高炉铁水含硅量预报自适应数学模型的研制与试验

为了更好地描述高炉生产,鞍钢炼铁厂与北京清华大学合作开发了“铁水含硅量预报自适应数学模型”,试图用自适应原理来跟踪高炉炉温的变化.在9号高炉连续运行后,获得了较高的硅预报命中率.该系统具有操作方便、维护简单等特点,给高炉生产带来降焦、增产、提高质量等好处,如果再增设防尘设备,系统将会更加完善.     

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。     

石钢高炉铁水含硅量神经网络预报模型

按照现代控制理论,利用人工神经网络方法,把高炉视为多输入—单输出系统,结合高炉生产实际建立了石钢高炉铁水含硅量神经网络预报模型。通过引入动态步长和惯性项系数提高了网络收敛速度。采用不断更新学习样本集的方法提高了铁水含硅量预报的命中率。结果表明:在允许误差为0.1%时,命中率达到了86.67%,可以为高炉操作提供指导。     

石钢高炉铁水含硅量神经网络预报模型

本文按照现代控制理论，把高炉视为多输入——单输出系统，利用人工神经网络方法，结合高炉生产实际建立了石钢高炉铁水含硅量BP神经网络模型。通过引入动态步长和“惯性项系数”提高了网络收敛速度。采用“修正式”预报模式提高了铁水含硅量预报的命中率。结果表明：在允许误差为0．1％时，命中率达到了86．67％，可以为高炉操作提供指导。     

高炉炉温与铁水含硅量工程推算法及应用

在既定冶炼条件下,依据炉内反应平衡学原理,导出了炉温定量推算式及铁水[Si]量推算式,其推算结果与实际数据具有良好对应关系,可用于现场操作推算与调控参考。     

安钢1号高炉降低铁水含硅生产实践

介绍了安钢1号高炉近几年通过提高入炉品位、采用高风温和富氧喷煤技术、保持适宜炉渣碱度．优化高炉操作等措施,使铁水含硅量从0．74％下降到0．50％的实践经验,增产节焦效果显著。     

1号高炉降低铁水含硅量探索

叙述了高炉内硅还原机理和降硅途径。1号高炉在降低铁水含硅量方面采取的措施有低焦比操作,大风量和富氧操作,高碱度操作等。还提出了1号高炉今后降低铁水含硅量的设想。     

铁水含硅量传感器的应用

近年来,为了适应钢材高级化的要求,开发了以炉外脱磷为中心的新的炼钢方法,并对其关键之一的高炉炉前铁水脱硅处理予以了注意。在炉前脱硅过程中,为了使下步工序脱磷处理能够顺利进行,要求把脱硅后的铁水含硅量控制在容许范围内,最近为了使脱磷费用最佳化,脱磷前铁水的含硅量正在接近适当范围。为了使脱硅处理后硅含量达到适当数值,有必要测定铁水含硅量,并控制脱硅剂的投入量。可是,采用以往的发光分析法,从取样到判明要耽搁30～40min 左右,不能适用于控制。其次,饮水含硅量是高炉炉况的重要指标之一,从硅成分的控制和炉况管理两方面考虑,都希望能实现铁水含硅量迅速测定。日本钢管公司福山钢铁厂根据千叶工业大学雀部实教授的方案,与大阪氧气工业公司共同开发了应用氧传感器双层电解质型的铁水含硅量传感器,并在该厂2号高炉顺利使用。     

铁水含硅量预报神经网络模型

针对我国高炉的检测水平,采用人工神经网络的方法建立了一种用于铁水含硅量预报的神经网络模型。该模型具有良好的适应性和自学习功能。     

模糊贝叶斯网络应用于预测高炉铁水含硅量变化趋势

贝叶斯网络在高炉铁水含硅量预测中已取得较好效果.本文的进一步改进是利用模糊逻辑方法能很好地将数据分成离散模糊集的优势,对模型参数进行有效的模糊分类,以此作为贝叶斯网络的输入,进行混合建模.对山东莱钢1号高炉智能控制专家系统在线采集数据进行计算证明,对一般高炉混合模型可提高预测命中率到90%.     

广钢高炉降低生铁含硅量实践

近年来,广钢高炉生铁含硅量水平逐年有所下降,但仍然处于偏高水平。以3号高炉为例,前10年生铁含硅平均为1.00％,最好的1992年平均生铁含硅也高达0.77％。本文结合1993年的实践,对广钢高炉控制生铁     

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。     

应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量

应用混沌粒子群优化(Chaos Particle Swarm Opti mization,CPSO)算法训练BP神经网络(Back-Propagation Neural Network,BPNN)并对高炉铁水含硅量进行预报。针对BP神经网络收敛速度慢和易于陷入极小值的问题,在粒子群优化算法中引入混沌思想,提出混沌粒子群优化算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度。系统分别选用料速、透气性指数、炉顶温度、风温、风量、喷煤量、上一炉铁水硅含量作为BP神经网络的输入层神经元,中间层(隐含层)有13个结点(用经验公式确定),输出层有一个结点,为铁水硅含量。应用CPSO算法训练BP神经网络建立的铁水含硅量预报模型对江苏永钢炼铁一厂1号高炉铁水含硅量的实际数据进行网络学习和预报。结果表明,此模型预报命中率高达91.2%,证明了方法的有效性。     

高炉炉外铁水增硅试验

湘钢1989和1990年计划生产铸造生铁均为5.5万吨,其中自用1.5万吨,外销4万吨。由于1989年商品铁未能满足合同要求,为此,于次年组织了炉外铁水增硅试验,获得成功并取得较好效益。一、高炉冶炼铸造铁的主要缺点     

杭钢高炉操作条件对生铁含硅量的影响

到1983年底抗钢3号高炉生铁含硅量稳定在0.25以下,炉况稳定顺行.本文就杭钢(?)号高炉的主要操作参数对生铁含硅量的影响进行了二次逐步回归分析,建立了数学模型,定量和定性地加以分析,以探讨(?)钢高炉冶炼出低硅生铁的机理,进一步为推广“低硅”经验提供依据.     

降低高炉生铁含硅量的实践

低硅炼铁是现代高炉炼铁节能减排的一项重要技术措施。莱钢5#高炉按照公司达标减排的生产要求,在炉况稳定顺行的前提下,通过控制并稳定炉缸温度,提高风量、风温及炉顶压力等有效措施,使生铁含硅量从0.47%降到0.39%,取得了良好的经济效益。     

基于WA SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,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应用案例,WA SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。