烧结工序能耗预测与优化研究

烧结工序能耗预测与优化研究是确保生产有序合理、节能环保和低成本的重要手段.在烧结工序能耗定义分析及烧结工序能耗主要影响因素分析的基础上,建立了基于径向基神经网络-遗传算法(RBF-GA)的烧结能耗预测与优化模型.在神经网络模型对能耗高精度预报的基础上结合遗传算法求解优化模型,计算出最佳的输入参数组合.通过案例研究,验证了所提方法的正确性和有效性.     

基于NPCA-GA-BP神经网络的采场稳定性预测方法

为提高采场稳定性的预测精度,充分考虑采场稳定性高度非线性和受多因素影响的特点,提出了一种基于NPCA-GA-BP神经网络的采场稳定性预测方法。选择影响采场稳定性的10个指标,运用非线性主成分分析减少指标的维度,提取4个主成分综合指标代替原有的10个指标,简化了神经网络结构,提升了运算速度。利用GA的全局寻优特点优化BP神经网络的权值和阈值,进一步增加了神经网络预测精度。以某矿山实测数据为例,对该预测方法进行验证,对比结果显示：NPCA-GA-BP和GA-BP模型的平均相对误差比BP模型分别降低了10.5%和7.6%,表明通过遗传算法优化BP神经网络可显著提高预测精度;NPCA-GA-BP模型的平均相对误差比GA-BP模型降低了2.9%,表明通过非线性主成分分析减少了变量的维度,提高了预测准确率。研究表明：NPCA-GA-BP预测方法具有更高的采场稳定性预测精度,对实现智慧矿山有一定的指导意义。     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.      

基于GA-BP神经网络的露天矿边坡变形预测分析

矿区边坡在各种因素的影响下,将会发生变形,但变形超过一定限度时,会对矿区产生很大的危害,开展边坡变形预测分析,能在一定程度上预防灾害的发生。文中在充分考虑BP神经网络初始权值和阈值难以确定,造成模型系统进入局部最小化,导致预测精度不高等问题的基础上,提出GA-BP神经网络预测模型,解决了普通网络模型在权值和阈值上的不足,并以越堡露天矿边坡变形监测点JC31、JC33、JC36为研究对象,分别采用灰色理论模型、BP神经网络模型以及GA-BP模型进行预测,研究结果表明:GA-BP网络模型较灰色模型和BP模型的预测值与实际值更吻合,预测精度更高,其平均相对误差最小,较其他两种方法预测精度提高了10倍以上,表明该方法具有一定的可靠性和可行性。      

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

基于MIV-GA-BP模型预测烧结矿FeO含量

工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。     

基于BPNN和RNN模型的烧结矿质量预测方法对比及分析

针对钢铁烧结配料工序完成后烧结矿质量难以及时准确判断的问题,提出通过稳定焦炭配比,进而对全铁品位和碱度指标预测实现烧结矿质量控制。依据烧结生产特性,分别建立静态的BP神经网络(BP neural network,简称BPNN)和动态的Elman递归神经网络(recurrent neural network,简称RNN)模型应用于烧结矿质量预测。仿真试验表明,应用工业数据训练建立的静态BPNN预测模型预测精度高于Elman RNN模型。最终,采用BPNN建立的烧结焦炭配比、全铁品位、烧结矿碱度的预测模型预测精度分别达到77.5%、90.0%和82.5%。计算结果对烧结生产具有重要的指导意义。     

基于改进VMD和GA-BP神经网络的砂岩破裂过程预测方法

为提取有效的砂岩破裂声发射信号特征, 提高砂岩破裂过程预测精度, 提出一种基于改进变分模式分解算法(VMD)和GA-BP神经网络的预测方法。首先, 开展单轴压缩实验进行砂岩破裂试验, 并采集破裂过程的声发射信号; 其次, 为取得有效声发射信号, 从中提取出有效特征参数进行预测, 引入相关系数改进VMD算法并对原始声发射信号进行预处理, 提取信号能量特征参数作为模型的输入以便区分破裂过程; 最后构建GA-BP预测模型, 通过遗传算法(GA)优化BP神经网络的权值和阈值, 将信号能量作为样本用于预测模型的训练。结果表明, 通过引入相关系数可有效解决VMD算法中K值难以选取的问题, 对采集到的声发射信号进行有效去噪; 此外, 经GA算法改进后的BP神经网络预测模型能够准确预测破裂状态, 相较于改进前传统的BP神经网络模型稳定性更高, 收敛能力更好, 预测准确率提高17.5%。      

CFB锅炉燃烧系统预测模型及优化

通过BP神经网络和遗传算法对CFB锅炉的燃烧系统建立了GA-BP预测模型,该预测模型以飞灰含碳量和NOx排放为基础,利用遗传算法对以飞灰含碳量和NOx排放量为线性组合的条件下进行多目标寻优,并将研究结果在该CFB锅炉额定负荷条件下进行工业试验.试验结果表明:GA-BP锅炉燃烧预测模型能够较为准确地预测结果,多目标寻优后...     

基于神经网络的烧结终点预测模型

提出使用BP神经网络算法建立烧结工艺终点预测模型，并使用仿真手段对网络进行验证。BP神经网络预测模型可以在较短的时间内完成训练，预测结果与期望值误差小。仿真结果表明，该方法可以用于解决烧结终点预测问题，对烧结生产过程有良好的指导意义。     

基于GA-BP神经网络的铁水硅含量预测方法

长期以来在高炉炼铁过程中铁水硅含量一直作为代表高炉热状态的重要指数。然而由于高炉具有动态特性,内部化学反应十分复杂,是一个典型的黑箱模型,因此对高炉铁水硅含量进行实时预测十分困难。针对这一问题,利用遗传算法(Genetic Algorithm, GA)对传统BP(Back Propagation)算法进行改进,构建GA-BP神经网络预测铁水硅含量。首先将高炉炼铁过程中的13个参数(如风量、风压等)进行特征提取,并利用遗传算法全局搜索BP神经网络最优的初始权值和阈值,接着利用前向传播算法(Forward Propagation, FP)在三层神经网络中传递筛选出来的特征并计算出预测值,其中三层神经网络每层神经元个数分别为7、50、1。最终将铁水硅含量预测值与真实值进行误差分析,利用梯度下降(Gradient Descent, GD)的原理不断更新神经元的权重,直到预测值与真实值之间的误差达到所给定的阈值。相比于传统BP神经网络,GA-BP神经网络改善了BP神经网络权值、阈值难定,学习速度慢且易陷入局部最优等缺点。将某钢厂生产过程中实时采集到的数据经过预处理之后,输入到神经网络中进行训练并...     

基于RBF-BP混合神经网络的烧结烟气NOx预测

摘要：对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。     

基于机器学习的Cu-Ni-Co-Si合金固溶处理晶粒尺寸预测

Cu-Ni-Co-Si合金在固溶处理后的晶粒尺寸会影响其服役性能。采用3种不同的机器学习方法——BP神经网络、随机森林、长短期记忆网络,分别建立了Cu-Ni-Co-Si合金固溶温度和固溶时间对固溶后晶粒尺寸影响的机器学习预测模型。对比分析3种不同机器学习模型的预测精度,发现BP神经网络模型预测精度最高,其平均相对误差为8.55%。随后采用遗传算法优化BP神经网络。结果表明,所建立的BPGA模型平均相对误差比BP神经网络模型降低了6.47个百分点,其平均相对误差为2.08%,能够有效地为Cu-Ni-Co-Si合金固溶处理工艺参数的选择提供指导。     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

基于BP神经网络的烧结过程预报模型

根据烧结矿化学成分与烧结工艺的预报、控制特点,采用了BP神经网络方法建立了烧结矿化学成分的预报模型。仿真实验的结果表明,模型具有较高的预测精度和较强的自学习功能,用拓扑结构为15-21-4的BP神经网络和0.6×10~(-3)的网络误差进行训练,模型的预报命中率在75%以上,充分验证了基于过程参数控制的烧结矿化学成分预测模型的准确性和有效性。     

基于回声状态网络的转炉终点碳和温度预测

本文利用回声状态网络建立了转炉终点钢水碳含量和温度预测模型,并应用遗传算法优化其主要参数。选用某钢厂3座120t转炉的实测数据对该网络模型进行离线训练和仿真测试,结果表明回声状态网络模型比BP神经网络模型在预测精度上有所提高。这为开展转炉实时预测工作提供了方法指导。     

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.     

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。     

基于BP神经网络的转炉供氧模型研究

为了准确控制转炉静态吹炼过程的供氧量,研发了基于BP神经网络的转炉供氧模型。通过分析元素之间的化学反应确定影响转炉供氧量的主要因素,根据转炉历史炉次信息对神经网络模型进行训练,并通过加入动量项和采用变步长法对模型进行改进。通过仿真以及对实际值、静态模型预测值和神经网络预测值的均方差分析,表明该模型可以更加准确地预测和确定供氧量,并具有较好的计算精度和适应能力,最终可提高静态模型的控制精度与终点命中率。     

粒子群优化算法优化BP神经网络联合PID模型的烧结自动加水控制

针对烧结混合料自动加水控制的难点,尤其是在烧结配料过程中自动加水系统的大滞后、非线性、低稳定性问题进行了加水控制算法研究。采用内环和外环方案分别控制两级混合机加水,设计基于粒子群优化(particle swarm optimization, PSO)算法优化BP(back propagation)神经网络联合模糊PID控制模型以解决时变、非线性系统的局限性问题。通过PSO算法对BP神经网络进行训练优化以获得最优控制参数,将预测的烧结料水分加入模型参与下一步控制。考虑系统存在较大延时,Simulink仿真中同步加入延时环节。仿真结果表明,相比BP神经网络模型,PSO-BP预测模型的拟合性能更加优越;相比PID、BP-PID控制算法,PSO-BP-PID控制算法在超调量、响应时间以及震荡周期等指标上均有显著提高。经梅钢4号烧结机实际应用数据表明,相比传统PID控制,PSO-BP-PID控制平均误差下降约45.75%,控制标准差下降约62.72%,可以明显提高混合料水分控制的精准度、稳定性、敏捷性,提高烧结过程的稳定性。