预测铁水温度和铁水含硅量的模糊控制

把预测铁水温度分成１３个等级，构成论域Ｕ；把基准动作单位分成９档，构成论域Ｖ。拉着把语言控制规则表示成为一个从Ｕ到Ｖ的模糊关系Ｒ，然后利用模糊关系的合成，便可得模糊响应，再由模糊响应推出模糊控制量的响应表。根据响应表求出现在预测铁水温度和铁水含硅量所对应的基准动作单位，最后再按它们最近变化趋势来修正基准动作单位。     

喷煤高炉铁水含硅和铁水温度的预测数学模型

在计算高炉内>1000℃直接还原带和风口燃烧带物料平衡和热平衡的基础上,根据铁水含硅和(或)铁水温度与风口焦炭的理论温度Tc间存在的线性函数关系,从而得出了表征炉子高温区热状态及预测铁水含硅和(或)铁水温度的数学模型。为验证模型的预测效果,编制了相应的计算机应用软件系统,通过该系统运行,按每采样周期,能显示及打印算出的Tc值和预测值,并可根据操作者的需要,随时显示和打印前24小时内的Tc时序列曲线。选择梅山炼铁厂2号高炉进行预测铁水含硅和铁水温度的工业性试验,经与44炉铁水实测值比较后,预测命中率分别达到79.55     

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。     

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%.     

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。     

预报铁水含硅量的数学模型在高炉上的试验

本文分别用热状态模型和统计模型在本钢五号高炉进行了铁水含硅量的预报试验。铁水含硅量的预报偏差分别有80.2％、85.5％不超过±0.10％,而预报偏差不超过±0.15％的分别为92.3％及93.6％。铁水含硅量的预测,可作为操作者调节高炉的参考,也将是计算机控制高炉的依据。     

高炉铁水含硅量预报自适应数学模型的研制与试验

本文介绍了应用自适应原理跟踪高炉炉温变化的铁水含硅量预报自适应数学模型。模型由两部分组成,自适应主模型和专家系统子模型。应用该模型的铁水含硅量实时预报计算机系统已在鞍钢9号高炉试运行,效果良好,连续764炉的统计表明,预报命中率达82.3％。     

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.     

太钢高炉铁水含硅量预报系统通过鉴定

由太原钢铁公司和天津自动化仪表研究所联合研制的“太钢高炉铁水含硅量预报系统”于85年6月在太钢由冶金部科技司主持通过技术鉴定。 本系统利用独特的自学习模糊测辨方法,即确定判断高炉炉温的六个工艺参数(下料速度、负荷、理论燃烧温度、炉顶温度、炉渣温度和上一炉含硅量),有经验的高炉操作者按这六个参数预测铁水含硅量,     

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。     

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。     

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。     

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。     

高炉铁水含硅预报数学模型

本文运用现代控制理论中系统辨识最小二乘法对高炉系统进行辨识,建立了高炉铁水含硅预报数学模型。通过对系统的阶跃动态响应分析,推导出各操作变量与铁水含硅之间的传递函数。     

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。     

降低铁水含硅量的实践

降低铁水含硅量是高炉节焦增铁的重要措施,同时也对炼钢生产指标的改善起着重要的作用。我厂铁水降硅工作,实际上从1985年就开始了,但这几年进步不大,生铁含硅量常维持在0.96—0.77％间,尚存在较大潜力。1987年由于复合吹炼攻关正式列为国家“七五”科研攻关项目,这对降低铁水含硅的要求就显得更为迫切。为此,我厂于1987年7月成立了铁水降硅攻关组,通过几个月的实践,铁水硅含量显著下降,2~#高炉8月份铁水含硅降到0.53％,并创造了连续三个月饮水含硅达到0.553％的较好水平。详见表1。     

石钢高炉铁水含硅神经网络预报模型

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,建立了石钢高炉铁液中硅神经网络模型;通过引入动态步长和“惯性项系数”提高了网络收敛速;并不断更新学习样本集,提高了铁液中硅预报的命中率。结果表明,在允许误差为0.1%时,命中率达到86.67%,可为高炉操作提供指导。     

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。     

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。     

基于bootstrap的高炉铁水硅含量预测

高炉铁水硅含量的实时准确预测对高炉炉温的调控和稳定炉况具有重要作用,但其预测结果一直存在准确度不高和缺乏可信度表征等问题。为此,本文融合神经网络和bootstrap预测区间方法,用预测区间宽度表征点预测值的可信度,实现在预测硅含量值的同时给出了其预测结果的可信度。应用实例表明,论文提出的方法提高了硅含量点预测结果的准确度,且预测区间宽度能正确的表征点预测结果的可信度,对实际生产操作具有较好的指导意义。