铁矿石烧结工艺参数优化模型的设计与应用

在分析配矿方案、工艺参数、产、质量指标三者相互关系的基础上,提出了两种优化烧结工艺参数的数学逻辑模型,即网络输出参数优化模型和网络输入参数优化模型.通过神经网络建模,比较建模结果,网络输入参数优化模型的效果更好.在神经网络模型的基础上结合遗传算法求解网络输入参数优化模型,计算出最佳的工艺参数.模型通过应用,不仅降低了烧结能耗,而且提高了烧结矿的产、质量,验证了模型的有效性和实用性.     

烧结工序能耗预测与优化研究

烧结工序能耗预测与优化研究是确保生产有序合理、节能环保和低成本的重要手段.在烧结工序能耗定义分析及烧结工序能耗主要影响因素分析的基础上,建立了基于径向基神经网络-遗传算法(RBF-GA)的烧结能耗预测与优化模型.在神经网络模型对能耗高精度预报的基础上结合遗传算法求解优化模型,计算出最佳的输入参数组合.通过案例研究,验证了所提方法的正确性和有效性.     

转炉终点氧含量预报模型

建立了两种转炉炼钢终点氧预报模型。即数学统计模型和神经网络模型。数学模型采用多元线性回归方法建模,该模型简单、可视,但预报效果不理想,预报误差小于80×10-6,命中率仅为72.7%。神经网络模型在选取适当输入参数的基础上,通过对现场生产数据进行训练,求得合理优化的网络权重,可对转炉终点氧含量进行离线预报,该模型的预报结果较好,预报误差小于80×10-6时,预报命中率超过86.4%。     

人工神经网络在热轧宽厚板力学性能预测中的应用

建立了神经网络预测热轧管线钢力学性能的网络模型，在此基础上，利用神经网络对热轧管线钢力学性能进行了预测，并将预测结果与生产数据进行了比较，同时，还利用神经网络对生产工艺参数进行了优化，计算结果表明，神经网络预测值与实测值之间接相对误差可以控制在11.6%以内，这对现场进行力学性能预测和工艺参数优化具有较强的现实意义。     

基于正交设计与BP神经网络优化制备纳米WC-MgO复合粉末

为获得晶粒尺寸较小的纳米复合粉末,运用正交实验设计结合BP神经网络优化球磨工艺参数。以磨球直径、球磨转速和球料比为正交实验设计因子,每个因子各取4个水平,以WC-MgO复合粉末的晶粒尺寸为目标因子,编制3因素4水平正交设计表。结合BP神经网络强大的自学习和函数拟合功能,以正交设计表中3因素为网络输入层,以晶粒尺寸为网络输出层,建立BP神经网络优化模型,并通过该模型进行预测和优选,得到最佳的高能球磨工艺参数。     

基于大数据的力学性能预测与工艺参数筛选

神经网络数据样本的质量影响着模型的预测精度；选择有效的工艺参数进行建模可以提高模型的训练速度，节省训练时间。针对数据样本质量和输入工艺参数的选择问题进行了研究，采用了计算马氏距离的方法剔除异常点，改善数据样本的质量。基于采集到的热轧汽车大梁板的17个工艺参数的生产数据，采用贝叶斯神经网络建立力学性能预测模型。通过采用平均影响值筛选出对力学性能影响较大的工艺参数进行建模，以简化模型。结果显示：简化后的模型取得了较高的预测精度，对于抗拉强度和屈服强度，分别有96·64％和94·96％的数据预测值和实际值相对误差在±6％以内；对于伸长率，有96·64％的数据预测值和实际值的绝对误差在±4％以内。     

铜闪速熔炼过程操作参数预测模型及应用

基于某厂实际铜闪速熔炼工艺和控制过程,对神经网络模型在铜闪速熔炼过程在线控制进行了研究。在分析影响溶剂率、熔炼氧单耗、反应塔总风量操作参数因素的基础上,提出一种基于BP神经网络的操作参数的预测方法,分别建立了输入向量只包含主要元素和考虑杂质元素的BP神经网络模型。网络的训练和测试结果表明,两种神经网络的输出值与实际值的最大相对误差均小于1.0%,输出值与实际样本值吻合得较好,模型输入参数中包括杂质元素时具有更高的计算精度。     

基于神经网络的热轧产品性能预报与参数优化

以实际生产数据为基础,建立热轧产品性能预报神经网络模型;通过BP网络实现逆映射,建立工艺参数设计的神经网络模块.试验结果表明,产品性能神经网络模型与工艺参数优化神经网络模型十分可靠,为解决热轧产品性能预报与工艺优化设计问题提供科学的途径.     

基于深度学习的热连轧轧制力预测

摘要：轧制力预报一直是热连轧过程控制模型的核心，浅层神经网络对复杂函数的表示能力有限，而深度学习模型通过学习一种深层非线性网络结构，实现复杂函数逼近。利用深度学习框架TensorFlow，构建了一种深度前馈神经网络轧制力模型，采用BP算法计算网络损失函数的梯度，运用融入Mini batch策略的Adam优化算法进行参数寻优，采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略，针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验，对比分析了4种不同结构的前馈网络预测精度。结果表明，相比于传统SIMS轧制力模型，深度神经网络可实现轧制力的高精度预测，针对所有机架的预测精度平均提升21.11%。     

基于大数据的智能化烧结技术研究进展

烧结是高炉炼铁过程的主要工序之一，利用大数据智能化技术有望解决烧结配矿原料条件复杂、配矿约束失真、配矿模型寻优困难、烧结过程参数预测模型精度低、产线适应性不强、烧结状态质量表征困难等传统难题。目前部分钢铁企业已经建立了包括烧结过程数据的炼铁数据平台，实现了烧结过程数据的采集存储与初步处理；现有配矿模型的约束设置与现场条件吻合度有所提升，通过数据分析与智能算法加快了配矿模型的寻优速度与精度；通过不同方法构建的烧结状态质量关键参数智能预测模型，在测试集上的预测效果良好；烧结过程综合评价与优化也进行了探索并取得了一定成效。基于现有研究进展，对烧结全链条数据治理、机理与数据融合的烧结智能配矿、烧结全产线关键参数自更新预测、数据与经验协同的烧结过程自适应综合评价体系构建与优化等智能化烧结技术的研究与应用方向进行了展望。需要针对烧结数据存在的问题开展模块化治理，消除参数间时滞性并构建参数动态关联规则库；进一步开发机理数据深度融合且适应产线条件的烧结智能配矿模型，并结合高炉使用效果对烧结智能配矿进行深度优化；结合产线自身数据特点与现场操作人员需求，全面选择烧结过程预测目标参数，并根据目标参数的数据频...     

Multi-Objective Optimization and Analysis Model of Sintering Process Based on BP Neural Network

A multi-objective optimization and analysis model of the sintering process based on BP neural network is presented. Genetic algorithms are combined to simplify the BP neural network, which can reduce the learning time and increase the forecasting accuracy of the network model. This model has been experimented in the sintering process, and the production cost, the energy consumption, the quality （revolving intensity）, and the output are considered at the same time. Moreover, the relation between some factors and the multi-objectives has been analyzed, and the results are consistent with the process. Different objectives are emphasized at different practical periods, and this can provide a theoretical basis for the manager.     

基于人工神经网络模型的Ti-6Al-4V合金离子氮化层厚度、硬度预测

利用人工神经网络技术研究Ti-6Al-4V合金离子氮化层厚度、硬度与热处理工艺参数之间的关系。以钛合金离子氮化工艺试验为基础,构建以离子氮化温度、保温时间、压力为输入参数,离子氮化层厚度、硬度为输出变量的3层BP神经网络模型,探究模型学习训练过程的最优化算法与神经元个数,预测合金离子氮化层厚度与硬度值。预测结果表明,该模型的综合复相相关系数为0.978 45,网络预测值与样本值相似度较高。获得该合金最优化离子氮化工艺区间,温度为850~880 ℃,保温时间为16 h,压力为200~300 Pa,合金氮化层厚度大于85 μm,硬度大于1 000HV。从而可为钛合金复杂零件离子氮化工艺-组织-性能控制研究提供新的方法与思路。     

基于人工神经网络模型的Ti-6Al-4V合金离子氮化层厚度、硬度预测

利用人工神经网络技术研究Ti-6Al-4V合金离子氮化层厚度、硬度与热处理工艺参数之间的关系。以钛合金离子氮化工艺试验为基础,构建以离子氮化温度、保温时间、压力为输入参数,离子氮化层厚度、硬度为输出变量的3层BP神经网络模型,探究模型学习训练过程的最优化算法与神经元个数,预测合金离子氮化层厚度与硬度值。预测结果表明,该模型的综合复相相关系数为0.978 45,网络预测值与样本值相似度较高。获得该合金最优化离子氮化工艺区间,温度为850~880 ℃,保温时间为16 h,压力为200~300 Pa,合金氮化层厚度大于85 μm,硬度大于1 000HV。从而可为钛合金复杂零件离子氮化工艺-组织-性能控制研究提供新的方法与思路。     

基于综合神经网络的优化配矿系统模拟模型及应用

针对烧结配矿的复杂性，建立了综合神经网络模拟模型，用以仿真烧结配矿与烧结矿产质量指标问的关系，并利用生产数据对模型进行了检验。综合神经网络的应用能大大提高预报的命中率。同时，对在其他领域的应用，也有很好的参考价值。     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

论工艺参数对烧结产质量的影响及分析

本文论述了正确认识烧结工艺参数对搞好烧结生产的意义，介绍了烧结工艺参数其及相互关系，详述了烧结主要工艺参数对其产质量的影响，提出了烧结工艺参数认识的几点结论性意见。     

氧化铝回转窑熟料烧结过程影响参数研究

在对氧化铝熟料烧结过程进行分析的基础上,结合煤粉燃烧、物料热解、窑壁散热和窑内传热传质方程,建立了回转窑熟料烧结传热综合数学模型。在此基础上,利用现场实际参数,应用数值计算方法对模型进行计算求解,得到了氧化铝回转窑内气体和物料的轴向温度分布,并分析了熟料烧结过程中空气消耗系数和掺煤量等主要参数对窑内温度分布的影响,提出了相应的操作参数,为实现回转窑的操作优化和自动控制提供了可靠的依据,有利于实现回转窑生产的节能降耗。     

Baseline Models for Bridge Performance Monitoring

A baseline model is essential for long-term structural performance monitoring and evaluation. This study represents the first effort in applying a neural network-based system identification technique to establish and update a baseline finite element model of an instrumented highway bridge based on the measurement of its traffic-induced vibrations. The neural network approach is particularly effective in dealing with measurement of a large-scale structure by a limited number of sensors. In this study, sensor systems were installed on two highway bridges and extensive vibration data were collected, based on which modal parameters including natural frequencies and mode shapes of the bridges were extracted using the frequency domain decomposition method as well as the conventional peak picking method. Then an innovative neural network is designed with the input being the modal parameters and the output being the structural parameters of a three-dimensional finite element model of the bridge such as the mass and stiffness elements. After extensively training and testing through finite element analysis, the neural network became capable to identify, with a high level of accuracy, the structural parameter values based on the measured modal parameters, and thus the finite element model of the bridge was successfully updated to a baseline. The neural network developed in this study can be used for future baseline updates as the bridge being monitored periodically over its lifetime.