基于支持向量机的铁水硅含量的预测

为了准确预测高炉炼铁过程的硅含量,分析了高炉工艺参数对高炉铁水硅含量的时序性影响,以支持向量机理论为基础构建了2类铁水硅含量预测模型,即硅含量模型和硅变化量模型。利用首钢迁钢3号高炉铁水硅含量数据进行模型测试,测试结果表明2类模型预测命中率均可达到80%。     

基于分布式神经网络模型的高炉炉温预测建模

高炉炼铁通常采用铁水Si含量间接反映炉温的变化,模型预测精度低。以影响炉温的6个变量为输入变量,采用基于自组织的分布式RBF神经网络模型分别对铁水温度和铁水Si含量建立预测模型,先用自组织神经网络划分输入输出样本空间,然后对每个子空间建立RBF神经网络子网模型,再使用子网模型对测试样本集的同一个样本点进行预测,并以测试样本点对每一子空间的隶属度为权值,对子网预测值进行加权求和,得到最终预测值。对比使用同一输入变量数据的铁水温度和铁水Si含量的预测模型命中率,研究表明,高炉铁水温度的命中率更高,具有更好的炉温预测效果。     

应用小波分析方法改进铁水硅含量预测

应用小波分析方法对高炉铁水硅含量进行预测。通过小波变换将铁水硅含量的时间序列依三重尺度分解成不同的层次,并对不同层次上的序列分别运用合适的自回归模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为实际预测案例,与原始时间序列的自回归模型预测结果比较,小波预测方法显著提高了预测命中率。     

高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。     

基于灰色关联分析和超限学习机的高炉铁水硅含量预测

炉温的实时预测技术对高炉生产稳定顺行具有重要意义,在高炉炼铁过程中,通常间接用铁水硅含量的变化来表示高炉炉温的变化。针对硅含量预测效率和精度不足的问题,建立了铁水硅含量预测模型。以现场数据为样本数据,采用灰色关联分析(grey correlation analysis, GCA)获得与硅含量相关度较高的生产指标,以相关指标为输入、硅含量为输出,构建超限学习机(extreme learning machine, ELM)算法模型,对模型进行训练。现场数据计算表明,该模型的预报命中率达87%(误差不小于0.10),实现了高炉铁水硅含量的准确预报。     

基于改进小波-TCN的高炉铁水钒含量预测系统

铁水钒含量作为冶炼钒钛磁铁矿高炉的重要经济指标,对其进行准确预测将对高炉后续提钒增效具有重要生产意义。利用小波-TCN组合时序模型对具有非线性、波动大等特点的高炉铁水钒含量进行预测。首先利用小波变换将原时间序列数据分解成多个噪声段和单个趋势段,然后选用TCN模型对小波变换后的噪声段和趋势段分别进行预测,最后将结果重构得到最终的预测结果。对于选取小波变换层数较复杂的问题,利用赫斯特系数能够表征数据可预测性的特点,提出小波变换后的平均赫斯特系数()用于降低模型建立过程中小波变换层数选取的复杂度,从而改进小波-TCN组合时序模型。结果表明,改进后的预测模型对单一变量预测高效且准确,相对非改进模型运算时间减少150%左右。对于赫斯特系数大于0.5的预测数据,利用改进小波-TCN组合时序模型对铁水钒含量进行预测,预测结果数据的R²达到0.967,均优于LSTM、LSTM with Attention和TCN单一预测模型的预测效果;对铁水硅、硫含量和铁水温度数据进行单变量预测,其R²分别为0.953、0.942和0.933。该预测模型可高效准确地对高炉铁...     

应用优化BP神经网络建立铁水硅含量的预测模型

 高炉铁水的硅含量是描述铁水质量的一个重要指标。为了在出铁之前了解铁水中硅含量的高低,建立预测模型是必要的。结合遗传算法(GA)和BP神经网络,建立了优化的GA BP预测分析模型,从某高炉选取生产数据进行学习和预测。运行结果表明,模型具有较高的预测精度,当要求绝对误差为±005时,命中率可达70%;绝对误差为±008时,命中率可达923%。同时,应用该模型分析回归了高炉风量、热风压力、富氧量与铁间料批数等参数与铁水硅含量之间的相关关系,其结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导。     

基于随机森林算法的高炉铁水硅质量分数预测模型

为了研究高炉冶炼过程中铁水硅质量分数的预测问题,我们基于随机森林算法建立了高炉铁水硅质量分数预测模型。针对具有不同统计特征的2组高炉生产数据,分别建立了随机森林预测模型和支持向量机预测模型,并从预测命中率、相关系数、均方根误差以及绝对误差等4个方面对模型性能进行了综合的比较分析。结果表明:在炉况平稳或存在较大波动的情形下,随机森林预测模型都能获得显著优于支持向量机预测模型的预测精度。研究结果为探索高炉冶炼过程炉温的预测控制提供了新的建模思路。     

基于大数据的高炉炉温监测预警系统

随着新一轮产业变革和技术革命的兴起，钢铁制造业正在由高碳向低碳、由低端向高端转型升级。为实现高效率、低能耗、长寿命、低污染的综合目标，现代炼铁工艺逐渐趋于绿色化、智能化。高炉为一个非线性、大时滞的黑箱化系统，高温高压的环境使得高炉炉温的测量和控制都不易实现。利用铁水硅含量、铁水温度与高炉炉温的正相关性，建立基于大数据分析的铁水硅含量以及铁水温度预测模型，间接实现对炉温的预测。首先，利用经过异常值、缺失值以及归一化处理后的高炉标准数据数据集，通过多角度的相关性分析方法完成对模型输入变量的选取；然后，通过模型综合对比，建立基于Adaboost模型的铁水硅含量、铁水温度预测模型；最后，结合计算机技术建立高炉炉温监测预警系统。该系统的应用不仅有效解决了传统冶炼工艺带来的弊端，而且能起到延长设备生命周期、提前预测炉况走向等作用，有效推动了高炉智能化转型。     

支持向量机在铁水硅含量预报中的应用

支持向量机是基于统计学习理论发展而来的一种机器学习算法,它能较好地解决非线性、高维数、小样本、局部极小点等实际问题。本文提出了使用最小二乘支持向量机模型预测高炉铁水硅含量的方法,以山东莱钢1号高炉在线采集数据作为应用案例。结果表明最小二乘支持向量机模型预测高炉铁水硅含量命中率可达到85%以上。     

基于T-S模糊神经网络模型的高炉铁水温度预测建模

 针对高炉炉温与铁水硅含量呈正相关而非严格的线性关系和机制建模的主观性以及其难以建立各变量之间隐含的数学关系等的不足,在数据挖掘理论的基础上,对海量的样本数据进行预处理和特征提取,然后以高炉铁水温度为研究对象,建立了基于T-S模糊神经网络的高炉铁水温度预测模型。最后,应用某高炉数据进行模型验证,并将该模型与T-S模糊多元回归模型以及BP神经网络模型进行比较研究,仿真结果表明T-S模糊神经网络模型的有效性和优越性。     

基于大数据技术的高炉铁水硅含量预测

铁水硅含量是炉缸热制度的化学热表示方式,也是表征炉温和铁水质量的重要参数.选取某钢铁厂4号高炉实时数据库和检化验数据库2019年的30个输入参数,通过数据处理和特征值筛选,最终选取17个参数进行模型预测,共计8760组.通过构建Adaboost模型、决策树模型和随机森林模型对2 h后的铁水中硅含量进行预测,发现Adab...     

基于样条变换的非线性PLS的反应高炉炉温的参数预测

 高炉冶炼过程是一个大时滞、强非线性的系统,现有的高炉炉温预测模型不够准确,因此,建立了基于香农熵的广义相关系数时滞分析模型和基于样条变换的非线性偏最小二乘回归(ST-PLS)的反应炉温的参数预测模型,得出影响高炉炉温的主?问闹秃笫奔洌げ獬瞿芄蛔酆戏从Ω呗碌?个参数(［Si］,［S］,铁还原速率及铁水温度)。试验证明,模型具有较高的预测精度,当相对误差分别为0.11和0.18时,模型预测［Si］的命中率分别为0.7143和0.9184,［S］的命中率分别为0.7347和0.9184,铁还原速率的命中率分别为0.6122和0.8163,铁水温度的命中率分别为1.0000和1.0000。     

A Sliding‐window Smooth Support Vector Regression Model for Nonlinear Blast Furnace System

Blast furnace is one of the most complex industrial reactors and remains some unsolved puzzles, such as blast furnace automation, prediction of the inner thermal state, etc. In this work, a sliding‐window smooth support vector regression model is presented to address the issue of predicting the blast furnace inner thermal state, represented by the silicon content in blast furnace hot metal in the context. Different from the traditional numerical prediction models of silicon, the constructed SW‐SSVR model is devoted to predicting the changing trend of silicon and exhibits good performance with high percentage of successful trend prediction, competitive computational speed and timely online service. Additionally, some sharp fluctuation trend in the silicon test data can also be followed well by the SW‐SSVR model, which is always difficult for traditional data–driven based silicon prediction models. All of these indicate that the SW‐SSVR model is a good candidate to predict the change of blast furnace inner thermal state, and may provide a guide for operators to take proper action on operating blast furnace in advance.     

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。     

高炉铁水硅含量预测评价与模型选择

 分析了文献中高炉铁水硅含量预测数据,结果表明：评价指标选择决定预测效果的评价结论和模型选择;命中率判据不是评价预测效果的最佳选择;相关系数及其检验是评价预测结果优劣的客观判据;相关系数及其检验、人工预测、随机游走模型可以作为以科学性、实用性和简便性为原则的预测评价判据基准。     

高炉铁水含硅量和含硫量动力学预报研究

把平行工序调整为顺序工序是网络计划图优化调整的中心问题之一。根据网络的特点，本文引入了准值与最小值的概念，彻底解决了从四个平行工序中选择三个工序组成最佳顺序链的优化方法。     

Artificial neural nets for prediction of silicon content of blast furnace hot metal

Conventional models for prediction of silicon content of blast furnace hot metal are briefly reviewed. Four different artificial neural net (ANN) models, namely, back propagation algorithm (BPA), dynamic learning rate algorithm, functional link network (FLN) and fuzzy neural network (FNN), are trained and tested on operational data from blast furnace (BF1) at Visakhapatnam Steel Plant. FNN can predict silicon mass content of hot metal with a standard error (actual versus predicted) of 0.09% and correlation coefficient of 0.86; standard back propagation predicts with a standard error of 0.08 % and correlation coefficient of 0.79.