智能LF控制系统的研究

提出一种基于人工神经网络的智能LF控制系统模型,该系统的核心是LF精炼过程钢水温度和成分的实时预测,并确定了一种部分反馈的人工神经网络进行钢水温度和成分的实时预测。     

基于多时间尺度的高炉透气性指数多步预测模型

高炉透气性指数是反映炉料间接还原程度以及炉况状态的重要指标,受高炉各操作在不同时间尺度下影响,目前对透气性指数发展趋势的分析、建模和预测多数是基于同一时间尺度且预测步长较短,预测结果难以指导现场判断。因此,本文提出一种基于多时间尺度的高炉透气性指数多步预测模型。首先通过机理和数据分析计算高炉各操作对透气性指数多时间尺度影响的时域特性,并结合频域特性多维度论证透气性指数受各操作在不同时间尺度影响;然后根据高炉操作在不同时间尺度影响透气性指数发展的特性,建立基于支持向量机的单步预测模型;最后在单步预测模型的基础上建立基于递归策略的透气性指数多步预测模型。实验结果表明,该方法能有效预测透气性指数未来发展趋势,便于现场决策。     

数据挖掘在岩质边坡稳定性预测中的应用

提出了一种预测岩土边坡稳定性的方法.利用数据挖掘的方法从边坡实例数据中挖掘出知识,在此基础上建立岩质边坡稳定性预测的智能模型系统.该系统可以根据获得的现场测试和监测资料,对边坡的稳定性进行较好的预测和估计.     

地区电网监控综合智能告警系统设计

讨论了地区电网各自动化系统的特性、功能和相互关系;提出将多个系统的人机对话合为一个人机对话,将其告警系统整合为一个综合智能告警系统。给出了综合智能告警系统的模型,通过将告警信息分类、分级,以分时段、分人、多种输出方式呈现,论述了综合智能告警系统的特性,最后叙述了该综合智能告警系统的意义。     

2种群体平衡模型在连铸结晶器多尺寸泡状流中的应用

摘要：准确预测连铸结晶器内多尺寸泡状流的流动特性对洁净钢水和提高铸坯质量至关重要。为了考虑气泡聚并、破碎等微观现象对气泡尺寸、数密度、含气率等宏观参量的影响,分别采用2种基于群体平衡方程的数学模型—多气泡组质量传递模型（MUSIG）与平均气泡数密度模型（ABND）,对连铸结晶器内的多尺寸泡状流进行了数值模拟,并与水模型实验结果进行了对比研究。结果发现：2种群体平衡模型均可以较准确地捕捉到结晶器多尺寸泡状流中的液相流型、气泡尺寸以及含气率分布特征,尤其是较好地预测了浸入式水口内部含气率的“中间峰”和“出口峰”分布特征;相比于MUSIG模型,ABND模型对靠近水口处气泡尺寸分布的预测结果更加准确。2种群体平衡模型扩展了传统单一粒径双流体模型的适用范围,为结晶器内多尺寸泡状流研究提供了理论基础和数学框架。     

基于Elman-Adaboost强预测器的铁水硅含量预测方法

由于高炉炼铁过程的动态特性,因此铁水硅含量的预测有极大难度,现有预测方法的精度不高。针对这一问题,提出一种利用Elman-Adaboost强预测器实现硅含量预测的方法。与通常使用的将反向传播(Back Propagation,BP)神经网络作为弱预测器的方法不同,本方法采用能更好地反映数据间动态特性的Elman神经网络作为弱预测器,然后利用Adaboost算法融合多个弱预测器组成一个强预测器。该模型用于某钢厂硅含量的预测,其平均预测命中率达到了94.8%,证明了其有效性。通过与单一BP神经网络、Elman神经网络以及BP-Adaboost强预测器的预测结果比较,Elman-Adaboost强预测器的预测精度高,为铁水硅含量的预测提供了一种新的途径。     

基于DL-T及迁移学习的语音识别研究

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题,本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型;其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T,该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递,使其兼具预测错误率低及收敛速度快的优点;然后,为进一步提高声学模型的准确率,提出了一种适合DL–T的迁移学习方法;最后为验证上述方法,采用DL–T声学模型,基于Aishell–1数据集开展了语音识别研究。研究结果表明:DL–T相较于RNN–T预测错误率相对降低了12.52%,模型最终错误率可达10.34%。因此,DL–T可显著改善RNN–T的预测错误率和收敛速度。      

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

三环减速器智能CAD系统研究

根据三环减速器智能CAD的设计特点,提出了一种机械产品多专家系统的并行设计思想,构建了集研制方案、性能计算、工艺分析和结构设计专家系统于一体的并行式三环减速器智能CAD系统的结构模型,并进行了功能模块分析。     

多层局部回归网络的非线性系统预测模型

提出采用多层局部回归神经网络建立多变量非线性系统多步预测模型的方法,神经网络模型可提供多步预测控制所需要的系统输出预测值及输出向量对控制向量的雅可比矩阵.仿真试验表明这种动态神经网络的预测模型具有较高的精度.     

生物氧化预处理过程中进气量预测智能集成模型的建立

针对生物氧化预处理过程中进气量调节的时滞性以及传统离线预测存在的不足,提出一种基于最优加权的进气量智能集成预测模型。首先根据生物氧化预处理机制,建立氧化槽耗氧机制模型;然后根据预处理过程各变量建立基于在线支持向量机的智能预测模型;最后根据集成思想,采用最优加权法将上述2个单一模型加权集成,建立进气量智能集成预测模型。试验结果表明:该模型能够很好地在线预测氧化槽进气量,相比单一预测模型具有更高的预测精度,可满足工业生产在线优化控制要求。     

基于多变量相重构的混沌时间序列预测

提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性.     

多代理技术及其在企业内部网中的应用

首先介绍了智能代理技术的概念，然后根据企业内部网的特点，提出了一种基于多代理系统的企业内部网开发模型。最后，分析了这个模型的可行性和优点。     

基于神经网络的客服中心话务量预测模型

针对现有预测模型在话务量发展趋势变化、新技术新业务引入后模型失效、预测精度下降等问题,提出一种基于神经网络和事件样本库的智能预测方法.该方法具有自学习功能,可根据预测误差自动调整预测参数并更新事件样本,对话务量趋势变化、事件影响程度变化及新事件的发生具有持续自适应能力.仿真结果表明,该预测方法能有效降低预测误差,与现有方法相比,话务量的预测精度提高了6.57%\.     

面向智能烧结的机尾断面烧结矿FeO预测研究

针对烧结工艺FeO预测准度问题,提出一种基于机器学习的预测模型。通过对机尾断面温度数据的采集和处理,建立包含多个特征的数据集。采用基于MIV(平均影响值)的特征选择方法,筛选出对预测模型权重占比较高的特征。使用Bi-LSTM(双向长短时记忆神经网络)算法对生产工艺数据进行训练和测试,得到高精度的预测模型。通过实验验证了该模型的预测效果,并与其他神经网络模型方法进行了比较,比较结果表明该模型具有较高的预测精度和实用性。在企业误差允许的范围内,准确率达90.2%,因此可以为智能烧结技术的应用和烧结质量的控制和优化提供重要的参考。     

神经网络模型与时差方法结合预报铁水硅含量

针对以ＢＰ算法为代表的监督学习神经网络在直接多步预测中不能渐进计算的问题,建立了一个三层简单反馈递归的神经网络模型,提出了将神经网络模型与时差方法相结合在高炉铁水硅含量预报中应用的策略。结合现场采集的实时数据进行实验,并与采用ＡＲＭＡＸ模型的预测结果相比较,具有较高的命中率。     

基于SVM污水处理过程BOD的智能预测

支持向量机是近年发展起来的新兴人工智能技术,在分析最小二乘支持向量机（SVM）理论基础上,以某污水处理厂的氧化沟系统为对象,采用一种改进的粒子群优化算法优化支持向量机的参数．建立了基于竞争机制粒子群算法ICPSO的LSSVM的氧化沟出水水质BOD智能预测模型．并与PSO—LSSVM模型和LSSVM模型比较,研究表明,ICPSO—LSSVM模型预测准确．泛化性能好．且该模型预测结果中相对误差〈10％的样本达到90％,最大相对误差仅为10．3％,均方差MSE为0．0026,模型具有较高的精度,基本可以实现出水BOD值的在线预估。     

基于最小二乘支持向量机的混合煤气加压过程在线预测

针对混合煤气加压过程具有非线性、多变量耦合、大滞后及不确定参数众多等复杂特性,提出了一种基于最小二乘支持向量机(least squares support vector machine, LSSVM)模型的混合煤气加压过程在线预测方法。首先,基于某钢厂混合煤气加压工艺分析,选择以混合后煤气压力、风机出口总管压力以及工作机组电流为混合煤气加压过程的预测目标;然后,将局部多项式核函数与全局拉普拉斯核函数相结合,实现了一种兼顾学习能力和泛化能力的混合核函数,并将自适应时刻估计(adaptive moment estimation, Adam)算法用于基于LSSVM预测模型的参数在线优化;最后,基于现场实测数据对预测效果进行验证,结果表明,本文所设计方法可有效提高混合煤气加压过程预测模型的预测精度。     

基于改进堆叠自编码器的带钢力学性能预报模型

钢铁工业在智能制造转型升级过程中对产品性能预报技术提出了越来越高的要求。针对目前带钢力学性能预报模型普遍存在精度和适应性不高的问题,提出了一种基于改进堆叠自编码器的力学性能预报深度学习模型。结合CSP热连轧实际工艺流程,模型中设置多个分别代表不同工序的自编码器进行堆叠,同时将各工序的过程参数逐步输入对应的自编码器,实现对带钢组织演变过程的数据建模,并利用降噪自编码器(DAE)和稀疏自编码器(SAE)解决数据噪声大、过拟合等问题,提高力学性能预测精度,改善模型的适应性。结果显示,这种基于堆叠自编码器的力学性能预报模型综合性能更好。     

神经网络预测补偿在高碳铬铁电炉电极控制中的应用

针对高碳铬铁电炉电极控制系统具有非线性、时变、模型不确定、滞后、多输入多输出耦合的特点,提出了一种基于神经网络预测技术检测电极电流并预测电极位置的方法,其预测结果是对PID控制器的输出进行调整,使系统较好地适应负载和外扰的变化,实现了高碳铬铁炉电极的智能控制,提高了电炉的热效率,节约了能耗。