应用改进的神经网络模型预报转炉冶炼终点

准确预报转炉冶炼终点的钢水温度与碳含量对提高转炉终点命中率具有重要意义。针对现有多层前馈网络学习算法的不足,基于BP模型提出一种改进算法,建立了复吹转炉冶炼终点的预报模型,并与BP模型的预测结果进行了统计比较。研究表明,改进后的模型能够对冶炼终点进行良好的预报。采用单节点输出模型对终点钢水碳含量与温度分别进行预报,预测误差w(Δ[C])<±0.03%的命中率达97.22%,Δt<±12℃的命中率为94.44%。还建立了神经网络双节点输出模型对转炉终点钢水碳含量及温度同时进行预报,误差Δt<±15℃、w(Δ[C])<0.03%的双命中率为76.92%。     

转炉冶炼终点锰成分的预报模型

研究了转炉冶炼终点锰成分的影响因素,确定了预报模型的控制变量,建立了基于神经网络和自适应模糊神经网络的两种终点锰成分的预报模型,并对其进行了比较。研究发现,基于自适应模糊神经网络的预报模型能够很好地实现对终点锰成分的预报,在w([Mn])偏差值为±0.025％的控制精度范围内,预报命中率达到85.29％;在w([Mn])的偏差率为±25％范围内,预报的终点命中率达到70.59％。该模型接近基于副枪的终点锰成分动态预报模型的控制水平。     

基于减法聚类的模糊神经网络转炉终点温度预报模型

分析了对转炉终点温度的影响因素,利用减法聚类自动确定模糊规则的数目,建立了模糊神经网络系统预报转炉终点温度.结果表明,该方法建立的模型能够对终点温度进行较好的预报,误差在±4℃以内的命中率可达25.49%;预报误差小于±20℃的炉数可达84.31%.     

基于自适应模糊神经网络系统的转炉终点磷的预报控制模型

根据冶炼工艺和现场数据 ,对转炉终点磷含量的预报方法进行了研究。采用自组织神经网络模式识别方法对 30 3炉现场数据进行了分类 ,分析了转炉冶炼各变量对终点磷含量的影响 ,确定了终点磷含量的控制变量 ,建立了基于自适应模糊神经网络系统的转炉终点磷含量的预报控制模型。研究表明 ,本模型能够对终点磷含量进行很好的预报和控制。模型计算值与实际值的相关性达到 0 .5 86 7;磷含量 (质量分数 ,% )控制在± 0 .0 0 3范围内的命中率达到 79.2 1%。该模型以低于目标值 0 .0 0 4 %的磷含量来对冶炼过程进行控制 ,冶炼合格率超过 91%。     

基于神经网络的转炉冶炼终点硫含量预报模型

通过研究转炉冶炼终点硫含量的影响因素,确定了预报模型的控制变量,对常用的BP算法进行改进,建立了基于神经网络的终点硫含量预报模型.模型的预报结果接近动态控制模型的预报精度.     

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%。     

炼铜转炉吹炼终点预报研究

提出了一种高效的ＢＰ神经网络学习算法,首次对神经网络输出结果进行自适应残差补偿,基于此提出炼铜转炉吹炼终点组合预报模型．经实践检验．本预报模型的预测结果具有较高的精度和较强的实时性,而且本模型具有较好的自学习能力,能有效指导生产实践。     

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...     

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%。     

基于FOA-GRNN模型的转炉炼钢终点预报

目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.     

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%.     

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。     

热轧钢板头部弯曲行为的人工神经网络预报模型

根据单机架2500四辊可逆式轧机钢板轧制的实测数据,采用人工神经网络方法建立了钢板头部弯曲行为预报模型。结果表明,轧制过程钢板头部弯曲的人工神经网络计算值与实测值符合;当轧件上下表面温度相差较大时,上下表面温差、变形区形状特征和变形程度是影响轧件头部弯曲的主要因素。对于厚的成品板,减小道次压下量可减小弯曲;对薄成品板,增加道次压下量可减小弯曲。     

人工神经网络模型预报汽车齿轮钢淬透性

采用人工神经网络模型预测汽车齿轮钢淬透性的精度 (相对误差± 6 % )高于线性回归分析预测的精度 (相对误差± 10 % ) ,它是一种容错性好 ,通用性强的可靠的淬透性预报方法。     

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。     

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。     

基于混合遗传算法的电弧炉终点目标温度预报模型

BP (Baek Propagation)算法和遗传算法相结合的混合训练方法步骤为:首先用遗传算法定位出一个较好的搜索空间,然后采用BP算法在这个小的解空间中搜索出最优解。分别用遗传算法和混合遗传算法训练100 t电弧炉终点温度神经网络预报模型。仿真结果表明:混合遗传算法有更快的收敛速度和更高的预报命中率。当目标温度的精度范围为±2℃、±4℃、±6℃和±8℃时,BP算法的温度命中率分别为75%、82%、86%和92%,混合遗传算法的温度命中率分别为80%、88%、90%和96%。     

H∞ Filtering in Neural Network Training and Pruning with Application to System Identification

An efficient training and pruning methodology based on the H∞ filtering algorithm is proposed for artificial neural networks (ANNs). ANNs are first trained by the H∞ filtering algorithm and then some unimportant weights are removed based on the training. The results presented in the paper show that the proposed method provides better pruning results of the network without losing its generalization capacity. It also provides a robust training algorithm for given arbitrary network structures. The usefulness and effectiveness of the proposed methodology are demonstrated in developing an ANN model of a hysteretic structural system.     

神经网络在50tDC电弧炉炼钢中的运用

利用BP神经网络预测50tDC电弧炉钢水生产过程温度和终点温度，当允许误差为10℃，网络预测命中率≥90％，其预测精度满足了炼钢的需求。     

模糊辨识法预测马氏体时效不锈钢的力学性能

应用模糊辨识方法对 (% ) :0 0 1～ 0 0 5C ,0～ 0 89Si,0～ 1 2 5Mn ,10 2～ 16 0Cr,0～ 9 0Ni,0～1 8Cu ,0～ 0 8Al,0～ 0 9Ti马氏体时效不锈钢的力学性能进行预测。该方法是基于T S模糊模型 ,采用三角形隶属函数计算给定样本的隶属度 ,利用稳态卡尔曼滤波器辨识模糊模型的结论参数。根据收集整理国内外文献的实验数据 ,使用模糊模型建立化学成分和热处理主要工艺参数与产品力学性能之间的关系。离线仿真表明 ,产品力学性能的预测值与实际值拟合良好 ,抗拉强度 (10 0 0～ 2 0 0 0MPa)相对误差 91%在± 2 %以内 ,断面收缩率 (4 5 %～ 77% )的相对误差 85 %在± 2 %以内 ,延伸率 (6 %～ 2 2 % )的相对误差 84 %在± 4 %以内。