高炉炉温预测控制的变系数回归模型

为更好地预测与控制高炉炉温的发展趋势，从高炉炉温控制的混合动力学方程出发，在将其差分离散的基础上，运用变系数回归的相关理论，建立了高炉炉温预测控制的变系数回归模型.同时运用加权最小二乘法对模型的参数进行估计，得到每一炉下具体的高炉炉温预测控制的回归模型.结合包钢6#高炉的数据进行预测控制模拟，取得了90%命中的预测效果.此外，还给出了每一预测时刻下控制变量、状态变量与铁水硅质量分数w(Si)之间的数量关系，为预测之后的控制奠定了模型基础.     

高炉铁水硅质量分数的非线性检验

为检验硅质量分数w(Si)的非线性特征，以邯郸钢铁公司7号高炉在线采集的2000炉铁水的w(Si)数据作为母体样本空间，首先运用替代数据法对w(Si)时间序列做非线性定量检验；针对替代数据法容易受系统噪声和时间序列自相关程度影响的缺点，根据信息论冗余图像法进一步对w(Si) 序列做非线性定性判别；通过与典型的线性自回归模型和混沌Lorenz模型的冗余图像的比较，指出w(Si)序列的非线性并非是噪声引起的平凡非线性，而是高炉冶炼内在机理决定的本质非线性，为应用非线性模型对炉温做预测和控制建立理论了依据     

预测铁水硅含量的TGARCH模型研究

在高炉炼铁过程中,铁水硅含量是表征炉温热状态的主要参数指标．本文利用包钢6#高炉2011年连续2个月的铁水硅含量700炉生产数据,将金融领域中预测股票波动的时间序列模型用于高炉铁水硅含量的预测中,建立了铁水硅含量的时间序列预测模型．该预测模型重点考虑了炉温的波动性、非对称,性、异方差性,克服了以往炉温控制模型只针对炉况较稳定时才能预测的缺陷．因此该炉温模型预测命中率达到80％,取得较好预测效果．     

TGARCH模型预测高炉铁水硅质量分数

为了更好地反映高炉铁水硅质量分数序列的高波动特性,利用门限广义自回归条件异方差（TGARCH）模型对硅质量分数序列进行预测.应用Portmantea Q检验、拉格朗日乘子检验以及非对称项系数显著性检验,验证了高炉铁水硅质量分数序列存在异方差性和非对称性.在此基础上将TGARCH模型应用于高炉铁水硅质量分数预测,采用极大似然估计法确定参数,建立TGARCH(1,1,1)预测模型,并采用命中率和误差率2种评价准则对预测结果进行分析.这种方法克服了以往模型没有考虑序列非对称性影响的缺陷,更加适合于高炉铁水硅质量分数的预测.将预测模型应用于包钢6号高炉,取得了较好的预测效果.     

高炉铁水硅质量分数的模糊预测函数控制

在模糊预测函数控制的基础上，建立了一种新型算法来预测高炉铁水硅质量分数.基于莱钢1号高炉在线采集的数据，并结合专家语言规则生成模糊规则.控制参数作为模型的输入参数，主要有：料速、透气性指数、喷煤量、风温、风量，计算得到了各个参数的时滞.应用该算法对高炉铁水硅质量分数进行了局部预测控制，结果表明,改变喷煤量对控制铁水硅质量分数的波动起到明显作用，当喷煤量控制在区间［10 t/h,15.5 t/h］时，铁水硅质量分数在［0.36,0.58］区间内波动，且铁水硅质量分数的波动逐渐变小.     

基于隐Markov模型的高炉铁水硅质量分数预测算法

为正确预测高炉铁水中硅的质量分数（［Si］）,提出了一种基于隐Markov模型（HMM）的预测算法.从高炉冶金反应动力学出发,分析了高炉内反应的链接关系,这种链接关系和HMM的原理是一致的.在对系统参数初始化之后,利用重估公式对参数进行训练直至收敛,从而得到系统模型.通过Viterbi算法找出所有训练样本的最大可能状态路径,并计算其似然值.将新样本输入模型得到新的状态路径及其似然值,从训练样本中找出具有相同状态路径或最小偏差似然值的序列,以训练样本下一［Si］值作为新样本下一时刻的预测值.利用该算法对高炉实际生产数据进行仿真,结果表明,与传统的人工神经网络方法相比,该方法能够有效提高预测精度和效率.     

鲁棒的递推核学习建模方法在高炉过程的应用

针对现场采集时间序列数据中的离群点显著影响时变非线性工业过程在线模型性能这一问题,提出鲁棒的递推最小二乘支持向量机软测量建模方法.在模型训练阶段,采用支持向量聚类（SVC）排除离群点,建立有效的数据区域.将SVC用于递推过程前向学习阶段,并引入更有效的增删节点准则,在快速递推的前提下提高了模型的推广能力.将该方法应用于工业高炉过程铁水的硅质量分数预测,通过试验连续预测566炉高炉铁水硅质量分数,命中率高达81%,预测均方根误差为0.054 7,表明了较其他方法有更好的鲁棒性与精度.     

基于模块化神经网络的铁水硅含量预测系统

目的 提出基于模块化神经网络的铁水硅含量预测方法,改善系统控制性能指标.方法 采用模块化神经网络预测控制策略,建立模块化神经网络预测模型,按输入物理量的性质构成4个神经网络模块,再由预测神经网络输出铁水硅含量的预测值,从而控制炉温.结果 提高了学习效率和泛化能力,有效地改善了模型的预测精度.结论 模块化神经网络铁水硅含量预测模型,将同类量进行了模块划分,通过对铁水硅含量预测,可提高炉温的控制精度和动态跟踪能力,具有结构简单、实时性好、预测精度高等特点.     

攀钢西昌钢钒高炉铁水适宜硫含量分析

为了寻求炼铁、炼钢工序经济适宜的铁水硫含量,通过对生产数据的统计,分析了攀钢西昌钢钒1号高炉铁水硫含量与技术经济指标的关系,得到了攀钢西昌钢钒高炉铁水钛含量与铁水硫含量及焦比的回归公式;并依据高炉冶炼过程中实际的矿焦比与铁水钛含量的经验数据,计算分析了不同铁水硫含量与炼铁的原、燃料成本的关系,综合考虑炼钢脱硫成本的变化,得出当前硫负荷条件下铁水适宜的硫含量（质量分数）应控制在0.085％左右．     

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CPSO -vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明：基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO -vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。     

马钢一铁总厂10#高炉炉况严重失常及处理

对马钢10#高炉炉况严重失常以及频繁烧风口的原因和处理过程进行了分析与总结，介绍了马钢10#高炉形成统一操作思想，通过洗炉等措施减少风口烧坏，使妒况恢复正常的生产实践。     

300m~3自立式高炉改进实践

马钢二铁厂3#高炉为自立式结构．该高炉第四代大修时，计对其结构特点和生产中出现的情况，对高炉冷却壁、炉衬砖、炉喉部以及围管等处进行改进，使高炉在开炉后最短时间内形成合理的操作护型，达到了降焦、增产、降低吨铁成本的目的，对延长高炉一代寿命起到积极作用．     

圆锥相贯线的数控切割原理

对圆锥面上的两种相贯线进行了分析，获得了数控切割加工的理论模型，并介绍了为解决这类空间曲线切割加工而研制的数控切割设备，以及该设备在宝山钢铁公司３号高炉制造中的成功使用     

低钒铁水各元素氧化的热力学分析

针对攀钢低钒铁水成分,通过热力学软件Factsage对低钒铁水中各元素的氧化情况进行平衡计算分析。O2,CO2和FeO三种氧化剂,都能够使铁水中的硅、钛、锰、钒氧化进入到钒渣中,氧化顺序为钛、硅、锰、钒。三种氧化剂的氧化能力比较,FeO最强,O2次之,CO2最弱。氧化低钒铁水的钒渣的组分的最大的区别是FeO的百分含量,最少是CO2作为氧化剂时,百分含量为20.1%,钒渣的质量相对较好,所以能够使铁水中各元素的选择性氧化最佳的氧化剂为CO2。     

杭钢新1号高炉煤气全干式余压透平发电的设计与应用

介绍了杭钢1#高炉煤气全干式余压透平发电工艺的设计和运行情况,重点阐述了工艺设计的主要特点。     

氢在硅系铸铁中的分布

研究了不同含硅量的硅系铸铁中氢的分布后得出：无论是化学成分分析，还是微区成分分析，随铸铁中含硅量的变化，氢的含量也发生相应的变化．这就是硅系铸铁在自然状态下，其含氢量的分布特点．文中对此做了初步的理论分析．