炼铜转炉吹炼终点的神经网络和自适应残差补偿组合预报模型

提出了基于改进的BP神经网络学习算法和自适应残差补偿算法的炼铜转炉吹炼终点组合预报模型. 利用某厂实际生产数据进行仿真运行的结果表明, 本文建立的模型具有较高的预报精度和较强的实用性, 可用于指导生产实践.     

转炉炼钢终点磷的智能预报

提出了一种用于预报转炉炼钢终点磷含量的智能方法, 在该方法中, 采用模糊推理和遗传算法, 其中模糊推理用于估算转炉熔池的磷含量, 而模糊推理模型中的各个系数则由遗传算法辨识与优化. 为了提高熔池磷的估算精度, 同时还设计了一种神经网络以补偿来自模糊推理过程的误差. 仿真结果表明了该方法的有效性.     

铜转炉生产操作模式智能优化

为了提高铜转炉的操作水平,采用操作模式来描述一组需要在线决策的一组操作参数,提出了基于神经网络和带混沌变量的混沌遗传算法的铜转炉生产过程操作模式智能优化方法.首先,从历史样本集中筛选优化的样本;然后采用BP(Back-Propagation)神经网络来学习优化样本集的优化目标与工艺参数的函数关系;最后采用带混沌变量的混沌遗传算法来寻求优化的操作模式.将该方法应用到铜转炉操作参数的实时优化,工业现场运行结果表明,该方法使转炉产量提高了6%,冷料处理量提高了7.8%.     

基于数据挖掘的铜锍转炉吹炼过程优化决策建模*

为了提高铜转炉的操作水平,探讨了利用其生产运行中产生的大量数据建立优化决策模型的方法。针对过程数据含噪声、样本规模相对不足等问题,提出了一种鲁棒性更强的改进的神经网络建模方法;针对优化决策模型的应用目的,提出了支持度、置信度和相对置信度等模型评估指标;利用某厂的实际过程数据和前述方法,建立了基于神经网络的S1期（造渣1期）熔剂量和鼓风时间优化决策模型。实验效果表明所建优化决策模型能够显著改善S1期的吹炼效果。     

基于RBF神经网络的转炉冶炼中低碳铬铁终点磷含量预报模型的研究

中低碳铬铁冶炼工艺复杂,杂质磷含量的高低是影响铬铁产品质量的重要因素;通过研究转炉冶炼中低碳铬铁铁水脱磷预处理的反应特性及热力学条件,分析了影响中低碳铬铁合金终点磷含量的重要因素;基于中钢吉铁辽阳公司转炉冶炼中低碳铬铁的生产工艺及样本数据,建立了基于RBF人工神经网络的转炉冶炼中低碳铬铁终点磷含量预报模型,实现了对冶炼过程终点中低碳铬铁磷含量的在线预报与分析;仿真结果表明,该模型预报精度在±0.003%范围内命中率达到85.7%,为改进冶炼工艺、提高产品质量提供了重要的理论依据。     

一种转炉炼钢动态终点预报的新方法

1　引言转炉炼钢就是将含有较多杂质的铁水与吹入的氧气发生反应 ,达到去除杂质的目的 ,从而获得要求的钢水成分和温度 .目前自动化炼钢的方法是静态控制和以副枪检测信息为基础的动态控制相结合的方法 .动态控制的关键是准确预报转炉炼钢终点温度和碳含量 .文 [1 ]在文 [2 ,3]的基础上采用 RBF神经网络对转炉炼钢终点温度和碳含量进行预报 ,提高了预报精度 .但是 ,终点温度和碳含量受到非定量因素的影响 ,文 [4 ]提出以灰色模型为基础的预报方法 ,由于应用线性回归补偿 ,因而影响预报精度 .本文将灰色模型与RBF神经网络相结合提出新的转…     

基于混合递阶遗传神经网络的转炉温度预报

针对转炉控制中对吹炼终点温度的控制问题，提出了基于混合递阶遗传RBF神经网络（HGA-RBF）的转炉炼钢终点温度预报模型。研究了RBF网络的特点，用递阶遗传算法克服了网络的结构和参数选择的随机性问题；并结合最小二乘法，提高了收敛速度。仿真结果表明，此算法在一定程度上提高了RBF网络的优化收敛速度和训练测试精度。某钢铁公司提供的实际冶炼数据试验。也证明了该模型预报精度较高，对提高生产的质量有重要意义。     

铜转炉吹炼过程熔剂加入量的模糊操作模式挖掘方法

将包含条件参数和需要决策的操作参数组成一个操作模式向量,采用Sugeno模型构造一类基于操作模式的模糊推理系统以进行操作参数的决策.首先利用先验知识对海量数据集进行初步分类;然后采用一种基于模式相似度和相似矩阵的无监督聚类方法来辨识模糊操作模式决策的结构,自动确定模式的数量和模式的值.实例仿真表明,利用该方法进行操作参数优化决策时简便有效,可应用于PS转炉熔剂加入量的优化决策.     

基于PSO-ICA 和RBF 神经网络的转炉炼钢终点预报模型

提出将微粒群优化算法和独立成分分析引入到径向基函数神经网络模型用于转炉炼钢终点预报．利用 微粒群优化算法的全局遍历特性和快速不动点算法的局部寻优能力,改进了传统的独立成分分析算法,解决了其目 标函数易陷入局部最优和独立特征排序不确定的问题,压缩冗余信息并降低输入维数．将提取出的独立特征输入径 向基函数神经网络,预报终点温度和碳含量．对转炉生产实测数据进行了仿真,结果表明该模型能有效提高预报精 度,保证预报的可靠性．     

贪婪核主元模糊神经网络在转炉炼钢终点预报中的应用

本文提出基于核思想和贪婪算法的主元模糊神经网络模型,用来进一步提高转炉终点碳含量和 温度预报模型的精度．采用核函数把输入变量向高维特征空间映射以充分挖掘变量的隐藏信息,经贪婪算法 优化选取主元,除去变量的冗余信息,降低输入维数．将提取的主元输入自适应神经模糊推理系统后,网络 以规则的形式来反映数据间蕴含的关系;以此模拟操作工经验,减少经验差异带来的影响．对转炉生产实测 数据进行了仿真,结果表明该模型是有效的．     

基于鲁棒相关向量机的转炉炼钢终点预报模型

针对传统相关向量机在训练过程中易受异常点影响的问题,提出了一种鲁棒相关向量机模型,并将其应用于转炉炼钢终点碳含量和温度的预报.通过为每一个训练样本设定独立的噪声方差系数,并使其在训练过程中随模型预测误差的增大而逐渐减小来降低异常点的影响,同时依据贝叶斯证据框架给出了模型超参数的迭代计算公式,进行参数的优化.使用标准测试数据和转炉炼钢实际生产数据进行仿真,结果表明本文模型具有较好的预报精度和鲁棒性.     

基于改进灰色预测模型的交通事故预测模型研究

为了提高交通事故数据预测的准确度,采取GM(1,1)和OSDGM(1,1)等单一模型,对2008-2019年我国交通事故死亡人数数据进行分析。根据GM(1,1)和OSDGM(1,1)模型建立最优加权组合模型,使用Verhulst模型对建立的加权组合模型进行残差修正,并借助灰色模型精度评价指标对预测结果进行检验。预测结果表明,GM(1,1)、OSDGM(1,1)模型和改进的灰色预测模型的预测结果的平均相对误差分别为4.35%、4.30%和1.19%,且改进的灰色模型通过精度指标检验,说明改进灰色预测模型具有较高的精度。     

高炉料面形状双驱动模型研究

高炉料面形状是指导高炉布料决策的重要依据.本文在已开发的新型雷达检测手段的基础上将雷达检测数据和布料机理进行融合.首先根据牛顿运动规律计算炉料颗粒从料流调节阀至料面的运动过程,然后根据体积约束原则建立料面形状模型,最后通过高斯过程回归模型将机理模型和摆动雷达测量得到的料面信息融合,建立了基于雷达数据和机理模型双驱动的高炉料面形状模型.仿真结果表明,本文提出的数据融合的方法在结合雷达检测数据和机理模型的基础上能够更好的拟合出高炉料面形状,可以为高炉稳定运行,节能减排提供可靠指导.     

钢铁企业高炉煤气受入量的组合预测模型

针对钢铁企业中高炉煤气（ BFG）受入量难以有效预测的问题,提出了一种基于数据滤波的组合预测模型。首先,采用经验模态分解（ EMD）法将原始训练数据分解为相互独立的固有模态函数,根据各模态函数自相关函数的特点滤去噪声分量,采用滤波后的重构序列作为训练样本;然后,采用组合的支持向量机（ SVM）模型对受入量进行预测,并利用遗传算法（ GA）对支持向量机的参数进行优化;最后,利用现场实际数据验证该模型的预测精度,并与传统预测方法相比较,三组预测的平均绝对百分误差分别为3.22'、4.43'和5.23'。结果表明该方法对高炉煤气受入量的预测具有较高精度,为煤气管网的平衡调度提供了决策支持。     

基于动态数学模型的冶金加热炉实时仿真器的研究

由于钢铁企业生产现场的复杂性和基本身所具有的特点，很多先进控制法不能在实际生产中进行应用调试，致使理论与实际应用脱节。为此，对某热轧厂步进式加热炉建立实时动态数学模型，提出一种冶金加热炉实时仿真器结构，并用实际数据验证了数学模型的准确性。     

KICR在转炉炼钢终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测.建立了基于核独立元回归(KICR)方法的终点温度的预测模型.将核独立元分析(KICA)与回归分析相结合,利用KICA方法提取输入数据矩阵的独立元(KIC)矩阵;分别以KIC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型.工业现场生产数据仿真结果表明:与PCR,PLSR和ICR等预测模型相比,基于KICR的转炉终点温度预测模型,预测精度高、跟踪性能较好,可为实际生产中的终点控制提供参考,提高生产效益.     

高炉煤气流分布过程的多算法融合预测模型

在高炉生产中,准确的预测高炉煤气流分布状况将有助于保证高炉的稳定顺行.针对传统高炉煤气流预测模型的缺陷,本文提出了一种将带遗传因子的自回归移动平均模型(FF-ARMAX)和基于限定记忆的正则化极限学习机(RFMLS-RELM)相结合的高炉煤气流多步预测模型.在数据预处理方面,建立FF-ARMAX模型消除原始数据中的测量误差,同时采用傅里叶变换法消除数据中叠加的环境噪声.最后采用RFMLS-RELM算法进行多步预测,对比试验表明,该算法在应用于煤气流预测时,预测精度更高,适用于对煤气流分布状况的多步预测.多步预测实验结果表明,该模型虽然仍旧无法完全解决预测误差随预测步数的增加而不断叠加的问题,但相较于其他传统预测模型能够实现更好的预测效果和更高的预测精度,为高炉操作人员分析炉况提供了有效的帮助和支持.     

假日旅游流量预测模型的研究

分析了假日旅游信息特征,引入了效用函数的概念,建立了适用于假日旅游大系统流量预测的广义模型.将假日旅游流量预测模型进行了非线性推广,通过极大似然法和RBF神经网络分别对线性流量模型和非线性流量模型进行了预测.     

基于双向GRU模型的网络流量预测的研究

当前使用门控循环单元(Gated Recurrent Units,GRU)神经网络进行流量预测时,普遍存在滞后性以及预测准确性不高的问题,因此提出一种改进的GRU模型进行流量预测的方法.首先基于GRU神经网络提出一种双向GRU神经网络和人工神经网络堆叠的网络模型,适用于流量特征、时间特征、事件特征等多维向量的输入;同时...     

基于多任务模型的深度预测算法研究

图像的深度值预测是计算机视觉和机器人领域中的一个热门的研究课题.深度图的构建是三维重建的重要前提,传统方法主要依靠确定固定点深度进行人工标注或是根据相机的位置变化来进行双目定位预测深度,但这类方法一方面费时费力,另一方面也受到相机位置、定位方式、分布概率性等因素的限制,准确率很难得到保证,从而导致预测的深度图难以完成后...