基于支持向量机的铁水硅含量的预测

为了准确预测高炉炼铁过程的硅含量,分析了高炉工艺参数对高炉铁水硅含量的时序性影响,以支持向量机理论为基础构建了2类铁水硅含量预测模型,即硅含量模型和硅变化量模型。利用首钢迁钢3号高炉铁水硅含量数据进行模型测试,测试结果表明2类模型预测命中率均可达到80%。     

基于WA SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WA SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

基于分布式神经网络模型的高炉炉温预测建模

高炉炼铁通常采用铁水Si含量间接反映炉温的变化,模型预测精度低。以影响炉温的6个变量为输入变量,采用基于自组织的分布式RBF神经网络模型分别对铁水温度和铁水Si含量建立预测模型,先用自组织神经网络划分输入输出样本空间,然后对每个子空间建立RBF神经网络子网模型,再使用子网模型对测试样本集的同一个样本点进行预测,并以测试样本点对每一子空间的隶属度为权值,对子网预测值进行加权求和,得到最终预测值。对比使用同一输入变量数据的铁水温度和铁水Si含量的预测模型命中率,研究表明,高炉铁水温度的命中率更高,具有更好的炉温预测效果。     

应用小波分析方法改进铁水硅含量预测

应用小波分析方法对高炉铁水硅含量进行预测。通过小波变换将铁水硅含量的时间序列依三重尺度分解成不同的层次,并对不同层次上的序列分别运用合适的自回归模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为实际预测案例,与原始时间序列的自回归模型预测结果比较,小波预测方法显著提高了预测命中率。     

高炉铁水硅含量自组织预测中的模式量化

研究了高炉铁水硅含量自组织经验进化预测模型中的模式量化问题。在模式量化方案中,采用高炉过程变量时间序列数据的均值、梯度值和波动值作为数据的特征最来进行特征提取,将可预测率、命中率、趋势命中率等判据用于评判预测效果,并用天津铁厂1号高炉的过程数据进行了离线检验。结果表明：基于过程变量的特征提取方法可用于具有均匀时间间隔的高炉过程数据的特征提取。正确运用该方法可使铁水硅含量自组织预测模型的预测命中率提高10％左右。     

小波RBF神经网络在高炉铁水硅含量预测中的应用

在运用RBF神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对RBF神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水硅含量。仿真结果表明小波RBF神经网络比RBF神经网络更具优越性,预测准确率明显提高。     

基于KPCA-CNN-LSTM模型的高炉透气性指数预测

高炉透气性指数是一个可以快速、直观、综合反映高炉炉况的重要参数。对高炉透气性指数准确预测,可以尽早(约提前10 min)发现和避免高炉的管道、悬料、崩料、煤气流失等炉况失常现象的发生。本文提出了一种结合核主成分分析(kernel principal component analysis, KPCA)、卷积神经网络(convolutional neural network, CNN)和长短期记忆神经网络(long short-term memory, LSTM)的高炉透气性指数预测模型。首先,运用KPCA对原始高维输入变量进行降维,再用CNN捕捉数据的特征,最后利用LSTM对高炉透气性指数进行预测。结果表明,所构建的KPCA-CNN-LSTM高炉透气性指数预测模型较降维之前预测误差大幅减小,预测准确度大幅升高。这有利于高炉操作人员尽快掌握炉况的瞬时变化并采取有效措施恢复高炉顺行。     

小波模糊神经网络在高炉铁水硅质量分数预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水中硅的质量分数.仿真结果表明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高.     

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。     

基于时序注意力网络的高炉煤气预测方法

现场充分利用高炉煤气(BFG)可有效降低一次能源的消耗,但高炉现场工况不断变化,煤气供需关系时刻处于不平衡状态,导致煤气放散现象仍然存在。为了提高煤气利用率,提出一种基于时序注意力(T-Attention)网络的BFG预测方法。该方法首先结合高炉冶炼机理和最大互信息系数(MIC)选取影响BFG含量的关键因素;然后针对采集数据中存在随机扰动,利用小波分析去除数据中的噪声;且在建模过程中,利用门控循环单元(GRU)捕捉多变量数据中周期性波动规律,同时融入注意力机制实时计算每个样本中各变量与预测值之间耦合关系并进行权重分配,提高模型动态自适应能力和解读性;最后利用某钢铁厂高炉现场数据进行验证。结果表明,T-Attention网络模型预测效果优于传统方法,能够准确预测BFG中的指标,为后期BFG调度以及节能减排提供及时准确的决策参考。     

影响攀钢高炉铁水含钒量的主要因素

分析了影响攀钢高炉铁水钒量的主要因素,认为优化攀钢高炉的炉料结构和有关操作制度,增加入炉总钒量和提高钒回收率,是提高攀钢高炉铁水含钒量的有效途径。     

A Blast Furnace Prediction Model Combining Neural Network with Partial Least Square Regression

The prediction of the important running variables of blast furnaces (BF) has been a major study subject as one of the most important means for monitoring the BF state in ferrous metallurgical industry. In this paper, a prediction model for BF by integrating a neural network (NN) with partial least square (PLS) regression is presented. The selection of influencing operational parameters of BF on variables to be predicted is developed according to the minimization of residuals based on the theory of path analysis. The selected influencing parameter data series are processed as the inputs of the prediction model. In order to validate this prediction model, the silicon content in hot metal of BF is taken as the variable to be predicted. The model is trained and evaluated with industrial data, and the results show that it works well. Further modification of this prediction model is also discussed to improve its industrial application.     

贝叶斯网络在高炉铁水硅含量预测中的应用

应用贝叶斯网络对高炉铁水硅含量进行预测。首先阐述了贝叶斯网络的数学描述,在此基础上给出贝叶斯网络预测公式的一种简化形式。然后建立高炉铁水硅含量的贝叶斯网络预测模型,对山东莱钢1 号高炉在线采集的2 000炉数据进行网络学习,离线预测取得了较好的效果。与神经网络等其他方法相比,它更适合解析高炉过程,而且透明的推理过程对高炉工长判断炉温变化趋势具有指导意义。     

Model of Hot Metal Silicon Content in Blast Furnace Based on Principal Component Analysis Application and Partial Least Square

 In blast furnace (BF) iron-making process, the hot metal silicon content was usually used to measure the quality of hot metal and to reflect the thermal state of BF. Principal component analysis (PCA) and partial least-square (PLS) regression methods were used to predict the hot metal silicon content. Under the conditions of BF relatively stable situation, PCA and PLS regression models of hot metal silicon content utilizing data from Baotou Steel No6 BF were established, which provided the accuracy of 884% and 892%. PLS model used less variables and time than principal component analysis model, and it was simple to calculate. It is shown that the model gives good results and is helpful for practical production.     

基于支持向量回归与极限学习机的高炉铁水温度预测

选取某4000 m3级别高炉2014年至2019年时间范围内的日平均数据，以铁水温度为目标函数，首先对铁水温度的特征参量进行线性与非线性相关性分析、特征选择与规范化处理，获取了显著影响铁水温度的正负相关性特征参量。在此基础上，基于支持向量回归与极限学习机两种算法对铁水温度构建预测模型，模型均可对铁水温度实现有效预测，基于支持向量回归算法构建的预测模型较优，预测平均绝对误差为4.33 ℃，±10 ℃误差范围内的命中率为94.0%。      

基于时序模型的高炉煤气发生量多步预测对比

 为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量。对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步数的增加,两模型预测精度总体呈减小趋势,并且LSTM模型的预测精度普遍高于SARIMA模型;为提高模型精度,还对比了30步预测条件下不同输入样本量对模型的预测影响,结果表明,SARIMA模型最佳输入样本量为200个左右,对应平均相对误差为0.057 0,LSTM模型最佳输入样本量为100个左右,对应平均相对误差为0.042 8,因此,正常工况下LSTM模型预测效果更好;而变工况条件下SARIMA模型效果更好,SARIMA模型的平均相对误差为0.069 4,LSTM模型为0.094 0。结合两模型的优势,建立了梯度驱动时序预测复合模型,该模型在复合工况下30步预测平均相对误差为0.060 1,均低于两模型单独使用时的误差,因此在现场运行时,建议使用梯度驱动时序预测复合模型进行预测,这为高炉煤气调控提供了更好的数据支持,合理分配煤气提高煤气利用率,减小煤气放散。     

Fuzzy Prediction of Silicon Content for BF Hot Metal

Therearemanyfactorsinfluencingthequality ofhotmetalinBFprocess.Themostimportant threefactorsarehotmetaltemperature,hotmetal siliconcontentandslagbasicity[1].Siliconcontentis animportantfactorreflectingthestateofthelower partofblastfurnaceforblastfurnaceop…