基于“炉机对应”原则的连浇优化方案

国内某炼钢厂为保证浇注周期较短的2号连铸机连浇，多座转炉需同时向该连铸机供应钢水，导致炉 机对应关系不明确，生产组织难度较大。通过对该厂炼钢 连铸过程的工序作业周期与生产运行模式进行解析，在保证连铸机连浇的基础上，探究合理的炉 机对应关系，改善该厂的生产顺行。结果表明，在“一一对应”运行模式下，2号连铸机最大连浇炉数仅为6炉；而在“定炉对定机”运行模式下，若适时接受3号转炉冶炼的钢水，2号连铸机最大连浇炉数可延长至19炉。在此基础上，通过对连铸机“柔性”的优化和钢水供应的合理调配，2号连铸机可满足实际生产的连浇要求。此外，运用“炉→机”匹配度进行评价，计算结果表明优化后的炉 机对应关系得到显著改善。     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.