铁矿石烧结工艺参数优化模型的设计与应用

在分析配矿方案、工艺参数、产、质量指标三者相互关系的基础上，提出了两种优化烧结工艺参数的数学逻辑模型，即网络输出参数优化模型和网络输入参数优化模型．通过神经网络建模，比较建模结果，网络输入参数优化模型的效果更好．在神经网络模型的基础上结合遗传算法求解网络输入参数优化模型，计算出最佳的工艺参数．模型通过应用，不仅降低了烧结能耗，而且提高了烧结矿的产、质量，验证了模型的有效性和实用性．     

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.     

转炉终点氧含量预报模型

建立了两种转炉炼钢终点氧预报模型。即数学统计模型和神经网络模型。数学模型采用多元线性回归方法建模,该模型简单、可视,但预报效果不理想,预报误差小于80×10-6,命中率仅为72.7%。神经网络模型在选取适当输入参数的基础上,通过对现场生产数据进行训练,求得合理优化的网络权重,可对转炉终点氧含量进行离线预报,该模型的预报结果较好,预报误差小于80×10-6时,预报命中率超过86.4%。     

基于神经网络的热轧产品性能预报与参数优化

以实际生产数据为基础,建立热轧产品性能预报神经网络模型;通过BP网络实现逆映射,建立工艺参数设计的神经网络模块.试验结果表明,产品性能神经网络模型与工艺参数优化神经网络模型十分可靠,为解决热轧产品性能预报与工艺优化设计问题提供科学的途径.     

基于正交设计与BP神经网络优化制备纳米WC-MgO复合粉末

为获得晶粒尺寸较小的纳米复合粉末,运用正交实验设计结合BP神经网络优化球磨工艺参数。以磨球直径、球磨转速和球料比为正交实验设计因子,每个因子各取4个水平,以WC-MgO复合粉末的晶粒尺寸为目标因子,编制3因素4水平正交设计表。结合BP神经网络强大的自学习和函数拟合功能,以正交设计表中3因素为网络输入层,以晶粒尺寸为网络输出层,建立BP神经网络优化模型,并通过该模型进行预测和优选,得到最佳的高能球磨工艺参数。     

铜闪速熔炼过程操作参数预测模型及应用

基于某厂实际铜闪速熔炼工艺和控制过程,对神经网络模型在铜闪速熔炼过程在线控制进行了研究。在分析影响溶剂率、熔炼氧单耗、反应塔总风量操作参数因素的基础上,提出一种基于BP神经网络的操作参数的预测方法,分别建立了输入向量只包含主要元素和考虑杂质元素的BP神经网络模型。网络的训练和测试结果表明,两种神经网络的输出值与实际值的最大相对误差均小于1.0%,输出值与实际样本值吻合得较好,模型输入参数中包括杂质元素时具有更高的计算精度。     

基于ANFIS的烧结终点预测

提出了一种基于ANFIS的烧结终点预测模型,该模型采用减法聚类来确定隶属度函数的中心,接着采用正交最小二乘参数辨识对神经网络进行训练.由于影响烧结终点的因素较多,若要全部考虑到可能会引起神经网络输入的维数灾,文中首次采用了主成分分析法来减小ANFIS输入维数,避免出现维数灾.通过现场采集的数据,对该模型进行了仿真.实验...     

基于均匀设计和主成分分析的粘结NdFeB永磁体制备工艺优化研究

基于牯结NdFeB永磁体制备工艺优化实验,针对普通反向传播神经网络(BPNN)方法在预报建模中普遍存在"过拟合"和泛化能力差的问题,从优化实验方案、减少输入层节点数两个角度,结合均匀设计软件和主成分分析方法,提高训练样本的分布均匀性、"主动"改善网络结构,建立了一个粘结NdFeB永磁体制备工艺优化的2-5-3型BPNN预测模型.研究结果表明,改进的BP神经网络模型对BrHcj及(BH)m预测的相对误差的最大值分别为1.83%,1.28%和1.53%,较之传统的模型,泛化能力显著提高,网络预测也比较稳定,具有很好的实用性.     

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。     

对角递归神经网络在82B钢力学性能预估中的应用

 神经网络应用于系统建模时要考虑两个关键问题：一是采用的神经网络类型;二是当神经网络类型确定以后,确定网络的输入向量,这两个问题是紧密关联的。相对于BP神经网络收敛太慢,具有泛化能力的缺点,DRNN网络(对角递归神经网络)能实现动态非线性映射,具有记忆功能,可以追踪模型的变化,具有更好的预测效果。首先用关联规则方法挖掘出一些与质量指标有关的工艺条件,再结合现场工人的实际经验,找到模型的输入输出,再运用DRNN对82B钢进行建模和优化,取得了很好的预测效果。