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%。     

模糊贝叶斯网络应用于预测高炉铁水含硅量变化趋势

贝叶斯网络在高炉铁水含硅量预测中已取得较好效果.本文的进一步改进是利用模糊逻辑方法能很好地将数据分成离散模糊集的优势,对模型参数进行有效的模糊分类,以此作为贝叶斯网络的输入,进行混合建模.对山东莱钢1号高炉智能控制专家系统在线采集数据进行计算证明,对一般高炉混合模型可提高预测命中率到90%.     

基于神经网络时间序列模型的高炉铁水硅含量智能预报

为实现高炉炼铁过程中铁水硅含量的准确预测,针对高炉炼铁过程的非线性、时变、高维、大时滞等特点,构建了基于时间序列的铁水硅含量预测样本集,分析了铁水硅含量在时间序列上的自相关性。采用时间序列加权移动平均法预处理样本数据,引入神经网络时间序列模型,深度挖掘历史多时刻铁水硅含量与当前时刻铁水硅含量之间的数量关系,经过多次权值、阈值的自适应调整,实现了高炉铁水硅含量智能预报。经仿真测试,模型预报误差绝对值多在0.2%以下,置信度约为95%,预测精度高,可应用于实践。     

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。     

基于灰色关联分析和超限学习机的高炉铁水硅含量预测

炉温的实时预测技术对高炉生产稳定顺行具有重要意义,在高炉炼铁过程中,通常间接用铁水硅含量的变化来表示高炉炉温的变化。针对硅含量预测效率和精度不足的问题,建立了铁水硅含量预测模型。以现场数据为样本数据,采用灰色关联分析(grey correlation analysis, GCA)获得与硅含量相关度较高的生产指标,以相关指标为输入、硅含量为输出,构建超限学习机(extreme learning machine, ELM)算法模型,对模型进行训练。现场数据计算表明,该模型的预报命中率达87%(误差不小于0.10),实现了高炉铁水硅含量的准确预报。     

基于神经网络的高炉铁水硅和硫含量预报模型

采用基于自学习的参考炉次法,建立了反应高炉炉温和铁水质量的预报模型,对炼铁过程铁水硅含量和硫含量进行预报,建立了基于BP神经网络的高炉铁水硅含量和硫含量预报模型。用国内某高炉的生产数据进行模型训练,经预报结果数据验证,想要通过现有直接获取的高炉参数很难准确同时预报铁水硅含量和硫含量,但基本能准确预报铁水硫含量的变化趋势。     

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。     

基于神经网络的高炉铁水硅含量预报模型的研究

根据RBF神经网络具有收敛速度快和全局优化的特点,建立了RBF网络模型,并将其应用对高炉铁水硅含量预报。监于铁水硅含量与炉缸温度之间的密切相关性,通过铁水硅含量来间接地反映炉内温度变化。采用MATLAB中的Newrbe函数进行函数逼近,对高炉一段连续时期内正常生产的数据的归一化处理后进行训练和仿真,提高了铁水硅含量预报的命中率。高炉冶炼运用先进的RBF人工神经网络预报模型,能预报铁水硅含量的高低,判断炉温走势,实现炉温调控,有利于节能降耗,并可监测多个主要控制对象,为高炉操作提供指导。     

基于概念格和改进粒子群算法的铁水硅含量预测模型

铁水硅含量是高炉生产过程中的一个非常重要的指标。文章采用概念格作为数据约简工具,对影响硅含量的冗余参数进行约简,同时采用一种基于人工鱼渐变视野的粒子群优化算法(AFIV-PSO),对SVM的相关参数进行优化,提出基于概念格和改进粒子群优化算法的支持向量机预测模型,并将该模型应用于高炉铁水硅含量预测,取得很好效果,同时为高炉炼铁的节能降耗工作提供理论指导。     

基于粗糙集理论与神经网络的铁水硅含量预测

高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简,得到优化的输入集,结合BP(back propagation)神经网络实现高炉硅含量的预测。同时,针对炉况波动较大情况下神经网络模型预测误差大的问题,建立波动知识库,利用kNN(k-Nearest Neighbor)算法匹配识别波动炉况,对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证,该方法在预测误差为±0.1%以内时预测命中率达到91.74%,可为高炉操作者判断炉况提供参考。     

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.     

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。     

Artificial neural nets for prediction of silicon content of blast furnace hot metal

Conventional models for prediction of silicon content of blast furnace hot metal are briefly reviewed. Four different artificial neural net (ANN) models, namely, back propagation algorithm (BPA), dynamic learning rate algorithm, functional link network (FLN) and fuzzy neural network (FNN), are trained and tested on operational data from blast furnace (BF1) at Visakhapatnam Steel Plant. FNN can predict silicon mass content of hot metal with a standard error (actual versus predicted) of 0.09% and correlation coefficient of 0.86; standard back propagation predicts with a standard error of 0.08 % and correlation coefficient of 0.79.     

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。     

高炉铁水硅含量的神经网络预报

通过神经网络对韶钢8号高炉的部分生产数据进行了铁水[Si]含量的预报,确定了w（Si）的主要影响因素,构建了较好的神经网络结构,并根据预报结果提出了判定炉热变化趋势的符合率的标准。     

宝钢1号高炉低硅冶炼操作实践

宝钢1号高炉近几年采用低硅冶炼技术使铁水含硅量一直控制在0．26％－0．35％的较低水平，结合宝钢1号高炉生产操作指标，分析了高炉产量，燃料条件以及冶炼特点对低硅冶炼的影响，为高炉冶炼进一步降低铁水含硅量提供了思路。     

Fuzzy Prediction of Silicon Content for BF Hot Metal

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

BP神经网络在高炉铁水硅预报中的应用

随着现代科技的发展和计算机技术的不断提高,高炉自动化操作显得越来越重要。高炉铁水硅预报能很好地反映高炉内热状态和高炉的成分,对高炉运行状态的判断起到至关重要的作用。在总结前人预报模型的基础上,综合考虑了各种影响因素,建立了BP神经网络模型,并结合现场数据进行计算,模拟结果和实际相符。     

SPC技术在南通宝钢炼铁生产中的应用

叙述了南通宝钢钢铁有限公司炼铁厂在高炉铁水生产过程中应用＂SPC＂工具持续改进铁水质量过程的情况。通过应用SPC的基本理论研究方法,解决了在炼铁生产中持续改进铁水质量控制评价的方法问题。以铁水含[Si]量参数为例应用SPC技术在钢炼铁生产中持续改进了铁水质量,合理降低了铁水[Si]含量,达到了降低成本的目的,同时也表明控制图在炼铁生产中具有指导生产实践的作用。