LF精炼终点钢水温度灰箱预报模型

LF精炼工序在炼钢过程起着调节温度的关键作用,准确预报LF精炼终点钢水温度对实际生产有重要意义.传统的LF精炼预报模型包括机理模型与黑箱模型.机理预报模型能够体现各工艺因素对终点钢水温度的影响,但由于LF精炼传热机理研究尚不完善,依靠机理模型预报终点钢水温度,难以达到预期效果;黑箱预报模型能够准确预报终点钢水温度,但不能反映精炼过程各工艺因素对钢水温度的影响,尤其当生产工艺条件发生改变时,黑箱模型在应用上会受到限制.本文以方大特钢LF精炼炉为研究对象,建立一种机理预报模型与黑箱预报模型(BP神经网络预报模型)相结合的LF精炼终点钢水温度灰箱预报模型.该模型既能反映各工艺因素对终点钢水温度的影响,又能准确预测终点钢水温度,其终点钢水温度预测误差在±5℃以内的命中率可以达到95%以上.      

LF钢包炉精炼终点钢水温度的预报模型

采用多元回归分析方法建立了宝钢一炼钢厂LF钢包炉精炼终点钢水温度的预报模型，应用该模型对LF精炼终点钢水温度进行预测，对预测结果进行了统计分析，结果表示该模型对LF钢包炉精炼终点温度的预测误差在＋10℃时的命中率达到95％。     

涟钢LF精炼温度变化研究

采用多元回归分析方法建立了涟钢210转炉厂LF钢包炉精炼终点钢水温度的变化模型,应用该模型对LF精炼终点钢水温度进行预测,对预测结果进行了统计分析,结果表明该模型对LF钢包炉精炼终点温度的预测误差较小,能对现场产生指导意义。     

LF精炼终点钢水温度的预报模型

采用多元回归分析方法建立了宝钢-炼钢LF精炼终点钢水温度的预报模型.应用该模型对LF精炼终点钢水温度进行预测,对预测结果进行了统计分析,结果表明该模型对LF精炼终点温度的预测误差在±10℃时的命中率达到95%.     

基于BP神经网络的LF精炼终点温度预测模型

通过对LF精炼过程的研究找出了对LF精炼终点温度起主要作用的工艺参数,应用BP神经网络建立了终点拟合仿真函数模型。应用现场实际测量结果与模型预测结果进行对比,温度误差小于5℃的炉次为总炉次的96.5%,温度误差最大值为8℃。     

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%。     

基于BP神经网络的钢水温度预定模型

针对目前钢水温度预定方法存在不足,在分析钢水温度预定原理的基础上,在邯钢邯宝炼钢厂建立了基于BP神经网络的精炼终点目标温度和转炉终点目标温度的动态预定模型。利用邯宝炼钢厂的历史生产数据对模型进行了训练和测试,并进行了现场应用试验。结果表明,预定模型对转炉和精炼终点目标温度进行了优化,应用预定模型后,LF开始温度命中率提高到75%,中间包温度命中率提高到96.7%。     

基于物料模型的GMDH神经网络LF终点温度预测

针对LF冶炼终点温度影响因素的复杂性,提出以自组织数据挖掘原理为核心的GMDH神经网络对钢水终点温度进行预测,±5℃内误差的命中率为78.31％,±7.5℃内误差的命中率为92.77％;建立物料的热效应模型,通过不同物料加入钢水中的热效应计算,将LF精炼过程中加入的物料折算为一个输入因素,改进的GMDH神经网络对钢水温度预测,±5℃内误差的命中率为88.72％,±7.5℃内误差的命中率为98.44％,基于物料模型的GMDH神经网络不仅在命中率上有显著提高,而且对冶炼多钢种导致的物料结构改变有更好的适应能力.     

基于信息融合算法的LF炉钢水温度预测

LF炉钢水温度的控制对钢的质量和连铸操作的顺行都很重要,而LF炉钢水温度的预报是LF炉钢水温度控制的前提。针对LF炉冶炼过程中物理化学反应过程及传热过程的复杂性,以宝山钢铁股份有限公司300 tLF炉为研究对象,在分析了影响LF炉钢水温度的主要因素的基础上,应用基于BP神经网络的信息融合算法,开发了用C语言编写的预测程序,预测了LF炉的钢水温度。实验表明,此算法可以提高预测的速度和精度,预测结果为误差不大于±5℃的炉次大于90%。     

马钢CSP流程RH精炼钢水温度预测模型

基于冶金机理和传热学计算,分析研究了RH精炼过程中脱碳、吹氧加铝、脱氧、合金化、喷粉、真空室状态以及钢包等级等各类因素对钢水温度的影响。结合现场实际生产数据,建立了RH精炼钢水温度预测模型,经过对实际生产跟踪验证表明,模型预测的钢水终点温度与实测值偏差在±5 ℃以内的命中率为87.42%,偏差在±8 ℃以内的命中率为100%。     

智能LF控制系统的研究

提出一种基于人工神经网络的智能LF控制系统模型,该系统的核心是LF精炼过程钢水温度和成分的实时预测,并确定了一种部分反馈的人工神经网络进行钢水温度和成分的实时预测。     

LF炉钢水成分预报模型的建立及应用

宣钢LF炉钢水成分预报模型,通过机理模型算法,准确、快速地提供了精炼过程中钢水成分的实时预报,减少了精炼通电时间和测温次数,提高了精炼生产效率;充分发挥了LF炉优质、低耗、低成本的优势,保证了连铸生产的顺行.     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

80 t转炉终点预报TSVR模型精度

 转炉炼钢是一个复杂的高温物理化学反应过程。在冶炼过程中不能连续检测钢的成分。所以,准确地预报终点的碳质量分数和温度对于提高终点命中率是非常有意义的。基于广西某钢厂80 t转炉炼钢实际生产数据,建立了终点碳质量分数和终点温度的孪生支持向量回归机(TSVR)预测模型,对100个炉次的实际生产数据进行了模型的训练,另外30个炉次的数据用于验证模型的精度。结果表明,预测误差Δω([C])≤ 0.01%的命中率为93.3%,Δt≤15 ℃的命中率为96.7%,双命中率为90%。与BP神经网络模型相比,TSVR模型的终点碳质量分数和终点温度命中率均比BP神经网络模型高。     

LF精炼成分预报模型的开发

采用经验计算、统计回归以及基于自学习的参考炉次法,建立了LF精炼成分的预报模型,对精炼过程中及精炼终点的钢水成分进行预报。结果表明,采用经验计算结合统计回归的方法可以预报铌、钛、碳、锰等收得率稳定的合金元素含量,采用基于自学习的参考炉次法可以预报硅、铝等收得率不稳定的合金元素含量,该模型基本满足了现场生产的要求。     

LF炉双路底吹控制系统设计

LF炉是钢铁生产中炉外精炼的主要方法之一,是电弧炉的一种特殊形式。作为钢水精炼的重要环节,LF炉起到了钢水含量精调、钢水温度调节、改善钢水纯净度、造渣等作用。邯钢新区LF炉采用双路底吹的方式,通过钢包底部的透气砖底吹氩气来均匀钢水成分,底吹阀门站采用西门子200smart控制系统,通过OPC通讯完成底吹阀门站和精炼主系统的通讯,实现远程自动控制。     

CAS终点钢水温度的预报模型

采用回归模型作为CAS过程的预测模型,实现了对CAS精炼终点温度的预测,并探讨了影响CAS终点温度的主要因素,为生产合格钢水及CAS的动态控制提供了理论依据。本模型能较好的预测CAS终点钢水温度,预测误差在±5℃,±10℃以内的正确率分别为87％,95％。     

基于AdaBoost.RS算法的LF炉钢水温度预报分析

LF炉钢水温度的精准控制有利于缩短钢的冶炼时间,从而节约其生产成本。而获得准确的LF炉钢水温度预报是钢水温度控制的先决条件。通过分析LF炉冶炼过程对钢水温度的影响因素,提出一种适用于LF炉钢水温度预报同时具有增量学习功能的AdaBoost.RS集成建模算法。该算法引入松弛变量和遗忘因子2个参数,在提高预测精度的同时,可以克服大噪声数据带来的干扰,同时增量学习可以降低早期生产数据对模型的影响。以福建三钢有限责任公司100tLF炉为研究对象,采用5个测试函数验证算法的抗噪性能,分别用静态数据和动态数据对钢水出站的终点温度进行预报。实验结果表明,预测的绝对误差小于10℃的样本数量超过了样本总数的90%,算法精度较高,有利于实际生产应用。     

转炉冶炼终点静态控制预测模型

基于天津天铁冶金集团30t转炉炼钢实际生产数据，首先建立了转炉炼钢终点静态控制的吹氧量及矿石用量统计模型，其预测100个炉次吹氧量和矿石用量平均相对误差分别为0．58％及10．4％。考虑到影响终点钢水温度和碳含量的因素比较复杂，设计了预测钢水终点温度和碳含量的人工神经网格模型，利用Levenberg-Marquardt算法和257个炉次的实际生产数据进行了模型训练，并对另外100个炉次的终点钢水温度及碳含量进行了预测，在终点钢水温度为1646-1698℃和终点碳质量分数为0．033％～0．128％的范围内，得到的终点碳温双命中率为55％。     

LF炉精炼温度预报模型的发展应用

全面综述了LF炉精炼温度预报模型在国内外的发展应用状况。国内外所开发的LF炉钢水温度预报模型,主要采用机理模型、“黑箱模型”、“灰箱模型”三种方法。简单讨论了这三种模型的特性,并预测了LF炉精炼温度模型的发展趋势。