基于参数优化SVR方法预测高炉煤气利用率

高炉煤气利用率是反映高炉能耗的重要指标,其预测控制对炼铁过程的节能降耗具有重要意义。利用某高炉在线采集的数据对煤气流温度分布和高炉煤气利用率的关系进行研究。首先,对高炉煤气利用率数据和能够实时反映煤气流分布的炉喉十字测温数据中的缺失值进行多重插补填充,并利用分位点计算煤气流分布的经验分布函数,得到测温数据的小时分布概率。再运用灰狼算法优化支持向量回归(Support Vector Regression, SVR)模型的样本量和核参数,建立高炉煤气利用率预测模型。结果表明,在优化建模样本量和模型核参数的情况下,支持向量回归模型的预测精度更高,能够为高炉的优化控制和节能降耗提供有力支持。     

基于参数优化SVR方法预测高炉煤气利用率

摘要：高炉煤气利用率是反映高炉能耗的重要指标,其预测控制对炼铁过程的节能降耗具有重要意义。利用某高炉在线采集的数据对煤气流温度分布和高炉煤气利用率的关系进行研究。首先,对高炉煤气利用率数据和能够实时反映煤气流分布的炉喉十字测温数据中的缺失值进行多重插补填充,并利用分位点计算煤气流分布的经验分布函数,得到测温数据的小时分布概率。再运用灰狼算法优化支持向量回归（Support Vector Regression,SVR）模型的样本量和核参数,建立高炉煤气利用率预测模型。结果表明,在优化建模样本量和模型核参数的情况下,支持向量回归模型的预测精度更高,能够为高炉的优化控制和节能降耗提供有力支持。     

基于智能模型的高炉煤气利用率预测

煤气利用率是影响高炉能量利用的关键参数,对高炉的稳定顺行有重要影响。在进行高炉生产参数时间间隔分析后,利用多种预测模型(自适应增强学习(Adaptive Boosting,AB)、随机森林(Random Forest,RF)、神经网络(Neural Network,NN))完成对煤气利用率的预测。首先,对高炉生产的历史数据进行收集整理;其次,在考虑高炉生产异常状态(如检修休风)下对特征参数完成预处理工作;最后,利用高炉参数间的时滞关系对煤气利用率建立预测模型,通过对预测模型的调参优化及评价,确定适合煤气利用率的预测模型,实现煤气利用率的提前预测,同时利用相同模型参数对原始数据集和预处理数据集进行预测并比较结果。结果表明,数据预处理对于预测结果的影响巨大,随机森林模型对煤气利用率的预测效果更好,可以用来指导高炉的实际生产。     

基于数据驱动的高炉煤气复合预测模型

对钢铁企业高炉煤气系统科学准确的预测,可以为煤气的合理调度提供依据,对企业提高能源利用效率、减少煤气放散和环境污染有着非常重要的意义。针对钢铁企业高炉煤气系统设备工况复杂、煤气量波动频繁、难以准确预测的问题,依据小波分析方法、BP神经网络、最小二乘支持向量机的性质建立了基于数据驱动的高炉煤气的复合预测模型。该模型综合考虑高炉煤气系统生产计划和检修计划,对高炉煤气系统的产耗用户在不同工况下分别建立训练数据集,利用多组模型参数预测高炉煤气产生量、消耗量和缓冲量。利用某大型钢铁企业实际数据进行测试,该模型能够结合设备的实际生产工况变化,实现煤气的准确预测。结果表明,该模型平均绝对百分比误差小于4.95%,对变工况煤气系统有较好的预测效果。     

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。     

基于HP(2)-ENN模型的高炉煤气发生量预测

针对钢铁企业高炉煤气发生量频繁波动,且难以通过建立机理模型进行预测的问题,结合HP滤波、Elman神经网络各自性质,建立了HP(2)-ENN模型对高炉煤气发生量进行预测。根据企业实际数据应用模型,结果表明,所建模型预测效果良好,与其他常用模型相比,适合高炉煤气发生量的预测,并为合理调度副产煤气提供操作依据。     

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。     

全烧高炉煤气锅炉积灰处理及煤气管道改造

1　前言高炉煤气是高炉炼铁副产品,用做锅炉燃料既可保护环境又节约能源,在冶金系统的生产发展中已相继新建或改造了一批全烧高炉煤气锅炉。我公司新建两台75t/h全烧高炉煤气锅炉已于1998年9月24日投产并创造了可观的综合效益,但由于高炉煤气的特殊性质,在生产运行中出现了以下问题:(1)在冬季气温降至零下时,高炉煤气管道结冰并封死管道,使高炉煤气中断供给而被迫停炉。(2)锅炉运行一段时间后排烟温度升高,降温水量增大,出力不足,热效率降低。锅炉运行参数详见表1。2　原因分析因高炉煤气含有大量灰尘杂质需进行除尘清洗方可利用,采用湿法清…     

高炉富氧操作对煤气利用率影响的多时间尺度分析

在高炉冶炼过程中,富氧操作虽然不是实时调控煤气利用率的直接手段,但在多时间尺度下改变高炉状态进而影响煤气利用率的发展。针对富氧对煤气利用率具有多时间尺度影响的特点,通过机理分析与数据分解得到了富氧操作对煤气利用率影响的3个时间尺度。首先从高炉炼铁机理上分析富氧对高炉状态的影响,得到富氧操作影响煤气利用率的3条机理链,并在此基础上对机理链的时间尺度进行区分;然后在数据层面对煤气利用率数据进行分解,得到煤气利用率多时间尺度分量与各分量的频率分布;最后融合机理与数据,通过得到不同时间尺度机理链与数据分量的频率对应关系,验证了富氧操作对煤气利用率影响的多时间尺度特性。     

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。     

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.     

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%。      

基于大数据技术的高炉铁水硅含量预测

铁水硅含量是炉缸热制度的化学热表示方式,也是表征炉温和铁水质量的重要参数.选取某钢铁厂4号高炉实时数据库和检化验数据库2019年的30个输入参数,通过数据处理和特征值筛选,最终选取17个参数进行模型预测,共计8760组.通过构建Adaboost模型、决策树模型和随机森林模型对2 h后的铁水中硅含量进行预测,发现Adab...     

高炉冶炼精准开炉工艺技术研究及其应用

主要对高炉精准开炉工艺的应用进行了深入研究。基于炼铁基础理论,集成了标准化、精准化的开炉作业流程、开炉冶炼进程中合理参数选择及控制等共性关键操作技术。应用于昆钢某1 080 m3高炉的生产实践表明,可实现开炉期各个阶段相关联冶炼参数的协调发展,对开炉期过程内的复杂计算、过程处理及冶炼进程进行系统、有效控制。实现了在开炉头次铁出尽后的2~5个冶炼周期内喷煤、富氧,达到开炉6天利用系数大于3.10 t/(d·m3)、w([Si])稳定在0.40%~0.65%、燃料比小于550 kg/t的目标,显著缩短冶炼进程、降低开炉成本。     

Abbreviated kinetic profiles in area-under-the-curve monitoring of cyclosporine therapy. Technical note

BACKGROUND: The new microemulsion formulation of cyclosporine (CsA-ME) displays more consistent pharmacokinetic properties than the original formulation and may allow successful implementation of an abbreviated area-under-the-curve (AUC) strategy. METHODS: Here we compared two limited sampling strategies in order to define the one that best predicts AUC after CsA-ME in 51 renal transplant recipients with stable renal function. Pharmacokinetics were based on analysis of blood samples collected over 12 hours after drug administration by high-performance liquid chromatography (HPLC). Predicted AUC was estimated by using a three-point (0, 1 and 3 hr) or a two-point (2 and 6 hr or 0 and 2 hr) sampling strategy. RESULTS: A simplified strategy with three time points of blood collection at 0, 1, and 3 hours after CsA-ME allowed adequate and accurate prediction of the daily exposure to CsA. AUC prediction with two-point sampling at 2 and 6 hours was less good with a very large error in prediction (only 59% of the estimated AUC were within the accepted range). This limitation was even more evident when the 0 and 2 hour time points were examined, in which only 51% of AUC estimates were included in the accepted range of variation (-10 to 10%). CONCLUSIONS: A limited strategy of three-point sampling taken early after dosing allows an excellent and perfectly reliable prediction of the actual AUC.     

基于增量分析和PSO-LSSVM的热轧辊缝调平预测模型

辊缝调平在保证热轧带钢板形质量和轧制稳定性中起着关键作用,目前以操作人员目测后经验调整为主,无法满足未来少人化、智能化轧制技术需求。为此,基于增量分析方法实现工艺参数增量因子提取,有效解决传统离散数据预测中部分信息丢失问题;同时以粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)模型参数,使得参数选取更加科学。采用某钢厂1580热轧生产数据进行验证,结果表明,基于增量分析和PSO-LSSVM的预测模型能够较好地预测调平值及调平曲线趋势,精轧下游F5~F7调平预测精度在95%左右,可为现场调平策略设定提供辅助手段,也为今后无人化轧制技术的发展提供关键理论支撑。     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

热风炉煤气消耗量中期预测模型

在钢铁生产过程中,副产煤气占钢铁企业总能耗的40%,因此,准确预测副产煤气的消耗量可以为钢铁企业煤气系统的优化调度提供科学的指导。热风炉是副产煤气系统的最大用户之一,由于工作周期频繁调整导致副产煤气消耗量波动剧烈,预测难度较大。针对现有预测模型预测提前量较短的问题,建立了基于时间序列的BP神经网络预测模型,在保证较高的预测精度的前提下将预测提前量延长至30 min。以现场采集的热风炉煤气数据作为数据样本进行实例分析,发现训练样本为2 000组、预测样本为30组时预测效果最好,平均误差绝对值可达4.04%。此外,还对不同预测模型进行对比,结果表明本模型最适合热风炉煤气消耗量的中期预测。