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％。     

利用人工神经网络系统提高转炉终点碳温双命中率

以神经网络为基础开发出一套转炉冶炼终点控制模型。模型以转炉炼钢基础理论为依据,采用误差后向传播网络——BP网络为原形,对其算法进行改进,建立两个三层BP预测神经网络,选用29个输入参数,分别对终点温度和终点碳含量进行预报。通过采集现场操作数据和实际应用,碳温双命中率达到80%以上。     

基于孪生支持向量回归机的转炉炼钢终点预测

为了提高转炉炼钢的终点命中率，建立了一种新的转炉终点预测模型，实现了对转炉终点碳质量分数和温度的准确预测。模型采用K最近邻孪生支持向量机(KNNWTSVR)算法，将权重矩阵引入到目标函数中，并利用鲸群优化算法进行求解，提高了传统算法的性能；然后基于某炼钢厂260 t转炉的实际生产数据，建立了转炉炼钢终点预测模型。结果表明，预测模型的终点碳质量分数(误差±0.005%)和温度(误差±15 ℃)的终点单命中率分别为94%和88%，双命中率达到84%。与其他两种现有的建模方法相比，本模型取得了最优的预测效果。该方法满足转炉炼钢实际生产的需求，也可适用于钢铁冶金其他领域的数学建模。     

一种基于即时学习的局部模型集成转炉炼钢终点预测方法

钢铁工业在国民经济基础中有着重要地位,转炉炼钢作为钢铁生产中的一个重要环节,直接决定了生产钢铁的质量。转炉炼钢是一个影响因素众多、过程非常复杂的多元多相高温物理化学反应过程,对转炉炼钢终点实现精确控制是冶金行业一个有待解决的难题。以提高转炉炼钢终点碳温命中率为目标,针对传统全局模型预测性能不足,难以解决多工况问题,提出了一种基于即时学习(just-in-time learning, JITL)的动态终点预测方法。在JITL的框架下,利用不同准则下的相似性度量方法,选取相应的子样本集,分别构建局部回归模型,最后通过集成学习输出各个局部模型的预测结果。在实际转炉炼钢数据验证中,使用本文所提方法,终点温度在±15℃范围内■命中率为92.7%,终点碳质量分数在±0.02%范围内■命中率为95.7%,可以为实际生产过程中的终点控制等操作提供参考。     

应用改进的神经网络模型预报转炉冶炼终点

准确预报转炉冶炼终点的钢水温度与碳含量对提高转炉终点命中率具有重要意义。针对现有多层前馈网络学习算法的不足,基于BP模型提出一种改进算法,建立了复吹转炉冶炼终点的预报模型,并与BP模型的预测结果进行了统计比较。研究表明,改进后的模型能够对冶炼终点进行良好的预报。采用单节点输出模型对终点钢水碳含量与温度分别进行预报,预测误差w(Δ[C])<±0.03%的命中率达97.22%,Δt<±12℃的命中率为94.44%。还建立了神经网络双节点输出模型对转炉终点钢水碳含量及温度同时进行预报,误差Δt<±15℃、w(Δ[C])<0.03%的双命中率为76.92%。     

基于机器学习算法的“全三脱”工艺转炉终点预测

建立精准的转炉终点预测模型对生产效率和钢液洁净度的提升尤为重要。以首钢京唐钢铁联合有限责任公司“全三脱”工艺转炉为研究对象，对历史生产数据进行皮尔逊相关性分析，得到与转炉终点温度、碳含量最相关的15个自变量。利用BP神经网络、极限学习机(ELM)和支持向量机(SVM)3种机器学习算法分别建立了转炉终点预测模型。随后选取160组新样本数据来检验3种模型的预测精度，结果表明：SVM模型下转炉终点温度、碳含量预测模型精度更高，终点温度预测误差在±15℃内的命中率为90.6%,终点碳质量分数预测误差在±0.01%内的命中率为93.8%。另外，基于支持向量机算法建立的转炉终点预测模型，全三脱工艺比常规工艺的终点温度误差±15℃内、碳质量分数±0.01%内命中率分别提高了9.1百分点和14.4百分点。     

基于无约束小波权重TSVR的转炉炼钢终点静态预测模型

转炉炼钢是一个极其复杂的物理化学反应过程,采用智能方法建立转炉炼钢的数学模型是近些年来的一个热点问题。针对熔池碳含量和温度的终点命中率问题,提出了一种新的静态预测模型的建模方法。在传统的孪生支持向量回归机的基础上,将小波权重矩阵引入到目标函数中,然后将目标函数转换成无约束优化问题求解,提高了算法的性能和运算效率;最后基于某炼钢厂260 t转炉的实际生产数据,建立了转炉炼钢终点静态预测模型。试验结果表明,预测模型的终点碳质量分数(误差±0.005%)和温度(误差±10℃)的单命中率分别为94%和96%,双命中率达到90%。通过与现有的方法比较,所提出的预测模型取得了最优的结果,不仅能够指导实际生产,也可用于冶金行业的其他应用背景的数学建模。     

不倒炉转炉炼钢TCO终点控制系统的应用

为了提高终点命中率,引进了不倒炉转炉炼钢TCO终点控制系统,通过制定控制检测方案,实际检测数据表明,钢水温度测准率达到100%,钢水中碳含量测准率达到93.75%,氧含量测准率达到100%。满足不倒炉定碳、测温炼钢的要求。     

基于FOA-GRNN模型的转炉炼钢终点预报

目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.     

基于BP神经网络的转炉静态模型

以理论模型为基础,建立了转炉炼钢静态控制模型,并将人工神经网络模型应用到转炉控制中,以Visual Basic为开发语言,开发了相应的软件。通过BP神经网络预报了终点的碳含量,当碳命中误差±0.02%时,命中率达到了66.7%。     

BOF→LF→CC流程钢水温度预报

针对炼钢连铸流程的工艺特点和生产数据,建立了基于BP神经网络的"BOF→LF→CC"流程钢水温度预报模型。通过相关性分析筛选模型变量,利用五数概括法筛选数据,采用LM优化算法改进BP神经网络,利用生产数据对模型进行了训练和测试。并用Java语言开发了钢水温度预报模型的程序,在某钢厂进行了应用。结果表明,各区段钢水温度预报模型的预报命中率基本可以满足生产的要求。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.      

基于新变量选择方法的FNN预报转炉终点

考虑到机理模型能较准确给出转炉吹炼过程的定性规律，而难以给出可靠的定量关系，首先利用冶金机理模型和PLS方法分析影响转炉终点碳的因素，然后建立基于模糊推理神经网络的转炉终点碳预报模型。结果表明，此法能有效提高对转炉终点碳预报的命中率和网络的训练速度。在w(C)绝对误差±0.02%控制精度下命中率达94.12%，相对误差±10%控制精度下命中率达56.86%。     

Application of variable-filtrating technique on fuzzy-reasoning neural network system predicting BOF end-point carbon content

Artificial intelligence techniques have been used to predict basic oxygen furnace(BOF) end-points. However,the main challenge is to effectively reduce the input nodes as too many input nodes in neural network increase complexity,decrease accuracy and slow down the training speed of the network.Simply picking-up variables as input usually influence validity of model.It is quite necessary to develop an effective method to reduce the number of input nodes whereby to simplify the network and improve model performance.In this study,a variable-filtrating technique combining both metallurgical mechanism model and partial least-squares(PLS ) regression method has been proposed by taking the advantages of both of them,i.e.qualitive and quantative relationships between variables respectively.Accordingly,a fuzzy-reasoning neural network(FNN) prediction model for basic oxygen furnace(BOF) end-point carbon content based on this technique has been developed.The prediction results showed that this model can effectively improve the hit rate of end-point carbon content and increase network training speed.The successful hit rate of the model can reach up to 94.12%with about 0.02% error range.     

基于BP神经网络和回归的脱硫粉剂预报模型

分析了铁水脱硫时铁水温度、铁水量、初始硫含量、脱硫后硫含量对镁粉耗量的影响,表明:随铁水温度增加镁粉耗量随之增加;随脱硫后硫含量的降低,镁粉耗量明显增加且增幅逐步扩大,为降低成本,脱硫深度应控制合理。为确定合适的粉剂用量,建立了基于BP神经网络和回归的铁水脱硫粉剂预报模型,其中BP神经网络模型是粉剂模型的主输出,回归模型用于限定输出范围。铁水脱硫粉剂预报模型已实现了在线控制,无需人工干预,达到了较好的应用效果。当偏差区间为[-0.001 5%,0.001 5%]时,脱硫后硫含量的符合率为90.85%,可有效实现脱硫后硫含量的控制。     

A novel method for endpoint temperature prediction in RH

Based on Cloud Model, a novel method was proposed to predict the endpoint temperature in Ruhrstahl Heraeus (RH) for Interstitial-free (IF) steel production, considering the starting temperature, scrap and refining cycle. 300 sets of RH production data was collected, mined and reasoned by Cloud Model. The prediction results of the Cloud Model are compared with BP neural network methods. The final results show that in the error scope from ?10 to 10°C, Cloud Model acquired the 93.32% hit rate, BP neural network acquired the 89.33% hit rate. Compared with the BP neural network, the Cloud Model has higher accuracy and stronger generalisation ability.     

电弧炉炼钢全过程钢水碳含量动态预报模型

根据电弧炉物料平衡理论与利用BP神经网络的方法,建立了理论模型结合神经网络的电弧炉炼钢全程钢水碳质量分数实时预测模型。通过模型得出冶炼过程中碳质量分数变化曲线,实现对全程钢水碳质量分数的实时监控。在接近冶炼终点时,由于脱碳反应中碳氧积的存在,因此模型对影响终点碳质量分数的因素进行分析,采用BP神经网络方法进行预测,满足了对电弧炉冶炼终点碳质量分数预报准确度的要求。     

Hybrid Model of Molten Steel Temperature Prediction Based on Ladle Heat Status and Artificial Neural Network简

Aiming at the characteristics of the practical steelmaking process, a hybrid model based on ladle heat sta- tus and artificial neural network has been proposed to predict molten steel temperature. The hybrid model could over- come the difficulty of accurate prediction using a single mathematical model, and solve the problem of lacking the consideration of the influence of ladle heat status on the steel temperature in an intelligent model. By using the hybrid model method, forward and backward prediction models for molten steel temperature in steelmaking process are es- tablished and are used in a steelmaking plant. The forward model, starting from the end-point of BOF, predicts the temperature in argon-blowing station, starting temperature in LF, end temperature in LF and tundish temperature forwards, with the production process evolving. The backward model, starting from the required tundish tempera- ture, calculates target end temperature in LF, target starting temperature in LF, target temperature in argon-blo- wiag station and target BOF end-point temperature backwards. Actual application results show that the models have better prediction accuracy and are satisfying for the process of practical production.     

基于BP神经网络钒钛烧结矿低温还原粉化性能预测

为了改善钒钛烧结矿的低温还原粉化性能,将BP神经网络算法应用于钒钛烧结矿低温还原粉化性能预测中,指标数据的样本分为输入样本和输出样本,其中:输入样本为配碳量、碱度、w(Mg O)以及FMG粉配比,输出样本为钒钛烧结矿RDI+3.15,运用BP神经网络算法探索输入样本与输出样本间的关系。结果表明:BP神经网络模型适用于烧结矿还原粉化性能的研究,可以根据输入样本有效的预测输出样本,且平均相对误差为5.7%,满足工程实践中预测精度的要求,为钒钛烧结矿生产提供了指导。