转炉冶炼终点锰成分的预报模型

研究了转炉冶炼终点锰成分的影响因素,确定了预报模型的控制变量,建立了基于神经网络和自适应模糊神经网络的两种终点锰成分的预报模型,并对其进行了比较。研究发现,基于自适应模糊神经网络的预报模型能够很好地实现对终点锰成分的预报,在w([Mn])偏差值为±0.025％的控制精度范围内,预报命中率达到85.29％;在w([Mn])的偏差率为±25％范围内,预报的终点命中率达到70.59％。该模型接近基于副枪的终点锰成分动态预报模型的控制水平。     

基于小波神经网络模型的冶金企业能耗预测

冶金企业能源消耗量是一个与多种因素有关的复杂非线性问题。鉴于传统BP神经网络预测方法的缺陷,介绍了基于小波神经网络算法的能耗预测模型及应用情况。该算法既具有BP网络的简洁性,又具有小波分析良好的时频局部性。通过实验将其与传统的BP神经网络进行比较,证明前者具有更优的网络结构,更快的学习速度和更高的逼近精度。     

神经网络技术及其在钢铁工业中的应用：第3讲反馈人工神经网络

神经网络技术及其在钢铁工业中的应用第３讲反馈人工神经网络杨自厚（东北大学自控系沈阳１１０００６）在第２讲中介绍的前向人工神经网络是一种静态非线性映射网络，通过简单的非线性处理单元的复合作用，获得复杂的非线性处理能力。在那一讲中，重点分析了网络的训练和...     

神经网络技术及其在钢铁工业中的应用：第1讲 人工神经网络的基本概念

神经网络技术及其在钢铁工业中的应用第１讲人工神经网络的基本概念杨自厚（东北大学自控系沈阳１１０００６）人工神经网络是最近发展起来的一门交叉学科，有着非常广泛的应用背景。它的显著特点是：（正）以分布方式存储知识，知识不是存储在特定的存储单元中，而是分布...     

神经网络技术及其在钢铁工业中的应用：第2讲 前向人工神经网络

神经网络技术及其在钢铁工业中的应用──第２讲　前向人工神经网络杨自厚（东北大学自控系／沈阳１１０００６）目前已有近４０种神经网络模型，本讲座将陆续介绍在自动化领域应用中最有影响的网络模型。在本讲，我们介绍前向人工神经网络，其中，多层人工神经网络在自动...     

遗传小波神经网络在钢铁企业能耗预测中的应用

冶金企业能源消耗量是一个与多种因素有关的复杂非线性问题.鉴于传统预测方法的缺陷,利用遗传算法来优化小波神经网络,建立基于遗传算法的小波神经网络模型对鞍山钢铁公司能源消耗进行预测.该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质.通过实验将其与传统的神经网络进行比较,证实前者具有更优的网络结构,更高的逼近精度.     

钢铁企业能耗预测方法综述

能源消耗量的预测在钢铁企业中有着重要的地位和作用.文章论述了几种主流能耗预测方法,并对现有方法的精度和误差进行了分析,探讨了各种方法下的优缺点,总结出在设计能耗预测模型时应考虑的若干问题.     

人工神经网络在矿业中的应用进展

人工神经网络作为人工智能的一个重要分支已被广泛地应用于矿业中各种问题的研究，但是归纳起来可分以成以下４类问题中ａ．模式识别与分类问题。ｂ．预防预报问题；ｃ．优化计算问题，ｄ．基于神经网络的专家系统的研制问题，本文结合以上４个问题介绍了人工神经网络在矿业中的应用现状，并指明了目前应用中存在的问题及未来的研究方向。     

贝叶斯网络在高炉铁水硅含量预测中的应用

应用贝叶斯网络对高炉铁水硅含量进行预测。首先阐述了贝叶斯网络的数学描述,在此基础上给出贝叶斯网络预测公式的一种简化形式。然后建立高炉铁水硅含量的贝叶斯网络预测模型,对山东莱钢1 号高炉在线采集的2 000炉数据进行网络学习,离线预测取得了较好的效果。与神经网络等其他方法相比,它更适合解析高炉过程,而且透明的推理过程对高炉工长判断炉温变化趋势具有指导意义。     

主成分分析和最小二乘支持向量机模型在铁水硫和硅含量预测中的应用

良好的铁水质量是铸铁性能可靠性和稳定性的保证,而铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标,因此在出铁前精准获取铁水S含量和Si含量具有非常重要的意义。实验提出一种结合主成分分析(PCA)和最小二乘支持向量机(LS-SVM)模型的铁水S含量和Si含量的预测方法。将某钢厂大型高炉的在线采集数据作为研究对象,首先对影响铁水中S含量和Si含量变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机预测模型对铁水S含量和Si含量进行预测。在S含量预测过程中,正则化参数gam和核函数参数sig分别取20、700时,预测误差最小,其均方根误差为0.0012,仿真时间为0.423105s;Si含量预测过程中正则化参数gam和核函数参数sig分别取40、500时预测误差最小,均方根误差为0.0238,仿真时间为0.079522s。最后将实验结果与传统最小二乘支持向量机(LS-SVM)和结合PCA的BP神经网络预测模型(PCA+BP神经网络)的结果对比,后两组对比实验关于S含量预测的均方根误差分别为0.0015和0.0014,仿真时间分别为1.320842s和2.245967s;后两种对比实验关于Si含量预测的均方根误差分别为0.0316和0.0325,仿真时间分别为0.459671s和2.061576s。实验结果表明,实验方法更加全面地考虑了所有因素对铁水中S含量和Si含量变化的影响,具有训练时间短、预测精度高等优点。     

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。     

Prediction of Endpoint Phosphorus Content of Molten Steel in BOF Using Weighted K-Means and GMDH Neural Network

 The hybrid method composed of clustering and predicting stages is proposed to predict the endpoint phosphorus content of molten steel in BOF (Basic Oxygen Furnace). At the clustering stage, the weighted K-means is performed to generate some clusters with homogeneous data. The weights of factors influencing the target are calculated using EWM (Entropy Weight Method). At the predicting stage, one GMDH (Group Method of Data Handling) polynomial neural network is built for each cluster. And the predictive results from all the GMDH polynomial neural networks are integrated into a whole to be the result for the hybrid method. The hybrid method, GMDH polynomial neural network and BP neural network are employed for a comparison. The results show that the proposed hybrid method is effective in predicting the endpoint phosphorus content of molten steel in BOF. Furthermore, the hybrid method outperforms BP neural network and GMDH polynomial neural network.     

基于Kmeans–BP神经网络的KR工序终点铁水硫含量预测模型

针对KR工序终点铁水硫含量预测问题,提出一种基于Kmeans聚类分析和BP神经网络（BPNN）相结合的建模方法。首先,通过Kmeans聚类对KR工序生产数据进行模式识别和分类,构建不同工况特征的数据集;然后,基于BP神经网络,针对不同数据集训练预测模型;最后,将不同数据集的预测模型进行集成,形成最终的终点铁水硫含量预测模型,实现对不同铁水条件和工况条件的预测。利用某钢铁企业实际生产数据,分别用基于脱硫反应动力学、BP神经网络和Kmeans–BPNN方法建立的预测模型,对KR工序终点铁水硫含量进行预测。结果表明,Kmeans–BPNN的KR工序终点硫含量预测模型的精度显著高于脱硫反应动力学和BP神经网络的预测模型。      

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。     

LF炉钢水温度的预估

考察了影响LF炉钢水温度的因素.从能量平衡的角度出发,将整个钢包体系作为1个系统,确定加热功率、钢水质量、钢包温度、包龄、渣厚、氩气吹入量、时段7个主要因素作为网络的输入量,应用BP神经元网络进行初步预报,再根据专家工艺知识对一些特殊情况进行修正.使用本方法可减少点测次数,获得连续的钢水温度信息,降低炼钢成本,提高质量...     

基于BP神经网络的钢水温度预定模型

针对目前钢水温度预定方法存在不足,在分析钢水温度预定原理的基础上,在邯钢邯宝炼钢厂建立了基于BP神经网络的精炼终点目标温度和转炉终点目标温度的动态预定模型。利用邯宝炼钢厂的历史生产数据对模型进行了训练和测试,并进行了现场应用试验。结果表明,预定模型对转炉和精炼终点目标温度进行了优化,应用预定模型后,LF开始温度命中率提高到75%,中间包温度命中率提高到96.7%。     

转炉终点钢水残锰质量分数及其影响因素分析

通过对转炉终点生产数据和铁水成分的统计分析,研究了影响转炉终点钢水残锰含量的因素及其变化规律。研究表明,转炉终点碳含量和铁水硅含量对转炉终点钢水残锰含量及其收得率影响最大;提高转炉终渣碱度和终渣FeO含量对转炉终点钢水残锰含量及锰收得率产生不利影响。铁水初始锰含量升高有利于提高转炉终点钢水残锰含量,但锰的收得率反而下降;在高拉碳条件下转炉终点钢水温度对锰收得率的影响不明显。     

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。