基于信息融合算法的LF炉钢水温度预测

LF炉钢水温度的控制对钢的质量和连铸操作的顺行都很重要,而LF炉钢水温度的预报是LF炉钢水温度控制的前提。针对LF炉冶炼过程中物理化学反应过程及传热过程的复杂性,以宝山钢铁股份有限公司300 tLF炉为研究对象,在分析了影响LF炉钢水温度的主要因素的基础上,应用基于BP神经网络的信息融合算法,开发了用C语言编写的预测程序,预测了LF炉的钢水温度。实验表明,此算法可以提高预测的速度和精度,预测结果为误差不大于±5℃的炉次大于90%。     

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PCA-BP神经网络的LF精炼终点温度预测

为提高LF精炼钢水终点温度控制水平，提出了基于主成分分析（PCA）和BP神经网络的联合方法预测LF钢包炉精炼钢水终点温度。基于冶金理论和实际生产实践，选取了42CrMo钢生产过程的10个对终点温度有显著影响的因素作为预测模型的指标体系，然后借助主成分分析法对样本数据进行处理，得到了7个主成分变量，累计方差贡献率为87.24%，消除了数据之间的关联性，以此为基础，建立了基于PCA-BP神经网络的LF炉终点温度预测模型，该模型预测误差在±25℃时，模型的命中率为98.71%，模型有较好的识别能力，能够达到LF炉生产过程预测终点温度的目的。     

LF精炼终点钢水温度灰箱预报模型

LF精炼工序在炼钢过程起着调节温度的关键作用,准确预报LF精炼终点钢水温度对实际生产有重要意义.传统的LF精炼预报模型包括机理模型与黑箱模型.机理预报模型能够体现各工艺因素对终点钢水温度的影响,但由于LF精炼传热机理研究尚不完善,依靠机理模型预报终点钢水温度,难以达到预期效果;黑箱预报模型能够准确预报终点钢水温度,但不能反映精炼过程各工艺因素对钢水温度的影响,尤其当生产工艺条件发生改变时,黑箱模型在应用上会受到限制.本文以方大特钢LF精炼炉为研究对象,建立一种机理预报模型与黑箱预报模型(BP神经网络预报模型)相结合的LF精炼终点钢水温度灰箱预报模型.该模型既能反映各工艺因素对终点钢水温度的影响,又能准确预测终点钢水温度,其终点钢水温度预测误差在±5℃以内的命中率可以达到95%以上.      

基于神经网络的转炉冶炼终点锰、磷静态预测算法

在国内重工业领域中,很多钢铁企业所采用的转炉大部分为最小型的转炉,由于容量有限无法对转炉冶炼结束时的锰、磷进行静态预测,进行影响了冶炼的精度。然而,传统算法用于实现锰和磷的冶炼终点。因此,充分利用最近开发的人工神经网络技术,基于Visual Basic编程语言,神经网络模型用于预测转炉冶炼结束时的锰和磷状态。针对半钢炼钢分开建立锰、磷含量、温度预测模型,确定输入层参数有37个,中间隐藏层参数有30个,输出层参数有两个3层BP神经网络。模型在30 000炉样本的基础上做数据训练,对权值、阈值进行修正,并保存100炉未训练过的学习样本作为模型网络训练依据,对转炉冶炼进行在线训练,通过训练的模型可以很好的适应转炉冶炼多变的生产条件。     

LF钢包炉精炼终点钢水温度的预报模型

采用多元回归分析方法建立了宝钢一炼钢厂LF钢包炉精炼终点钢水温度的预报模型，应用该模型对LF精炼终点钢水温度进行预测，对预测结果进行了统计分析，结果表示该模型对LF钢包炉精炼终点温度的预测误差在＋10℃时的命中率达到95％。     

涟钢LF精炼温度变化研究

采用多元回归分析方法建立了涟钢210转炉厂LF钢包炉精炼终点钢水温度的变化模型,应用该模型对LF精炼终点钢水温度进行预测,对预测结果进行了统计分析,结果表明该模型对LF钢包炉精炼终点温度的预测误差较小,能对现场产生指导意义。     

转炉终点冶炼合金化技术

转炉终点冶炼合金化是LF炉冶炼降低成本的关键。主要影响因素有：温度、钢水氧化性、碳、硫、磷含量和出钢下渣量。     

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炉精炼电耗控制分析与策略

结合现场生产实践和对数据统计进行分析,查找出影响LF炉精炼电耗高的＂顶渣、初始钢水温度、待精炼时间、精炼渣系、精炼挡位和电流选择及精炼设备＂主要因素,通过在冶炼、钢包、精炼、连铸、设备、生产协调六个环节实施改进措施,LF精炼吨钢电耗比最初降低了6.664（k W·h）/t。     

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。     

End Temperature Prediction of Molten Steel in LF Based on CBR

In order to improve the temperature control level of molten steel in ladle furnace (LF), a case‐based reasoning (CBR) method has been proposed for predicting end temperature of molten steel in LF. To predict the temperature accurately and efficiently, this paper develops two‐step retrieval approach and the correlation based feature weighting (CFW) method for CBR. And, the study evaluates the prediction effect of CBR method by the experiment of comparison with back propagation neural network (BPNN) model and CBR model. Experimental results show that CBR model achieves better accuracy than BPNN model and the CBR method is effective to predict end temperature of molten steel in LF.     

Hybrid Modeling for Soft Sensing of Molten Steel Temperature in LF

 Aiming at the limitations of traditional thermal model and intelligent model, a new hybrid model is established for soft sensing of the molten steel temperature in LF. Firstly, a thermal model based on energy conservation is described; and then, an improved intelligent model based on process data is presented by ensemble ELM (extreme learning machine) for predicting the molten steel temperature in LF. Secondly, the self adaptive data fusion is proposed as a hybrid modeling method to combine the thermal model with the intelligent model. The new hybrid model could complement mutual advantage of two models by combination. It can overcome the shortcoming of parameters obtained on line hardly in a thermal model and the disadvantage of lacking the analysis of ladle furnace metallurgical process in an intelligent model. The new hybrid model is applied to a 300 t LF in Baoshan Iron and Steel Co Ltd for predicting the molten steel temperature. The experiments demonstrate that the hybrid model has good generalization performance and high accuracy.     

LF炉钢水成分预报模型的建立及应用

宣钢LF炉钢水成分预报模型,通过机理模型算法,准确、快速地提供了精炼过程中钢水成分的实时预报,减少了精炼通电时间和测温次数,提高了精炼生产效率;充分发挥了LF炉优质、低耗、低成本的优势,保证了连铸生产的顺行.     

Hybrid Model of Molten Steel Temperature Prediction Based on Ladle Heat Status and Artificial Neural Network简

Aiming at the characteristics of the practical steelmaking process, a hybrid model based on ladle heat sta- tus and artificial neural network has been proposed to predict molten steel temperature. The hybrid model could over- come the difficulty of accurate prediction using a single mathematical model, and solve the problem of lacking the consideration of the influence of ladle heat status on the steel temperature in an intelligent model. By using the hybrid model method, forward and backward prediction models for molten steel temperature in steelmaking process are es- tablished and are used in a steelmaking plant. The forward model, starting from the end-point of BOF, predicts the temperature in argon-blowing station, starting temperature in LF, end temperature in LF and tundish temperature forwards, with the production process evolving. The backward model, starting from the required tundish tempera- ture, calculates target end temperature in LF, target starting temperature in LF, target temperature in argon-blo- wiag station and target BOF end-point temperature backwards. Actual application results show that the models have better prediction accuracy and are satisfying for the process of practical production.     

基于神经网络的真空感应炉终点钢水温度预报

针对真空感应炉生产过程中温度测量成本较高及精度较差等不足,建立了基于RBF神经网络的真空感应炉终点钢水温度预报模型。对输入参数作了详细的分析、筛选,并运用聚类算法对该模型进行了训练。结合现场数据进行了学习和预报,预报命中率较高,表明采用该方法可很好地预报钢水温度。     

基于数据驱动的转炉二吹阶段钢水温度动态预测模型

转炉钢水温度是转炉终点控制的工艺参数之一,精确的钢水温度预测对转炉终点控制具有重要的指导意义。然而,以往的大多数转炉终点预测模型属于静态模型,只能够实现对转炉吹炼终点钢水温度的预测,无法实现动态预测,导致模型的作用有限。针对该问题,提出了一种基于数据驱动的转炉二吹阶段钢水温度动态预测模型。模型先通过新案例主吹阶段的工艺参数,基于案例推理算法找到历史案例库中相似案例。再利用相似案例的二吹阶段工艺参数并基于长短期记忆网络（Long short-term memory,LSTM）算法训练工艺参数与钢水温度的变化关系。然后利用训练好的LSTM模型,计算新案例二吹阶段的钢水温度变化。最后,利用某钢厂实际生产数据,研究了不同重用案例个数及神经元个数对模型预测精度的影响,实验结果表明:模型在重用案例个数为4,神经元个数为10时模型的预测精度最高,此时模型对钢水温度的预测误差在[?5 ℃, 5 ℃]、[?10 ℃,10 ℃]和[?15 ℃,15 ℃]的命中率分别达到40.33%、68.92%和88.33%,模型的性能高于传统二次方模型和三次方模型。      

BOF→LF→CC流程钢水温度预报

针对炼钢连铸流程的工艺特点和生产数据,建立了基于BP神经网络的"BOF→LF→CC"流程钢水温度预报模型。通过相关性分析筛选模型变量,利用五数概括法筛选数据,采用LM优化算法改进BP神经网络,利用生产数据对模型进行了训练和测试。并用Java语言开发了钢水温度预报模型的程序,在某钢厂进行了应用。结果表明,各区段钢水温度预报模型的预报命中率基本可以满足生产的要求。     

LF炉精炼合金化模型开发及应用

通过建立稳定的顶渣控制工艺、确定合理的钢种分类、设计合理的模型结构,开发了具备自动计算功能的LF炉合金化模型,实现了与ERP生产数据实时通讯,具备自学习功能。模型应用后,LF炉目标成分合格率提高了4.6%,合金化时间平均缩短3.2 min。