增量模型预报电弧炉终点碳含量及温度的研究

结合电弧炉炼钢未知因素众多的特点，运用统计型增量模型对电弧炉冶炼终点碳含量和温度预报进行研究，结果表明构造增量样本的参考炉应选本炉前一炉，并且不采用动态调节系数时预报效果较好。     

电弧炉炼钢全过程钢水碳含量动态预报模型

根据电弧炉物料平衡理论与利用BP神经网络的方法,建立了理论模型结合神经网络的电弧炉炼钢全程钢水碳质量分数实时预测模型。通过模型得出冶炼过程中碳质量分数变化曲线,实现对全程钢水碳质量分数的实时监控。在接近冶炼终点时,由于脱碳反应中碳氧积的存在,因此模型对影响终点碳质量分数的因素进行分析,采用BP神经网络方法进行预测,满足了对电弧炉冶炼终点碳质量分数预报准确度的要求。     

基于FA-ELM的转炉终点磷含量预测模型

 转炉终点磷含量的预测对实现转炉自动出钢、缩短冶炼周期具有重要意义,为了实现转炉终点磷含量的窄窗口控制,为操作工艺提供指导,需要建立更高精度的终点磷含量预测模型。通过对冶炼工艺以及脱磷热力学的分析,选取12项影响脱磷过程的可观测指标,构建了终点磷含量预测指标体系,然后借助因子分析法(FA)对数据进行降维处理,得到6个派生变量,将其作为模型输入,终点磷含量作为模型输出,建立基于超限学习机(ELM)的终点磷含量预测模型。并将ELM模型预测结果与BP神经网络的进行对比,研究发现,ELM模型拟合度更高,回归系数R2=0.778 7,平均误差MAPE=0.106 0,并且预测误差在±0.003 0%内的炉次所占比例为86.67%。因此,相比于BP神经网络模型,ELM模型具有较高的精度和较好的泛化能力。     

应用优化BP神经网络建立铁水硅含量的预测模型

 高炉铁水的硅含量是描述铁水质量的一个重要指标。为了在出铁之前了解铁水中硅含量的高低,建立预测模型是必要的。结合遗传算法(GA)和BP神经网络,建立了优化的GA BP预测分析模型,从某高炉选取生产数据进行学习和预测。运行结果表明,模型具有较高的预测精度,当要求绝对误差为±005时,命中率可达70%;绝对误差为±008时,命中率可达923%。同时,应用该模型分析回归了高炉风量、热风压力、富氧量与铁间料批数等参数与铁水硅含量之间的相关关系,其结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导。     

连铸工艺参数对高碳钢小方坯中心碳偏析的影响

采用多元线性回归方法分析了在给定结晶器电磁搅拌条件下(230～245A),碳含量0.58%～0.83%,二冷比水量0.82～2.86L/kg,拉速1.90～3.0m/min,过热度17～60℃范围内,各参数对140mm×140mm和150mm×150mm小方坯中心碳偏析的影响,并采用BP神经网络进行预测计算。多元回归分析结果表明,影响中心碳偏析的显著因素是钢中碳含量,其次是连铸拉速和二冷比水量;随钢中碳含量、拉速和过热度增加,铸坯中心碳偏析增大,随二冷比水量增加,中心碳偏析减小。     

提高重轨钢终点碳含量的实践

通过对炼钢工艺的改进,结合攀枝花钢钒有限公司炼钢厂现有条件,实践确定将转炉冶炼重轨钢终点碳含量提高到0．1％～0．2％的范围可行,结果表明钢水终点磷、氧含量大幅降低,终点碳质量分数提高到0．145％,终点磷质量分数降低到0．006％,可以满足钢厂生产高品质重轨钢的需要。     

SWRH82B冶炼过程中钢水碳含量对硅锰收得率影响分析

在生产SWRH82B过程中,电炉出钢后依次加入碳粉和硅锰合金,通过对实际生产过程中不同碳含量炉次中硅锰合金收得率进行分析,得出LF进站钢水中碳含量对后续硅锰合金收得率具有较大影响。钢液碳含量0.2%～0.7%不同炉次下,合金中Mn收得率从78%～87%波动,合金中硅收得率从65%～85%波动。结合冶金热力学基础理论,在不同碳含量条件下对合金在渣铁间的平衡进行分析,钢液碳含量升高可明显降低合金在渣铁间的分配比,这表明在电炉出钢过程中需要提高并精准控制碳粉的加入量,稳定钢包中钢液碳含量,可降低硅锰合金的消耗。     

提高钢中终点碳含量的方法

阐述了提高终点碳含量及减少钢水过氧化的措施和方法。     

110t电弧炉应用直接还原铁炼钢效果分析

通过110t电炉应用直接还原铁炼钢效果的对比分析，阐述了加入直接还原铁对电炉钢中的残余元素（Cr、Ni、Cu）及氮含量、冶炼时间、冶炼电耗、金属收得率、电炉钢水成本等产生的各种影响，认为直接还原铁可做为优良的电炉炼钢原料用于品种钢的生产。     

基于神经网络的烧结终点预测模型

提出使用BP神经网络算法建立烧结工艺终点预测模型,并使用仿真手段对网络进行验证。BP神经网络预测模型可以在较短的时间内完成训练,预测结果与期望值误差小。仿真结果表明,该方法可以用于解决烧结终点预测问题,对烧结生产过程有良好的指导意义。     

基于BP神经网络的烧结终点预测模型

烧结终点是判断烧结过程正常与否的重要标志。我们在为涟钢280m^2烧结机开发的烧结终点（BTP）智能优化控制系统中,采用了基于BP神经网络预测的烧结终点智能控制策略。本文着重介绍了基于BP神经网络的烧结终点预测模型的建立、在线学习及修正,以及试验室调试和在线运行情况。     

增量神经网络模型预报100 t电弧炉终点碳、磷和温度的应用

结合增量模型和神经网络模型的优点,提出增量神经网络模型,该模型特点为只注重系统输入量和输出量的变化,系统输入与输出增量的映射关系通过网络很快形成,网络结构简单.以废钢、铁水、装料制度、通电时间、吨钢氧耗和电耗相对于参考炉均值的增量为输入节点,对冶炼钢水终点温度和碳、磷进行预报.结果表明,当钢水终点温度和碳、磷含量的控制精度分别在±10 ℃,±0.02%和±0.004%时,预报值命中率分别为93%,75%和86%.     

基于灰色理论的铁水预处理终点磷含量神经网络预测模型

 在传统BP神经网络预测模型的基础上,依据灰色理论中的灰色关联度,提出了输出变量各个影响因素的灰色关联度权值,首次建立基于灰色理论的神经网络预测模型,并依据国内某钢厂300组实际生产数据进行仿真试验。试验结果表明：误差绝对值小于5%的炉数有39炉,占总炉数的65.00%;误差绝对值小于10%的炉数共有58炉,占到96.67%。与传统BP神经网络相比,基于灰色理论的神经网络模型的预测精度提高近12.5%,说明基于灰色理论的铁水预处理终点磷含量神经网络预测模型能更精确地反映现场实际水平。     

基于L-M算法BP神经网络的转炉炼钢终点磷含量预报

转炉炼钢过程是一个非常复杂的物理化学变化过程,人工控制很难一次达到终点目标值,通常需要经过多次补吹才能出钢.通过研究影响转炉冶炼终点磷含量的主要因素,确定了影响转炉终点磷含量的参数,建立了基于Levenberg-Marquardt(LM)算法BP神经网络转炉终点磷含量的预报模型.结果表明:在预报误差目标精度为土0.00...     

BP算法的模糊神经网络及烧结终点辅助预测模型

烧结终点状态是烧结过程非常重要的参数之一.目前烧结终点的预测模型多采用人工神经元网络.本文介绍了一种模糊神经元网络结构及算法,可以处理不完全的、模糊的信息,并将这种模糊神经元网络应用到烧结终点辅助预测模型.文章最后给出了详细的仿真结果.     

基于Kmeans–BP神经网络的KR工序终点铁水硫含量预测模型

针对KR工序终点铁水硫含量预测问题,提出一种基于Kmeans聚类分析和BP神经网络（BPNN）相结合的建模方法。首先,通过Kmeans聚类对KR工序生产数据进行模式识别和分类,构建不同工况特征的数据集;然后,基于BP神经网络,针对不同数据集训练预测模型;最后,将不同数据集的预测模型进行集成,形成最终的终点铁水硫含量预测模型,实现对不同铁水条件和工况条件的预测。利用某钢铁企业实际生产数据,分别用基于脱硫反应动力学、BP神经网络和Kmeans–BPNN方法建立的预测模型,对KR工序终点铁水硫含量进行预测。结果表明,Kmeans–BPNN的KR工序终点硫含量预测模型的精度显著高于脱硫反应动力学和BP神经网络的预测模型。      

260t转炉终点磷含量预报模型的开发实践

针对邯钢集团邯宝钢铁有限公司西区炼钢厂转炉的冶炼工艺特点和生产数据,建立了基于PCA-GA-BP神经网络的转炉终点磷含量预测模型。通过主成分分析(PCA)将终点磷含量的影响因素降维,并采用遗传算法(GA)对BP神经网络的初始权重进行优化。用Java语言开发了转炉终点磷含量预测模型的软件,在炼钢厂进行了现场使用。结果表明:转炉终点钢水w(P)控制精度在±0.007%时,命中率达到96.67%;控制精度在±0.005%时,命中率达到93.33%;控制精度在±0.004%时命中率达到86.67%。     

铁精矿中SiO2含量与TFe含量线性回归分析

本文介绍了利用线性回归分析法所建立的铁精矿中ＳｉＯ２含量与ＴＦｅ品位之间存在的相关关系数学模型。     

基于k-means聚类算法的电弧炉终点碳预报

为了实现对电弧炉冶炼过程碳质量分数的预测,根据炼钢过程的碳氧反应机理建立电弧炉脱碳模型。在此基础上采用数据挖掘技术中的k-means聚类算法对电弧炉炼钢历史数据进行分析,选取8个影响终点碳质量分数的因素,得出不同冶炼情况下的聚类结果。通过计算当前炉次与聚类结果加权欧氏距离,将相似度高的聚类结果炉次作为当前炉次的预测参考炉次,最终实现对电弧炉终点碳质量分数的预测。仿真结果表明钢水碳质量分数预报的命中率在75%以上,模型具有较高的预报精度。