延迟焦化装置碳钢加热炉管道损坏预测——基于神经网络的局部温度实时检测方法

在延迟焦化装置中,碳钢加热炉存在燃烧不稳定性,易造成加热炉管内局部超温而损坏的问题,因此必须实时检测加热炉内各个部位的温度。针对这一问题,拟开展基于卷积长短时记忆神经网络的炉温在线预报方法研究,通过对高温炉温变化规律的分析,实现对高温炉温变化的预测,并将平均误差控制在31.5 Kalvin以下。     

基于神经网络的模糊控制在炼钢加热炉温度控制中的应用

钢厂加热炉是一个复杂的受控对象,存在着非线性、时变性、纯滞后因素和不确定随机干扰等因素.从对其燃烧状况的分析来看,加热炉温度的调节主要是靠对煤气流量的控制来完成的,因而确立一种合理的煤气流量控制方案是实现加热炉燃烧智能化控制的关键.提出了将模糊控制、PID控制和神经网络3种技术相结合,共同控制煤气流量.仿真研究结果表明,这种BP神经网络模糊PID控制在克服对象的大惯性、抗干扰性、非线性和纯滞后方面,大大改善了控制品质.     

BP神经网络模糊PID控制在加热炉煤气流量控制中的应用

钢厂中加热炉是一个复杂的受控对象,存在着非线性、时变性、纯滞后因素和不确定随机干扰等因素.从对其燃烧状况的分析来看,加热炉温度的调节主要是靠对煤气流量的控制来完成的,因而确立一种合理的煤气流量控制方案是实现加热炉燃烧智能化控制的关键.本文提出将模糊控制、PID控制和神经网络三种技术相结合,应用于煤气流量进行控制.仿真研究表明这种BP神经网络模糊PID控制在克服对象的大惯性、抗干扰性、非线性和纯滞后上,大大改善控制品质.     

宝钢条钢加热炉燃烧模型计算机控制系统

介绍宝山钢铁股份有限公司新建条钢步进式加热炉燃烧控制模型的计算机控制系统.加热炉是保证加热物料的加热质量、节约燃料能耗和确保后继工序物料供给的一个重要生产工序.步进式加热炉一般多应用在热轧生产线,此次宝钢前次在条钢生产线新建大方坯步进式加热炉.文中针对条钢加热炉的特殊工艺要求,着重描述加热炉控制模型中的特殊控制部分,包括:加热制度、热跟踪模型、控制模型细分段控制、待轧控制、结合调度模型预测加热时间及模糊逻辑控制等.宝钢条钢加热炉燃烧控制模型的计算机控制系统稳定运行至今,预测计算和模型控制结果令人满意.     

加热炉炉温神经网络预测模型的开发

针对加热炉系统非线性、大滞后、大惯性,炉温难以有效预测的问题,以山东钢铁莱芜分公司宽厚板加热炉为研究对象,通过神经网络训练获得充分逼近仿真对象的系统参数,最后使用该方法对莱钢宽厚板加热炉炉温进行预测,结果说明该方法预测准确,具有较强的实践意义,为炉温控制提供了可靠依据,提高了生产效率,降低了能耗。     

集散系统在小型加热炉生产中的应用

介绍了HONEYWELL R－150集散控制系统的主要功能,重点介绍了加热炉的燃烧控制方式及集散系统与MODICON 984－785E的数据通讯过程。     

神经元网络在加热炉自控系统中的应用

介绍了莱钢特钢厂 1#加热炉自动控制系统的组成结构、基本控制功能及其技术特点 ,并着重阐述了NEUROSHELL神经网络平台上的燃烧自寻优控制。系统投运以来 ,取得了良好的控制效果。     

柳钢轧钢加热炉烟气的监测分析

为了掌握柳钢轧钢加热炉的燃烧效果,并提高燃烧效率,利用烟气分析仪对轧钢加热炉的烟气进行了连续检测,发现大多数加热炉存在空气过量或煤气不完全燃烧现象。常规加热炉烟气的NOx含量较高,为轧钢加热炉的燃烧优化控制和改造提供了支持。     

南钢中板加热炉计算机自动控制系统简介

介绍了南钢中板厂推钢式加热炉的自动控制系统。着重介绍了信号采集的数据项及采集手段、钢温的二种预测方法、炉温的设定方法、加热炉燃烧控制中对空燃比控制方法等。     

不同类型加热炉的蓄热式燃烧设计

针对不同炉宽加热炉,不同炉膛高度加热炉,普碳钢加热炉与合金钢加热炉的不同,端进出料加热炉与侧进出料加热炉的不同,提出相关蓄热式燃烧设计思路,重点提出实现空间燃烧的设计方法,为不同类型加热炉的蓄热式燃烧设计优化提出建议.     

动力配煤线性预测与非线性预测方法研究

分别采用线性加权平均、线性拟合、BP神经网络和Elman神经网络方法建立煤质特性预测模型,对混煤煤质特性进行预测.将四种方法的预测结果进行分析比较,辨别混煤煤质特性与各单煤煤质特性间的线性与非线性关系.分析表明:混煤的发热量、水分、灰分和硫分与各单煤相应煤质特性具有简单的线性关系.其中,发热量、水分和硫分的线性拟合预测结果优于线性加权平均预测结果;混煤挥发分与各单煤挥发分之间呈非线性关系,Elman神经网络预测效果最佳.     

基于改进遗传算法优化Elman网络的板形识别方法

针对目前的板形缺陷识别方法精度不高、识别速度慢的问题,根据Elman神经网络模型可以反映系统动态特性,而且可以逼近任意非线性函数的特点,提出了一种利用改进的遗传算法优化Elman神经网络,使其泛化能力强、学习速度快、识别精度高,并建立板形缺陷模式识别模型的方法。为了验证该方法的识别能力,在隐层节点数与学习次数相同的条件下,分别与遗传算法优化的Elman网络和BP网络模型进行板形识别仿真对比分析。试验结果表明,改进遗传算法优化的Elman神经网络模型对板形缺陷识别精度高于BP网络等模型,并且具有收敛速度快的优点。     

数据挖掘在安钢电极预测建模中的应用

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果.     

安钢FSF电极智能预测建模及应用研究

交流电弧炉电极控制系统是一个多变量、非线性、参数时变、复杂强耦合系统,经典的控制策略难以获得优良的性能.为此从安钢FSF电极控制的实际应用出发,提出了1种变结构遗传Elman网络预测建模方法,其中改进的混和遗传算法用来对网络结构和权值及自反馈增益的同步动态寻优.并将基于BP算法的改进Elman网络和本文提出的变结构遗传Elman网络都应用于交流电弧炉的电极模型的辨识中,通过基于安钢现场数据的计算机仿真实验表明:变结构遗传Elman网络克服了因复杂的辨识对象造成的网络辨识结构复杂问题和采用BP算法带来的权值训练缺陷;并具有更好的动态性能,逼近速度快,精度更高等优点.最后,把建立的模型应用于电极控制系统的参数整定上,取得了良好的控制效果,为电极控制提供了理论指导.     

基于回归神经网络的复杂工业对象的建模

讨论一种动态神经网络——Elman回归神经网络的结构和算法.基于这一网络结构提出了非线性时变工业对象——直流电弧的神经网络建模方法,并与用其他方法为对象建立的模型进行了比较,结果证明回归网络模型能够很好地适配该工业对象,显示了动态神经网络在工业对象建模中的良好应用前景.     

基于神经网络的金属应力状态系数模型

 以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab神经网络工具箱,分别建立了轧制变形区的应力状态系数与轧前厚度、轧后厚度及轧辊直径对应关系的Elman神经网络预测模型和RBF神经网络预测模型。结果表明,所建立的两种网络模型均建立了金属应力状态系数输入和输出关系,RBF神经网络模型比Elman网络模型数据稳定,性能更优,实现了与实测结果的高度拟合。并得出不同轧辊直径对神经网络模型精度的影响规律,对轧制工艺规程的制定提出了合理建议。     

基于Elman神经网络的炉卷轧机的轧制力预报

为了改善国内某钢铁厂炉卷轧机的轧制力模型的预报精度,提出将结合热模拟实验建立的传统轧制力模型计算值作为Elman神经网络的一个输入项,将传统数学模型预报的轧制力与实测轧制力的相对误差作为此神经网络输出项的方式构建网络模型,通过大量的在线数据分析,这种将神经网络与传统数学模型相结合的方法明显地改善了轧制力的预报精度。该神经网络模型可为以轧制力为主要控制目标的炉卷轧机的过程自动化系统提供可靠的模型参数。     

基于AO-ENN的LF炉C、Mn合金收得率预报模型

LF炉是钢铁冶炼中的重要设备,其主要作用是对钢水中合金成分进行调整,然而目前实际生产中大多仍使用人工经验来对合金成分进行调整,而且已有的合金加料模型效果并不令人满意。为了使添加的合金更加准确、成本进一步降低,设计了一种基于天鹰优化器(AO)来优化Elman神经网络(ENN)的合金收得率预报模型。首先根据相关性分析出对合金元素收得率影响较大的因子,然后利用AO优化后的ENN建立合金元素收得率预报模型,最后通过预测的合金元素收得率来计算所需加入的合金量。利用实际生产中的真实数据来进行仿真试验,仿真结果表明,建立的AO-ENN模型相较于BP模型和Elman模型,误差更小,精度更高,对实际生产中的合金加入问题有较好的指导意义。     

Application of variable-filtrating technique on fuzzy-reasoning neural network system predicting BOF end-point carbon content

Artificial intelligence techniques have been used to predict basic oxygen furnace(BOF) end-points. However,the main challenge is to effectively reduce the input nodes as too many input nodes in neural network increase complexity,decrease accuracy and slow down the training speed of the network.Simply picking-up variables as input usually influence validity of model.It is quite necessary to develop an effective method to reduce the number of input nodes whereby to simplify the network and improve model performance.In this study,a variable-filtrating technique combining both metallurgical mechanism model and partial least-squares(PLS ) regression method has been proposed by taking the advantages of both of them,i.e.qualitive and quantative relationships between variables respectively.Accordingly,a fuzzy-reasoning neural network(FNN) prediction model for basic oxygen furnace(BOF) end-point carbon content based on this technique has been developed.The prediction results showed that this model can effectively improve the hit rate of end-point carbon content and increase network training speed.The successful hit rate of the model can reach up to 94.12%with about 0.02% error range.     

基于RBF的轴承钢变形抗力的预测

以凸轮式高速形变试验机得到的试验数据为基础,利用Matlab人工神经网络工具箱,建立了轴承钢的变形抗力与其化学成分、变形温度、变形速率及变形程度对应关系的RBF神经网络预测模型.分析了变形温度和变形速率对轧制压力网络模型精度的影响.得出随着变形温度的增加,网络的预测误差逐渐增大;随着变形速率的增大,网络的预测误差逐渐减...