基于神经网络的高炉铁水硅和硫含量预报模型

采用基于自学习的参考炉次法,建立了反应高炉炉温和铁水质量的预报模型,对炼铁过程铁水硅含量和硫含量进行预报,建立了基于BP神经网络的高炉铁水硅含量和硫含量预报模型。用国内某高炉的生产数据进行模型训练,经预报结果数据验证,想要通过现有直接获取的高炉参数很难准确同时预报铁水硅含量和硫含量,但基本能准确预报铁水硫含量的变化趋势。     

基于神经网络的高炉铁水硅含量预报模型的研究

根据RBF神经网络具有收敛速度快和全局优化的特点,建立了RBF网络模型,并将其应用对高炉铁水硅含量预报。监于铁水硅含量与炉缸温度之间的密切相关性,通过铁水硅含量来间接地反映炉内温度变化。采用MATLAB中的Newrbe函数进行函数逼近,对高炉一段连续时期内正常生产的数据的归一化处理后进行训练和仿真,提高了铁水硅含量预报的命中率。高炉冶炼运用先进的RBF人工神经网络预报模型,能预报铁水硅含量的高低,判断炉温走势,实现炉温调控,有利于节能降耗,并可监测多个主要控制对象,为高炉操作提供指导。     

高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。     

基于支持向量机的铁水硅含量的预测

为了准确预测高炉炼铁过程的硅含量,分析了高炉工艺参数对高炉铁水硅含量的时序性影响,以支持向量机理论为基础构建了2类铁水硅含量预测模型,即硅含量模型和硅变化量模型。利用首钢迁钢3号高炉铁水硅含量数据进行模型测试,测试结果表明2类模型预测命中率均可达到80%。     

基于粗糙集理论与神经网络的铁水硅含量预测

高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简,得到优化的输入集,结合BP(back propagation)神经网络实现高炉硅含量的预测。同时,针对炉况波动较大情况下神经网络模型预测误差大的问题,建立波动知识库,利用kNN(k-Nearest Neighbor)算法匹配识别波动炉况,对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证,该方法在预测误差为±0.1%以内时预测命中率达到91.74%,可为高炉操作者判断炉况提供参考。     

基于粗糙集理论与神经网络的铁水硅含量预测

摘要：高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简,得到优化的输入集,结合BP(back propagation)神经网络实现高炉硅含量的预测。同时,针对炉况波动较大情况下神经网络模型预测误差大的问题,建立波动知识库,利用kNN(k Nearest Neighbor)算法匹配识别波动炉况,对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证,该方法在预测误差为±0.1％以内时预测命中率达到91.74％,可为高炉操作者判断炉况提供参考。     

基于大数据的高炉炉温监测预警系统

随着新一轮产业变革和技术革命的兴起，钢铁制造业正在由高碳向低碳、由低端向高端转型升级。为实现高效率、低能耗、长寿命、低污染的综合目标，现代炼铁工艺逐渐趋于绿色化、智能化。高炉为一个非线性、大时滞的黑箱化系统，高温高压的环境使得高炉炉温的测量和控制都不易实现。利用铁水硅含量、铁水温度与高炉炉温的正相关性，建立基于大数据分析的铁水硅含量以及铁水温度预测模型，间接实现对炉温的预测。首先，利用经过异常值、缺失值以及归一化处理后的高炉标准数据数据集，通过多角度的相关性分析方法完成对模型输入变量的选取；然后，通过模型综合对比，建立基于Adaboost模型的铁水硅含量、铁水温度预测模型；最后，结合计算机技术建立高炉炉温监测预警系统。该系统的应用不仅有效解决了传统冶炼工艺带来的弊端，而且能起到延长设备生命周期、提前预测炉况走向等作用，有效推动了高炉智能化转型。     

基于时间序列的神经网络高炉炉温预测

稳定的炉温是保证高炉顺行、提高生铁质量和实现节能降耗的必要条件。针对高炉炉温与铁水硅质量分数及铁水温度之间存在的相关关系,利用某钢铁厂高炉的在线生产数据,构建一种双输出神经网络炉温预测模型,同时预测铁水硅质量分数和铁水温度,以便更加全面地预测炉温;同时,深入研究炉温时间序列对该模型性能的影响,确定较好的时间序列,建立基于时间序列的炉温预测模型。仿真结果表明,模型预测精度大大提高,可为高炉操作人员决策提供可靠依据。     

高炉铁水含硅量预报自适应数学模型的研制与试验

本文介绍了应用自适应原理跟踪高炉炉温变化的铁水含硅量预报自适应数学模型。模型由两部分组成,自适应主模型和专家系统子模型。应用该模型的铁水含硅量实时预报计算机系统已在鞍钢9号高炉试运行,效果良好,连续764炉的统计表明,预报命中率达82.3％。     

基于数据的高炉铁水硅含量预测

针对铁水硅含量无法直接在线检测的问题,提出了一种基于优化极限学习机的高炉铁水硅含量数据驱动预测模型,该模型利用差分进化算法的全局寻优能力来优化极限学习机的输入权值和隐元偏差,在此基础上建立了基于差分进化算法优化极限学习机(DE-ELM)的高炉铁水硅含量预测模型。所建模型对高炉炉温的实际调控具有较好的指导意义。     

基于分布式神经网络模型的高炉炉温预测建模

高炉炼铁通常采用铁水Si含量间接反映炉温的变化,模型预测精度低。以影响炉温的6个变量为输入变量,采用基于自组织的分布式RBF神经网络模型分别对铁水温度和铁水Si含量建立预测模型,先用自组织神经网络划分输入输出样本空间,然后对每个子空间建立RBF神经网络子网模型,再使用子网模型对测试样本集的同一个样本点进行预测,并以测试样本点对每一子空间的隶属度为权值,对子网预测值进行加权求和,得到最终预测值。对比使用同一输入变量数据的铁水温度和铁水Si含量的预测模型命中率,研究表明,高炉铁水温度的命中率更高,具有更好的炉温预测效果。     

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。     

高炉铁水质量信息在线检测方法综述

高炉铁水质量信息包括铁水温度和铁水成分(硅、磷、硫、锰等),是表征产品质量、能耗水平以及炉温状态的重要参数。高炉铁水具有温度高、辐射强、渣铁混合、多种成分并存且含量差别大等特点,其出铁过程处于间歇性随机分布的粉尘和强振动等恶劣环境中,使得铁水质量信息在线直接获取困难,造成铁水质量精细化调控盲目。因此,实时在线地获取铁水质量信息对提升产品质量和保障高炉稳定顺行具有重要意义。本文主要聚焦于铁水质量信息在线检测和在线预报方法的研究现状,具体包括接触式和非接触式的铁水温度在线检测方法、基于机理分析和数据驱动的铁水温度在线预报方法,基于仪器分析的铁水硅含量在线检测方法、基于机理分析和数据驱动的铁水硅含量在线预报方法,分析了现有方法的优缺点,并展望了智能制造和工业大数据背景下的铁水质量信息智能感知的相关研究方向。     

贝叶斯网络在高炉铁水硅含量预测中的应用

应用贝叶斯网络对高炉铁水硅含量进行预测。首先阐述了贝叶斯网络的数学描述,在此基础上给出贝叶斯网络预测公式的一种简化形式。然后建立高炉铁水硅含量的贝叶斯网络预测模型,对山东莱钢1 号高炉在线采集的2 000炉数据进行网络学习,离线预测取得了较好的效果。与神经网络等其他方法相比,它更适合解析高炉过程,而且透明的推理过程对高炉工长判断炉温变化趋势具有指导意义。     

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。     

高炉铁水硅含量变动量调控决策的智能推荐模型及应用

为了保证高炉炉况顺行,提高高炉热制度调控质量,深刻理解铁水硅含量变动量的动力学,以冀南地区某钢铁联合公司3号高炉为研究对象,研究铁水硅含量变动量的波动机理。量化表征降低铁水硅含量变动量的6大决策空间,通过单变量估计方法和复相关系数联合估计方法的对照分析,优选可以兼顾决策变量间耦合协同性的联合估计方法,确定铁水硅含量变动量调控决策变量的响应时间,消除变量间的时滞性;通过Hopfield神经网络、Boltzmann神经网络与Elman神经网络算法的对照分析,优选具有记忆功能的Elman神经网络算法,兼顾变量时序特征,确定变量间的耦合非线性关系,构建高炉铁水硅含量变动量智能预报模型。基于铁水硅含量变动量最小为目标,构建调控决策智能推荐模型;通过遗传算法(GA)和进化策略算法(ES)的对照分析,优选变异程度自适应变化的ES算法,智能求解推荐模型,快速获取最优的维持铁水硅含量变动量最小的调控决策。研究结果表明,响应时间估计算法对照验证了多决策变量联合估计响应时间,产生的样本集兼顾了决策变量间的耦合协同性;预报算法对照验证了Elman神经网络的优越性,目标算法构建的预报模型命中率达到94.10%;...     

梅山3号高炉（1250m^3）铁水硅含量在线预报

通过对影响高炉铁水硅含量的各变量分析和分类,在初步判断炉热发展趋势的基础上预报高炉铁水硅含量.用本模型在线预报梅山三号高炉铁水硅含量,预报结果表明当允许误差为±0.1%时的命中率达到81.67%,在没有炉顶煤气连续分析装置的条件下取得了较好的效果.     

应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量

应用混沌粒子群优化(Chaos Particle Swarm Opti mization,CPSO)算法训练BP神经网络(Back-Propagation Neural Network,BPNN)并对高炉铁水含硅量进行预报。针对BP神经网络收敛速度慢和易于陷入极小值的问题,在粒子群优化算法中引入混沌思想,提出混沌粒子群优化算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度。系统分别选用料速、透气性指数、炉顶温度、风温、风量、喷煤量、上一炉铁水硅含量作为BP神经网络的输入层神经元,中间层(隐含层)有13个结点(用经验公式确定),输出层有一个结点,为铁水硅含量。应用CPSO算法训练BP神经网络建立的铁水含硅量预报模型对江苏永钢炼铁一厂1号高炉铁水含硅量的实际数据进行网络学习和预报。结果表明,此模型预报命中率高达91.2%,证明了方法的有效性。     

基于T-S模糊神经网络模型的高炉铁水温度预测建模

 针对高炉炉温与铁水硅含量呈正相关而非严格的线性关系和机制建模的主观性以及其难以建立各变量之间隐含的数学关系等的不足,在数据挖掘理论的基础上,对海量的样本数据进行预处理和特征提取,然后以高炉铁水温度为研究对象,建立了基于T-S模糊神经网络的高炉铁水温度预测模型。最后,应用某高炉数据进行模型验证,并将该模型与T-S模糊多元回归模型以及BP神经网络模型进行比较研究,仿真结果表明T-S模糊神经网络模型的有效性和优越性。     

神经网络在梅山高炉铁水硅含量预报中的应用

对高炉铁水硅含量预报的统计模型、神经网络模型和神经网络方法加统计方法的综合模型三种预报模型作了对比 ,结果表明 :用神经网络方法和统计模型综合预报的效果较好 ,离线模型预报结果± 0 .1命中率达到 86 .6 7 ,为高炉铁水硅含量预报引入神经网络方法的实现提供了实例