小样本空间、改善样本质量.使用风箱温度曲线计算废气温度上升点和烧结终点软测量值,以台车速度和点火温度作为输入,采用BP神经网络模型,对烧结终点位置进行预报.在实际应用中,该模型预报结果较准确地反映了烧结终点位置的变化,起到了稳定生产、节约能源的作用.     

小波分析时间序列算法在烧结终点的预测研究

对烧结过程中烧结终点的难以精确控制问题进行研究;针对烧结终点的单一控制,优化研究远不够深入,烧结终点的判断不够准确,文中结合烧结生产具体实际,综合运用烧结理论、现代控制理论等多学科知识,将小波分析、人工智能技术合理运用于工艺实际,结合小波分析提出新的算法来对风箱温度预测建模,仿真结果表明小波分析时间序列算法进一步优化烧结预测能力,有效地抑制了烧结终点的波动,提高烧结终点的计算精度,在生产实践中具有重要的理论意义和实用价值。     

烧结系统终点温度与透气性算法神经网络模型

矿石烧结是炼铁工艺流程的重要组成部分，烧结矿的质量直接影响高炉的炉况及铁水质量，而影响烧结矿质量关键的因素是终点温度和透气性。通过模糊算法，建立了烧结过程工艺参数与透气性指数之间的BP神经网络模型。     

烧结终点的优化控制

为使烧结终点更稳定、适宜,在分析烧结过程热状态的基础上,利用风箱废气温度曲线与以台车长度为横轴所形成的面积(Areat)为基础,通过控制Areat值的大小实现烧结终点(BTP)预报策略,并提取料层同一断面的风箱废气温度,利用最小二乘法拟合曲线.开发了基于Areat的烧结终点模糊控制系统.运行结果表明,烧结终点稳定性及烧结矿质量都有所提高.     

基于多元模糊线性回归的烧结终点预测方法

由于铁矿石烧结过程是具有不确定性、多变量耦合、时变时滞的复杂对象，烧结终点受多种因素的影响，采用传统控制方法难以将烧结终点控制在要求的范围内。基于多元模糊线性回归预测的建模方法，建立了铁矿石烧结过程的烧结终点预测模型。在对烧结终点影响因素分析的基础上，结合某钢铁企业烧结机的相关历史数据，确定各主要影响因素之间的函数关系，建立了烧结终点多元模糊回归预测模型，并利用该模型对烧结终点进行了预测。实际运行结果表明，该预测方法有较好的适用性及理想的预测效果。     

烧结过程烧结终点的预测与智能控制策略的研究及应用

针对某烧结厂的烧结过程，建立了基于风箱废气温度的烧结终点软测量模型．提出了基于多元模糊线性回归方法的烧结终点预测模型，在此基础上设计了基于模糊专家规则与预测前馈补偿的烧结终点智能控制系统．介绍了控制系统的组成与设计方法．系统的实际运行取得了较好的控制效果．     

一种基于改进遗传算法的模糊神经网络控制器及其在烧结终点控制中的应用

针对烧结过程这一复杂、多参数耦合的高度非线性系统,融合遗传算法、神经网络和模糊控制的优点,提出一种基于改进遗传算法的模糊神经网络控制方法,并应用于烧结过程终点控制．首先采用遗传算法对给定的模糊神经网络控制器结构参数进行离线优化,然后利用BP算法较强的局部搜索能力和对对象的适应能力,进一步进行参数的在线调整．同时,为解决传统遗传算法早熟和收敛速度慢的问题,从交叉和变异算子、适应度函数选取等方面对遗传算法进行改进．采用精英保留策略,提高了全局搜索性能和收敛速度．仿真结果表明,所提出的控制器优于常规的模糊神经网络控制器(Fuzzy Neural Network Controller, FNNC)．算法的实际应用效果良好,为解决烧结终点控制问题提供了一条新的途径．     

基于稀疏表示剪枝集成建模的烧结终点位置智能预测

烧结终点位置(BTP)是烧结过程至关重要的参数,直接决定着最终烧结矿的质量.由于BTP难以直接在线检测,因此,通过智能学习建模来实现BTP的在线预测并在此基础上进行操作参数调节对提高烧结矿质量具有重要意义.针对这一实际工程问题,首先提出一种基于遗传优化的Wrapper特征选择方法,可选取使后续预测建模性能最优的特征组合;在此基础上,为了解决单一学习器容易过拟合的问题,提出了基于随机权神经网络(RVFLNs)的稀疏表示剪枝(SRP)集成建模算法,即SRP-ERVFLNs算法.所提算法采用建模速度快、泛化性能好的RVFLNs作为个体基学习器,采用对基学习器基函数与隐层节点数等参数进行扰动的方式来增加集成学习子模型间的差异性;同时,为了进一步提高集成模型的泛化性能与计算效率,引入稀疏表示剪枝算法,实现对集成模型的高效剪枝;最后,将所提算法用于烧结过程BTP的预测建模.工业数据实验表明,所提方法相比于其他方法具有更好的预测精度、泛化性能和计算效率.     

基于烟气温度场分布的烧穿点智能集成预测方法

铅锌密闭鼓风烧结过程具有强非线性、时变和时滞等特性. 本文在分析过程热状态的基础上, 通过研究烧结机烟气温度梯度分布, 建立烟气温度分布烧穿点软测量判断模型, 结合烧穿点的动态特性, 运用智能集成建模的思想, 提出采用神经网络方法建立工艺参数预测模型, 采用灰色理论建立烟气温度分布时间序列预测模型, 通过模糊组合器综合与协调两个模型来预测烧穿点位置. 实际运行结果表明, 智能集成预测方法为铅锌烧结过程烧穿点的判断和预测提供了一种可行、有效的解决思路, 为实现过程的状态优化奠定了基础.     

Application of grey system theory to phosphorite sinter process: From modeling to control

The sintering process of phosphorite ore occurs with a large amount of return caused by untimely process control. The control task of phosphorite ore sintering is to regulate the parameters of the process to obtain a high quality sinter. The parameter clearly responsible for sinter quality is the temperature in the wind box. Therefore, in order to solve the control task, it is necessary to predict the highest temperature of the charge (also known as the burn through point (BTP)). In this paper, the theory of grey systems is used as a predictive model, which makes it possible to obtain an adequate model that uses a small number of initial samples of real temperature data. Based on the grey model GMC(1,n) a new optimal model is presented, which is constructed by using optimization algorithm. Optimal model predicts the BTP, and to establish an optimal regulation, a control synthesis is carried out through an optimization of the prediction according to the “particle swarm” algorithm.     

Neural-network-based integrated model for predicting burn-through point in lead–zinc sintering process

This paper presents an integrated neural-network-based model for predicting the burn-through point (BTP) of a lead–zinc sintering process. This process features strong nonlinearity and time-varying parameters. First, experiments were carried out to establish a model of the gas temperature distribution (GTD) in the sintering machine; and based on the GTD model, a surface temperature model of the material (STMM) was established. Second, based on the STMM, a method of estimating the BTP that uses a soft-sensing technique was devised. In order to improve the estimation precision, a time-sequence-based model for predicting the BTP was built using grey system theory. Since the BTP is also affected by process parameters, a technological-parameter-based model for predicting the BTP was then built using a neural network. Finally, an integrated model for predicting the BTP was constructed by combining the time-sequence-based and the technological-parameter-based models using a fuzzy classifier. The result of actual runs shows that, compared to the manual control, the integrated prediction model reduced the variation in BTP by about 50%. This guarantees the improvement of the quality and quantity of the sinter.     

基于多层分布式软件体系结构的烧结过程BTP优化控制系统设计*

以某钢铁企业烧结过程,即烧结终点(Burning Though Point,BTP)优化控制系统为对象,针对当前控制软件存在开放性差、结构固定、可重用程度低的问题,提出一种多层分布式软件体系结构.在分析系统结构、接口和交互模式的基础上,给出系统开发的实施方案,从而建立了一个基于Windows DNS的开放的、有强交互能力和扩展能力的分布式BTP优化控制系统.