基于改进长短期记忆神经网络的钢铁企业电力负荷预测方法

钢铁企业的用电负荷受企业生产工况影响较大,区别于传统区域电网的电力负荷预测,其用电负荷不受季节气候的影响,具有用电负荷高、用电波动大、工序变化瞬时冲击性强、扰动强等特点。针对上述特点,将基于长短期记忆神经网络(long short-term memory, LSTM)的序列对序列(sequence to sequence, Seq2Seq)模型应用到电力负荷预测中,提出了LSTM-Seq2Seq负荷预测模型,以解决模型训练时LSTM模型产生的较为严重的过拟合现象。为了避免参数更新时的大幅震荡和更新速度过慢的问题,优化方法采用Adadelta方法。利用某钢铁企业实际负荷数据进行测试,LSTM-Seq2Seq模型准确率能达到97.94%。实验结果表明,本文提出的方法能够提高电力负荷预测精度,提高钢铁企业运行的安全性,降低生产运行成本。     

氧气炼钢领域的里程碑和挑战

回顾了氧气炼钢工艺的发展历程和10个里程碑事件,描述了自热式转炉、吹氧强度达5m3/(t·min)的高速转炉以及采用添加煤、二次燃烧和废钢比可达50%的他热式转炉,给出了相应的操作结果。介绍了一种基于铁水和铬矿的新工艺路线,304钢的生产成本可节省100美元/t以上。归纳了电弧炉和氧气转炉的结合并比较了二者的脱碳速度,介绍了优化电弧炉用氧的精炼烧嘴。展望了全球氧气炼钢的灵活性和发展前景。     

基于因果关系的CBR模型用于转炉炼钢静态控制

转炉炼钢吹炼过程的控制主要包括供氧、造渣和底吹等工艺操作,吹炼过程控制的稳定性直接影响着终点钢水的质量. 传统的静态控制模型以物料平衡和热平衡为基础获得吹炼过程工艺操作模式,未考虑以原料为主的标量型数据和以工艺参数为主的时序型数据之间的强耦合关系,导致传统静态模型的可靠性不高,需要依靠人工经验来调整工艺参数. 为解决上述问题,提出一种基于改进自编码器的转炉炼钢工艺模式提取方法,该方法以自编码器为基础结构,使用全连接模块、长短期记忆网络模块、一维卷积模块和批量K-Means模块建立聚类模型,并联合聚类损失函数和重构损失函数实现模型的训练,获得原始高维数据在低维特征空间所对应的隐藏向量;在此基础上,利用隐藏向量完成聚类;最后,在属于不同聚类类别的数据中,寻找离各个聚类中心最近的样本,将最近样本的供氧、造渣和底吹工艺操作作为该类样本的工艺操作模式. 利用转炉炼钢生产过程实际数据验证了所提方法的有效性,使用标量型数据和提取的工艺模式数据预测终点碳温,终点碳的质量分数在±0.02%误差范围内的平均命中率为95.06%,终点温度在±20 ℃误差范围内的平均命中率为91.48%,在终点碳的质量分数±0.02%、温度±20 ℃误差范围内的平均双命中率为90.80%.

     

100t转炉氧枪的优化设计

以水钢100t转炉氧枪为研究对象,利用氧枪设计经典理论,结合水钢生产工艺,通过设计计算研究得,水钢氧枪在提高转炉冶炼节奏,缩短供氧时间,提高供氧强度方面已不能满足生产的需要。为此,研究以氧枪设计经典理论为基础,紧密结合水钢生产实际,以氧枪设备参数设计为研究切入点,进行新氧枪的设计。并利用Fluent软件对氧枪射流流场及射流与熔池的作用情况进行了模拟验证。研究表明,氧枪参数即当喉口直径为36．8mm,出口直径为46．7mm时,满足生产的要求。     

氧气顶吹转炉智能控制策略的研究

在全面分析转炉炼钢生产特点的基础上,建立了神经元网络的预报模型和控制模型,并且将炼钢的终点温度和终点碳含量作为控制目标值,计算氧气的补吹量和冷却剂的补入量,进而实现转炉炼钢的终点控制。从计算机仿真结果看,终点温度和终点碳含量仿真精度高,控制策略有效。     

浅谈济钢制氧系统的合理应用

济南钢铁集团总公司通过对氧气厂、第二动力厂制氧站制氧能力和炼钢、炼铁厂等总用氧量的综合平衡分析，统一调度协调生产，使氧气放损率由１４．３４％降到６．９４％，年节约氧气１１９７万ｍ３，节电８００万ｋＷ·ｈ，综合经济效益１２２０万元。     

基于深度学习的棒材轧机电机负荷预测模型

为了确保有效利用轧机设备能力,以某钢厂棒材生产线的轧机电机负荷数据为研究对象,利用PyTorch搭建基于长短期记忆(long short term memory, LSTM)神经网络的预测模型,定义模型初始网格结构参数,选定单元结构激活函数,并针对模型超参数的选择问题,采用自适应学习算法(adaptive moment estimation, Adam)进行参数优化,迭代降低损失值,提高模型的预测精度。通过试验设计,采用生产两种规格棒材的轧机负荷数据进行验证,结果表明,与未优化的负荷预测模型对比,均方误差S_ME分别降低了3.28、1.76,证明了所建立模型的预测效果更好,具有较高的稳定性。     

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。      

基于BP神经网络的转炉静态模型

以理论模型为基础,建立了转炉炼钢静态控制模型,并将人工神经网络模型应用到转炉控制中,以Visual Basic为开发语言,开发了相应的软件。通过BP神经网络预报了终点的碳含量,当碳命中误差±0.02%时,命中率达到了66.7%。     

基于双向长短时记忆网络模型预测烧结矿FeO含量

烧结过程中FeO含量是影响烧结矿性能的重要参考指标。对FeO含量变化进行实时观测和监视,可以减少烧结能耗,改善烧结效果。针对目前企业实时观测FeO含量手段较为单一的情况,研究了基于双向长短时记忆网络模型(bi-directional long short-term memory, BiLSTM)的烧结矿FeO含量预测模型。数据来源为攀钢六型烧结机2021年部分工艺数据,经过滤、提优等数据处理后,选取BiLSTM神经网络进行训练、调参,与企业现场烧结工艺相结合,提高了模型预测的准确率,基本实现了烧结矿FeO的预测。测试结果表明,在企业误差允许的范围内,准确率达90.2%,因此可以给予企业内烧结矿生产有效意见。     

基于KPCA-CNN-LSTM模型的高炉透气性指数预测

高炉透气性指数是一个可以快速、直观、综合反映高炉炉况的重要参数。对高炉透气性指数准确预测,可以尽早(约提前10 min)发现和避免高炉的管道、悬料、崩料、煤气流失等炉况失常现象的发生。本文提出了一种结合核主成分分析(kernel principal component analysis, KPCA)、卷积神经网络(convolutional neural network, CNN)和长短期记忆神经网络(long short-term memory, LSTM)的高炉透气性指数预测模型。首先,运用KPCA对原始高维输入变量进行降维,再用CNN捕捉数据的特征,最后利用LSTM对高炉透气性指数进行预测。结果表明,所构建的KPCA-CNN-LSTM高炉透气性指数预测模型较降维之前预测误差大幅减小,预测准确度大幅升高。这有利于高炉操作人员尽快掌握炉况的瞬时变化并采取有效措施恢复高炉顺行。     

基于孪生支持向量回归机的转炉炼钢终点预测

为了提高转炉炼钢的终点命中率,建立了一种新的转炉终点预测模型,实现了对转炉终点碳质量分数和温度的准确预测。模型采用K最近邻孪生支持向量机(KNNWTSVR)算法,将权重矩阵引入到目标函数中,并利用鲸群优化算法进行求解,提高了传统算法的性能;然后基于某炼钢厂260 t转炉的实际生产数据,建立了转炉炼钢终点预测模型。结果表明,预测模型的终点碳质量分数(误差±0.005%)和温度(误差±15 ℃)的终点单命中率分别为94%和88%,双命中率达到84%。与其他两种现有的建模方法相比,本模型取得了最优的预测效果。该方法满足转炉炼钢实际生产的需求,也可适用于钢铁冶金其他领域的数学建模。     

基于机器学习的转炉热损失率预测

转炉热损失率是影响物料消耗量预测精度的重要参数之一,利用某钢厂150 t转炉1 900炉次冶炼历史生产数据,在热损失率计算的基础上,采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明,相比于支持向量回归(support vector regression, SVR)和随机森林(random forest, RF)算法,轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的预测精度最高;考虑上炉次的影响,增加上炉次冶炼终点温度变量后,LightGBM算法的决定系数R²由0.89提高到0.93,在±0.005、±0.01范围内,热损失率预测命中率分别由85%、89%提高到90%、93%;另外,通过算法内部参数优化可进一步提高模型预测精度,对于LightGBM算法,决定系数R²和均方根误差E_RMS(root mean square error, RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、...     

独立氧气用户调压阀后超压的安全隐患分析与排除

2009年10月,涟钢新建210t（第一座）炼钢转炉投产,由于氧枪调节阀（主要调节流量）和氧气输送调阀（主要调节压力）不能协同动作,给炼钢吹氧冶炼过程造成很大影响,炼钢厂根据此情况,人为把氧气输送调节阀全开,造成调节阀后氧气压力时刻与阀前保持一致（氧压机出口压力）,     

一种基于即时学习的局部模型集成转炉炼钢终点预测方法

钢铁工业在国民经济基础中有着重要地位,转炉炼钢作为钢铁生产中的一个重要环节,直接决定了生产钢铁的质量。转炉炼钢是一个影响因素众多、过程非常复杂的多元多相高温物理化学反应过程,对转炉炼钢终点实现精确控制是冶金行业一个有待解决的难题。以提高转炉炼钢终点碳温命中率为目标,针对传统全局模型预测性能不足,难以解决多工况问题,提出了一种基于即时学习(just-in-time learning, JITL)的动态终点预测方法。在JITL的框架下,利用不同准则下的相似性度量方法,选取相应的子样本集,分别构建局部回归模型,最后通过集成学习输出各个局部模型的预测结果。在实际转炉炼钢数据验证中,使用本文所提方法,终点温度在±15℃范围内■命中率为92.7%,终点碳质量分数在±0.02%范围内■命中率为95.7%,可以为实际生产过程中的终点控制等操作提供参考。     

基于无约束小波权重TSVR的转炉炼钢终点静态预测模型

转炉炼钢是一个极其复杂的物理化学反应过程,采用智能方法建立转炉炼钢的数学模型是近些年来的一个热点问题。针对熔池碳含量和温度的终点命中率问题,提出了一种新的静态预测模型的建模方法。在传统的孪生支持向量回归机的基础上,将小波权重矩阵引入到目标函数中,然后将目标函数转换成无约束优化问题求解,提高了算法的性能和运算效率;最后基于某炼钢厂260 t转炉的实际生产数据,建立了转炉炼钢终点静态预测模型。试验结果表明,预测模型的终点碳质量分数(误差±0.005%)和温度(误差±10℃)的单命中率分别为94%和96%,双命中率达到90%。通过与现有的方法比较,所提出的预测模型取得了最优的结果,不仅能够指导实际生产,也可用于冶金行业的其他应用背景的数学建模。     

碱性氧气转炉的维修与炼钢生产率之间的各种关系

1前言多年以来,世界各地的钢铁工业几乎是按照各自独立的方式进行发展,越来越具有自己的特点。欧洲和北美钢铁生产企业之间目标和观念的巨大差异导致其形成各自的生产策略。随着钢铁工业全球化程度的不断提高,有关进行优化的探讨主要是由跨国钢铁公司通过“内部对标”进行的。就碱性氧气转炉而论,在过去的10—15年间发生了完全不同甚至几乎是不可比拟的发展。在以下理论研讨中给出了碱性转炉内衬和维修成本、维修所花费的时间和其它成本相关因素的影响之间的比较。     

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。     

基于残差神经网络实现转炉火焰状态识别

在转炉炼钢的作业场景下,转炉火焰的状态判断对最终烧制的炉钢质量至关重要,由于复杂多变的作业环境,传统转炉火焰状态判断方法普遍存在检测精度低、受环境因素干扰大、泛化能力差等种种问题,目前一直依赖人工目测进行转炉火焰状态识别.针对这种现象,根据实际生产环境将转炉火焰归纳为8种不同状态,除了正常情况外,还包括跳渣、喷溅等较典...     

基于光谱信息与温度的转炉炼钢终点预测模型

转炉炼钢终点就是在出钢时通过控制使钢水的成分和温度达到一定要求。原子发射光谱法显示的元素特征光谱波长下的光谱信息的变化,能反应成分含量的变化趋势。文章介绍了基于温度和光谱信息的终点预测模型的系统,通过此系统获取转炉炼钢过程中的温度和Mn、Si光谱信息,利用多元回归分析的方法建立终点预测模型,并对模型进行显著性检验和精度分析。研究表明,此模型的终点命中率在80%左右,能比较准确预测转炉炼钢的终点。如果在预测模型中加入更多的元素光谱信息,将能进一步提高终点命中率。