基于神经网络的烧结矿化学成分超前预报

本文利用前馈神经网络，建立了烧结矿化学成分超前预报的模型；通过对现场实际运行数据分析表明，预报模型具有良了的预报结果和实际应用前景。     

基于神经网络的烧结矿化学成分自适应预报系统的开发

将多层前向人工神经网络应用于烧结矿化学成分预报，改进后的BP算法可以实现网络结构的自组织。应用该技术开发的烧结矿化学成分自适应预报系统能够快速，准确地预报烧结矿的化学成分，可用于在线操作指导或作为自动控制的依据。     

基于BP神经网络的VD过程温降预报模型

建立了基于BP神经网络的VD过程温降预报模型,利用五数总括值法和聚类分析法进行了BP神经网络输入数据的预处理,采用MINITAB软件确定了影响VD过程温降的主要因素为抽真空时间、保压时间、吹氩时间、非真空时间和钢水进VD过热度。利用245罐数据作为训练数据、50罐作为验证数据对模型进行了验证,结果表明:模型计算偏差在±5℃范围内的比例达到88%。     

基于自适应遗传神经网络的烧结矿化学成分超前预报模型

提出了自适应遗传神经网络模型预测烧结矿化学成分的方法，用实际烧结生产数据对模型进行训练，并用该模型对烧结矿化学成分进行预报，仿真结果表明。该模型取得了很好的预测效果。     

基于BP神经网络的大方坯质量在线预报模型

在对铸坯质量缺陷类型及其主要影响因素分析总结的基础上,确定以特殊钢大方坯常见的中间裂纹、中心裂纹和中心偏析为研究对象,利用BP神经网络建立了该3种典型缺陷的预测模型.基于冶金理论和连铸生产大量历史数据的统计分析,提炼出影响以上3种内部缺陷的20个主要工艺参数,进而提出20-15-3的预测模型网络拓扑结构.采用生产现场数...     

基于神经网络预报的烧结矿化学成分控制专家系统

采用带动量项的线性再励自适应变步长BP神经网络算法,建立了基于多周期运行模式的烧结矿化学成分预报模型;使用基于数据库技术的知识库和正向推理的推理机,开发了化学成分控制专家系统.系统自投入运行以来,预报模型命中率稳定在90%以上,操作指导建议采纳率达到92%,实现了对烧结矿化学成分的稳定控制.     

基于LM算法BP神经网络的高炉-转炉界面铁水温度预报模型

通过研究高炉-转炉界面铁水运输过程温度的主要影响因素,确定了影响高炉-转炉界面铁水运输过程温度的参数,建立了基于Levenberg-Marquardt (LM)算法BP神经网络的高炉-转炉界面铁水温度及铁水过程温降的预报模型.用沙钢100包铁水数据进行模型训练,50包铁水数据进行现场预报,结果表明:在高炉-转炉界面“一包到底”模式下,当绝对误差| X |≤20℃时,铁水温度命中率为94％,铁水温降命中率为78％;当绝对误差|X|≤40℃时,铁水温度命中率为100％,铁水温降命中率为92％,该预报模型能够满足现场实际生产需求,对炼钢生产有很好的指导意义.     

基于BP神经网络钒钛烧结矿低温还原粉化性能预测

为了改善钒钛烧结矿的低温还原粉化性能,将BP神经网络算法应用于钒钛烧结矿低温还原粉化性能预测中,指标数据的样本分为输入样本和输出样本,其中:输入样本为配碳量、碱度、w(Mg O)以及FMG粉配比,输出样本为钒钛烧结矿RDI+3.15,运用BP神经网络算法探索输入样本与输出样本间的关系。结果表明:BP神经网络模型适用于烧结矿还原粉化性能的研究,可以根据输入样本有效的预测输出样本,且平均相对误差为5.7%,满足工程实践中预测精度的要求,为钒钛烧结矿生产提供了指导。     

基于BP神经网络和回归的脱硫粉剂预报模型

分析了铁水脱硫时铁水温度、铁水量、初始硫含量、脱硫后硫含量对镁粉耗量的影响,表明:随铁水温度增加镁粉耗量随之增加;随脱硫后硫含量的降低,镁粉耗量明显增加且增幅逐步扩大,为降低成本,脱硫深度应控制合理。为确定合适的粉剂用量,建立了基于BP神经网络和回归的铁水脱硫粉剂预报模型,其中BP神经网络模型是粉剂模型的主输出,回归模型用于限定输出范围。铁水脱硫粉剂预报模型已实现了在线控制,无需人工干预,达到了较好的应用效果。当偏差区间为[-0.001 5%,0.001 5%]时,脱硫后硫含量的符合率为90.85%,可有效实现脱硫后硫含量的控制。     

攀钢高速重轨神经网络性能预报模型研究

提高重轨钢的性能控制能力对其产品质量保证有重要作用.采用神经网络方法建立了重轨生产性能预报模型,并通过模型结构优化提高了模型预报的可靠性.通过模型自检、历史数据检验和离线应用,表明高速重轨的抗拉强度与伸长率预报命中率较高,可基本满足生产要求.     

BP改进算法神经网络的保护渣性能预测模型

采用混料回归设计原理设计试验保护渣组成。以试验为基础,针对常用BP算法的不足采用动量因子与自适应学习速率相结合的BP改进算法建立神经网络保护渣性能预测模型。研究结果表明该模型预测精度高,适用组元多、成分变化范围大;对保护渣的性能预测取得了较好的效果,能为保护渣设计提供理论指导。     

基于主成分分析的BP神经网络模型在铁矿产地溯源中的应用

铁矿在国家工业生产中占有重要地位,不同产地的铁矿在品质、有害元素含量上存在差异,为了提高海关对进口铁矿是否存在瞒报产地、以次充好等潜在风险的识别预警能力,尝试借助人工智能的方法来解决。以澳大利亚、巴基斯坦、巴西、南非、乌克兰和印度6个国家进口的共1 072批铁矿样品为研究样本,依据国家标准、行业标准对Hg、F、Cl、S、全铁(TFe)、SiO₂、Al₂O₃、P、H₂O、烧失量(L.O.I)、K₂O、TiO₂、MgO、CaO和Mn等15个指标进行检测。通过主成分分析提取了5个有效的主成分,累计方差贡献率为77.481%。以主成分分析提取的5个主要因子作为神经网络的输入指标,6个不同原产地作为输出指标,随机选取1 072组检测数据中的80%作为训练集,用以建立分析模型;剩下的20%作为验证集,用以验证模型的预测准确度,验证集识别准确率为100%,能够实现对6个国家铁矿原产地的准确识别。该模型的建立将直接应用于进口铁矿的产地鉴别,支撑进口铁矿的风险监管,维护贸易秩序,保障贸易便利。     

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%。     

运用BP人工神经网络方法构建碳钢区域土壤腐蚀预测模型

通过测量大庆地区区域土壤的理化性质以及碳钢的短期腐蚀数据,分析土壤传质过程的逻辑关系,构建了碳钢短期土壤腐蚀预测模型.通过用该模型在BP人工神经网络中进行学习、训练及模拟,并与现场碳钢埋片腐蚀实验结果对比,进一步验证了腐蚀模型的合理性.结果表明:含水量、空气容量、pH、Cl^-含量、SO₄^2-含量和可溶盐总量六种土壤环境参数为影响区域土壤中碳钢腐蚀的主要因素;运用基于Matlab平台的人工神经网络,通过不断地积累土壤腐蚀信息,多次训练后可以建立起稳定性好、泛化能力强的土壤腐蚀预测模型,能较好地预测了大庆地区碳钢在土壤中的腐蚀速率.     

基于模糊聚类的BP神经网络模型预报中厚板轧制力

以实测数据为基础,在中厚板轧制设定中采用BP神经网络的方法取代传统的轧制力数学模型,并对神经网络输入项和训练样本进行分析,将传统轧制力模型的自学习过程引入神经元网络用于轧制力预报,改善预报精度.采用模糊聚类分析方法,科学选取学习样本,解决了由于样本多学习速度慢的问题.通过在线数据分析,可知这种方法对轧制力的预报精度有很大改善,而且神经元网络的结构也得到简化.此方法可以作为神经元网络应用的一个拓展.     

基于BP神经网络的黄金价格非线性组合预测模型

对黄金价格进行预测时,单一模型往往难以全面反映黄金价格的变化规律.为了更有效地利用各模型的优点,将不同的预测模型进行组合可以产生更好的预测效果.利用BP神经网络对单一模型进行非线性组合,建立了黄金价格的非线性组合预测模型.实证研究结果表明,非线性组合模型的预测精度高于被组合的单一模型和不具有协整关系的线性组合模型.     

CVRD和印度高品位粉矿配比对烧结矿质量的影响

通过不同进口粉矿配比的烧结实验室试验,研究并找出了巴西CVRD粉矿和印度高品位粉矿的最佳配入量以指导生产,提高烧结矿的质量.     

基于BP神经网络的黄金价格非线性预测

针对黄金价格的非线性特征和神经网络的自身特点,利用BP神经网络建立了黄金价格的非线性预测模型。实证研究结果表明,BP神经网络模型具有较好的预测精度,可以为黄金投资和宏观经济决策提供一定的参考依据。     

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。