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。     

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     

高炉铁水硅含量的神经网络预报

通过神经网络对韶钢8号高炉的部分生产数据进行了铁水[Si]含量的预报,确定了w（Si）的主要影响因素,构建了较好的神经网络结构,并根据预报结果提出了判定炉热变化趋势的符合率的标准。     

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。     

铁水硅预报神经网络专家系统的遗传优化生成

利用遗传算法所固有的全局搜索性能,进化多层前馈神经网络连接权,结合ＢＰ学习算法和符号主义专家系统,建立了高炉铁水硅含量预报遗传算法神经网络专家系统。该系统解决了神经网络局部的收敛、学习时间过长的问题。实际应用表明该系统可以提高硅预报命中率,并能清楚解释推理过程,提供高炉操作指导。     

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。     

小波RBF神经网络在高炉铁水硅含量预测中的应用

在运用RBF神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对RBF神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水硅含量。仿真结果表明小波RBF神经网络比RBF神经网络更具优越性,预测准确率明显提高。     

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。     

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。     

六西格玛技术在铁水硅含量稳定性分析中的应用

通过收集唐钢2500 m3高炉生产数据,结合六西格玛管理技术对铁水硅含量与高炉操作参数的相关性进行回归分析,确定了影响铁水硅含量主要因素。通过稳定热风压力、炉内压差、热风温度、铁水温度等操作条件,显著提高了唐钢高炉铁水硅含量的稳定性。     

BP神经网络在高炉铁水硅预报中的应用

随着现代科技的发展和计算机技术的不断提高,高炉自动化操作显得越来越重要。高炉铁水硅预报能很好地反映高炉内热状态和高炉的成分,对高炉运行状态的判断起到至关重要的作用。在总结前人预报模型的基础上,综合考虑了各种影响因素,建立了BP神经网络模型,并结合现场数据进行计算,模拟结果和实际相符。     

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。     

高炉铁水硅含量预测评价与模型选择

 分析了文献中高炉铁水硅含量预测数据,结果表明：评价指标选择决定预测效果的评价结论和模型选择;命中率判据不是评价预测效果的最佳选择;相关系数及其检验是评价预测结果优劣的客观判据;相关系数及其检验、人工预测、随机游走模型可以作为以科学性、实用性和简便性为原则的预测评价判据基准。     

基于神经网络时间序列模型的高炉铁水硅含量智能预报

为实现高炉炼铁过程中铁水硅含量的准确预测,针对高炉炼铁过程的非线性、时变、高维、大时滞等特点,构建了基于时间序列的铁水硅含量预测样本集,分析了铁水硅含量在时间序列上的自相关性.采用时间序列加权移动平均法预处理样本数据,引入神经网络时间序列模型,深度挖掘历史多时刻铁水硅含量与当前时刻铁水硅含量之间的数量关系,经过多次权值...     

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。     

低硅低硫铁水的生产

就现代高炉而言,对于铁水的要求在于提高其温度和降低其中除碳以外其它溶解元素的含量。对于某些元素,诸如锰、磷及铬,可以通过调节来自炉料和焦炭的这些元素的总输入量来控制它们的含量。铁水中其它元素,如硅和硫的溶解量,则主要取决于高炉的操作条件。但是对于一定的操作条件来说,并不     

基于变邻域粒子群算法的铁水硅含量稳定性分析

影响高炉铁水硅含量的因素往往复杂多变,影响程度不一。采用鱼骨分析法收集所有可能对硅含量产生影响的因素,经过相关分析和特征选择,最终选取6个参数作为模型的输入参数。采用改进的粒子群优化算法对支持向量机(SVM)中的参数进行优化,提出基于变邻域粒子群(VNPSO)优化SVM的铁水硅含量预测模型。通过钢厂的实际生产数据进行验证,平均相对误差达到0.69%,平均绝对误差达到3.4×10~(-3),模型具有很高的预测精度。同时,绘制铁水中硅含量控制图,分析硅含量波动情况,并依此模型给出硅含量稳定性控制措施。     

铁水含硅量预报神经网络模型

针对我国高炉的检测水平,采用人工神经网络的方法建立了一种用于铁水含硅量预报的神经网络模型。该模型具有良好的适应性和自学习功能。