基于WKLSC-LWKL相似性度量策略的转炉炼钢终点碳温软测量方法

转炉炼钢终点控制的关键是实现碳温准确预测.针对炉次样本间波动性较大,导致即时学习的样本相似性度量困难而造成预测精度不高的问题,提出一种基于改进谱聚类算法构建的相似性度量策略.首先,根据过程变量和关键变量间的耦合关系构造全局加权KL度量准则的谱聚类算法,获得类间方差较大、类内方差较小的聚类子集以消除炉次样本间的波动;其次,根据类簇间差异信息,融入局部加权KL度量准则计算待测样本隶属于各类的后验概率,从而构造出一种适合描述转炉炼钢过程复杂特性的相似性度量策略;最后,采用该度量策略度量出与待测炉次工况特性更加相似的样本子集,建立相关向量机回归模型进行终点碳温预测.实际转炉炼钢生产过程数据仿真结果表明,碳含量在±0.02%的预测误差范围内精度达到89%,温度在±10°C的误差范围内精度达到92%.     

基于CJS-SLLE降维与即时学习的转炉炼钢终点碳温软测量方法

转炉炼钢中碳温的准确检测是终点判断的关键, 基于数据驱动的终点碳温软测量方法是一种有效途径, 但转炉炼钢生产过程数据存在高维度、非线性和数据波动大的问题. 针对这一问题, 本文提出一种降维与即时学习的终点碳温软测量(CJS-SLLE)算法用于过程数据的监督降维. 通过在距离度量中引入量化后的碳温标签信息, 从而构造了一种带有监督信息的度量方式实现类内类间方差的调整, 然后在带标签信息的基础上引入数据间方向信息, 从而实现了样本标签、方向和距离三者信息融合的一种新型(CJS)相似性度量策略, 应用到局部线性嵌入中获得高维训练样本低维坐标; 其次, 提出一种自适应局部线性投影策略用于无标签待测样本, 实现其低维坐标中同样包含标签信息; 最后, 根据即时学习算法选取样本子集建立偏最小二乘局部回归模型对终点碳温预测. 在实际转炉炼钢生产过程数据仿真下, 碳含量在±0.02%误差范围内预测精度达到90%, 温度在±10℃误差范围内预测精度达到87%     

基于神经网络预测控制的转炉终点优化控制

基于转炉静态模型控制的终点优化控制,可为后期冶炼提供更精准的入炉主辅料配给信息,进而提高终点碳温的一次倒炉命中率。以神经网络预测控制理论为指导,采用BP网络作为转炉系统的辨识预测模型,并利用改进的粒子群算法(PSO)作为网络预测控制器的最优化算法,对影响转炉终点碳温的入炉主控量——吹氧量和废钢加入量进行寻优,从而实现对终点碳温的优化控制。最后,采用某钢厂的实际生产数据进行验证,结果表明所建立的优化控制模型可有效快捷地实现终点碳温的优化控制。     

一种转炉炼钢过程中的软测量方法（英文）北大核心CSCD

基于实际工业数据的分析,针对氧气顶吹转炉炼钢过程,提出一种软测量建模方法。该方法的主要思想是为了实现转炉炼钢过程中的终点预测。为了更准确地预测终点温度和终点碳含量,结合最小二乘支持向量机和改进的粒子群算法被用来建立预测模型。改进的粒子群算法被用来优化模型的参数,使得模型具有一个更好的适应性。同时,采用基于事件驱动的策略,以加强模型的普适性。实验结果表明该软测量方法是有效的,并且能成功地应用于实际工业领域。     

基于变量选择的转炉炼钢终点预报模型

转炉炼钢的终点预报模型对于钢水终点碳含量和温度的命中非常重要.针对高维输入不利于建立精确模型的问题,使用互信息方法对预报模型输入变量进行选择.为了区分各输入变量对输出的不同重要程度,对各输入变量进行加权处理,并采用微粒群算法对权值进行优化.最后,使用支持向量机方法建立转炉炼钢终点碳含量和温度预报模型.对一座180t转炉实际生产数据进行仿真,结果表明,合理的变量选择和加权处理能有效提高模型的预报精度.     

基于鲁棒相关向量机的转炉炼钢终点预报模型

针对传统相关向量机在训练过程中易受异常点影响的问题,提出了一种鲁棒相关向量机模型,并将其应用于转炉炼钢终点碳含量和温度的预报.通过为每一个训练样本设定独立的噪声方差系数,并使其在训练过程中随模型预测误差的增大而逐渐减小来降低异常点的影响,同时依据贝叶斯证据框架给出了模型超参数的迭代计算公式,进行参数的优化.使用标准测试数据和转炉炼钢实际生产数据进行仿真,结果表明本文模型具有较好的预报精度和鲁棒性.     

基于神经网络的转炉终点碳温分类预测模型建立与改进

针对传统预测模型建立中的弱点,分析了转炉炼钢的输入输出参数,建立了三输出转炉碳温分类预测模型;根据不同数据范围所对应的不同规律,对数据源进行了交叉分段处理;为提高模型训练速度,采用LM算法进行训练,同时针对该算法容易陷入局部极小和过学习的缺陷,采用了多种方法进行处理,实验仿真证明,将训练数据源进行分段建立分类预测模型,能显著提高网络的泛化能力,结合三输出模型结构,有效地提高了转炉终点碳含量和温度的预测百分比。     

用可拓聚类模型预测天然气的需求

天然气作为1种广泛使用的能源,其需求的预测对工业生产具有十分重要的指导意义.目前报道的天然气需求量预测模型或所需样本太多,或缺乏严谨的建模机理,因此,建立1种具备严格理论基础且只需少量样本就可准确预测的模型非常重要.建立基于可拓理论和聚类分析的天然气需求预测模型,将工业用气量、GDP增长率、燃料价格指数作为影响天然气需求量的主要因素,在对历史数据分析的基础上,构造出物元模型的经典域和节域,再根据关联函数,确定待测物体元对各个经典域的关联度,判断待测样本变化率所属类别,进而预测待测年份天然气需求量的范围.根据1990年至2001年的天然气需求量及其影响因素的相关数据,对2002年天然气预测量进行预测,预测结果为2002年天然气需求量相对2001年的变化率为1.06～1.08之间,与真实值1.0771非常接近.可见可拓聚类预测模型可以作为1种新的可准确预测天然气需求量的方法.     

一种QCN火焰图像特征提取的转炉炼钢碳含量实时预测方法

钢水碳含量是影响转炉炼钢出钢质量和冶炼效率的主要因素, 而实现碳含量的连续实时预测是炼钢终点控制的关键和难点. 针对不同碳含量对应火焰图像呈现出的随机自然纹理相似性较高的问题, 根据炉口火焰纹理独有的多方向多尺度不规则特点, 提出了四元数复杂网络(QCN)彩色纹理描述符. 首先, 利用四元数等距映射融合火焰图像颜色通道信息, 且用幅值谱和二次量化后的相位谱描述映射后图谱以增强颜色信息描述; 其次, 采用复杂网络的方式, 以相位为条件并利用幅值信息构造一种网络连接权重公式, 于幅值谱构建炉口火焰图像的多尺度不规则彩色纹理复杂网络模型; 最后, 计算复杂网络的拓扑特征度和聚类系数, 以其相关特征量化复杂网络拓扑连接模式,构建炉口火焰QCN特征, 并通过KNN回归模型预测终点碳含量. 结果表明, 碳含量在± 0.01%误差范围内的预测准确率为85.65%, 在± 0.02%误差范围内预测准确率达到91.83%, 且所提算法满足实时性要求.     

基于神经网络的转炉炼钢终点控制

转炉炼钢是一种非常重要的炼钢方法,终点控制是转炉炼钢后期的重要操作.由于冶炼过程温度极高,很难进行准确及时地测量,无法形成通常意义下的反馈控制.采用RBF神经网络预报转炉炼钢终点温度和碳含量,在此基础上提出了基于神经网络的动态终点控制方法来确定在补吹阶段需要的吹氧量和加入的冷却剂量,克服了传统控制方法中基于热平衡和氧平衡控制模型不准确的缺点,提高了终点命中率.     

基于多任务学习的炼钢终点预测方法

钢水质量通常根据终点命中率来判断,但炼钢过程影响因素众多,机理分析难以准确预测终点温度和含碳量,鉴于此,提出一种由数据驱动的多任务学习（MTL）炼钢终点预测方法。首先,分析并提取炼钢过程的输入和输出要素,结合炼钢两阶段吹炼特点选择多个子学习任务;其次,根据子任务与终点参数的相关性选择合适的子任务,提升终点预测的准确度并构建多任务学习模型,再对模型输出结果进行二次优化;最后,通过近端梯度算法对处理后的生产数据进行模型训练,获取多任务学习模型的过程参数。以某钢厂为案例,该方法相比神经网络在终点温度12℃误差范围内和终点含碳量0.01%误差内的准确度提升了10%,误差范围6℃和0.005%的预测准确度分别提升了11%和7%。实验结果表明,多任务学习在实际中能够提升终点预测的准确性。     

一种DDMCN火焰图像特征提取的转炉炼钢碳含量实时预测方法

转炉炼钢终点控制作为吹炼末期重要操作的关键是碳含量准确实时预测,而熔池中碳含量的氧化速率能够反映在炉口火焰纹理变化上,因此提取火焰纹理的准确特征是终点碳含量预测的关键,但是火焰纹理具有多方向多尺度不规则的特征描述难点.鉴于此,提出一种导数非线性映射方向加权多层复杂网络彩色纹理描述符,符合火焰不规则纹理的多尺度多方向特点.首先,将HSI空间下火焰图像映射至相位空间以增强空间位置关联信息;然后,基于复杂网络给出一种反映不同尺度顶点间连续变化的导数关系权重公式,结合方向信息构建炉口火焰图像的多尺度不规则方向加权彩色纹理复杂网络;最后,计算顶点方向加权度特征量化复杂网络拓扑连接模式,构建火焰彩色纹理特征,建立KNN回归模型预测终点碳含量.实验结果表明,所提出算法满足实际转炉炼钢吹炼过程实时性要求.     

Encoding an arbitrary state in a [7,1,3] quantum error correction code

We calculate the fidelity with which an arbitrary state can be encoded into a [7, 1, 3] Calderbank-Shor-Steane quantum error correction code in a non-equiprobable Pauli operator error environment with the goal of determining whether this encoding can be used for practical implementations of quantum computation. The determination of usability is accomplished by applying ideal error correction to the encoded state which demonstrates the correctability of errors that occurred during the encoding process. We also apply single-qubit Clifford gates to the encoded state and determine the accuracy with which these gates can be implemented. Finally, fault tolerant noisy error correction is applied to the encoded states allowing us to compare noisy (realistic) and perfect error correction implementations. We find the encoding to be usable for the states ${|0\rangle, |1\rangle}$ , and ${|\pm\rangle = |0\rangle\pm|1\rangle}$ . These results have implications for when non-fault tolerant procedures may be used in practical quantum computation and whether quantum error correction must be applied at every step in a quantum protocol.     

A hybrid just-in-time soft sensor for carbon efficiency of iron ore sintering process based on feature extraction of cross-sectional frames at discharge end

Iron ore sintering is the second-most energy-consuming process in steelmaking. The main source of energy for it is the combustion of carbon. In order to reduce energy consumptions and improve industrial competitiveness, it is important to improve carbon efficiency. Reliable online prediction of the carbon efficiency would be extremely beneficial for making timely adjustments to the process to improve it. In this study, the comprehensive carbon ratio (CCR) was taken to be a measure of the carbon efficiency; and a soft sensing system was built to make an online estimation of the CCR. First, the sintering process was analyzed, and the key characteristics of the process parameters were extracted. Then, the configuration of the soft sensing system was devised based on the characteristics of the process. The system consists of three parts: an image selection, an image segmentation, and a hybrid just-in-time learning soft sensor (HJITL-SS). First, an image selection method was devised to automatically select the key frames (KFs) from the video taken at the discharge end of the sintering machine. Then, a genetic-algorithm-based fuzzy c-means clustering method was devised to extract feature parameters from the KFs. Finally, an HJITL-SS, which consists of online and offline submodels, was devised to estimate the CCR using the extracted feature parameters as inputs. Actual run data were used to verify the validity of our system. Accuracy, overfitness, and error distribution of the HJITL-SS, offline, and JITL-based soft sensing methods were compared, which show the validity of the HJITL-SS. The actual run results also show the validity of the soft sensing system with 97% of the actual runs are in an acceptable range.     

高速公路行程时间Bootstrap-KNN区间预测分析与实证

针对行程时间点预测不能描述预测结果的可信度问题,以高速公路收费系统作为基础数据源,提出基于Bootstrap的高速公路行程时间区间预测模型,通过范围概率(PICP)、预测区间平均宽度(MPIW)以及综合指标(CWC)反映区间预测性能.对预测模型建模和Bootstrap置信区间估计方法两个关键步骤进行分析和实证,比较小波神经网络和K最近邻两种常用数据驱动方法的预测误差,并分析4种Bootstrap置信区间估计方法的区间预测性能.在相同的置信水平下,Percentile Bootstrap-KNN模型的综合指标值CWC最小,说明该模型区间预测性能最佳.对陕西省高速公路某热点OD进行实例分析,结果表明,采用相同预测算法的区间预测比点预测的误差小,且预测区间宽度可以表征预测结果的可信度和参考价值.     

基于PSO优化SVM的转炉炼钢用氧量预测研究

用氧量是影响钢水质量的主要因素之一,为提高转炉炼钢用氧量模型的预测精度,提出基于PSO优化SVM的吹氧量建模预测方法。针对SVM结构参数依据经验选取,致使预测模型的泛化能力差,在标准PSO算法的基础上,优化SVM的惩罚系数、不敏感损失系数和高斯核宽度系数3个结构参数,并建立转炉炼钢用氧量预测模型;在此基础上利用UCI数据库中的Auto-MPG标准数据,验证了方法的有效性;最后以某钢厂100 t转炉的实际生产数据建立吹氧量预测模型,结果表明,与标准BP、RBF及SVM相比,基于PSO优化SVM的转炉炼钢吹氧量预测模型精度高、泛化能力强。     

基于副枪控制技术的转炉模型炼钢

安阳钢铁股份有限公司第二炼轧厂150t转炉采用副枪及模型炼钢控制技术,在不中断吹炼情况下从转炉中获取钢液成分和温度信息,实现转炉自动控制炼钢。