基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上,有机结合模糊模式识别和模糊聚类算法,并通过引入新的学习机制和优化网络结构,建立了改进的新型模糊ART神经网络模型;同时,结合某钢厂连铸现场采集的历史数据,将该模型应用于连铸漏钢预报过程中。其结果表明,该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到956%和978%,报出率都达到100%,且在避免漏报的同时保证了较低的误报率,能准确识别典型的温度模式和预测拉漏事故的发生。     

基于改进模糊ART神经网络的连铸漏钢预报模型

在模糊ART神经网络的基础上，有机结合模糊模式识别和模糊聚类算法，并通过引入新的学习机制和优化网络结构，建立了改进的新型模糊ART神经网络模型；同时，结合某钢厂连铸现场采集的历史数据，将该模型应用于连铸漏钢预报过程中。其结果表明，该模型对粘结漏钢过程中2种典型温度模式的预报率分别达到956%和978%，报出率都达到100%，且在避免漏报的同时保证了较低的误报率，能准确识别典型的温度模式和预测拉漏事故的发生。     

基于模糊聚类及神经网络的连铸漏钢预报

在模糊RBF神经网络的基础上,通过融合基于贴近度的改进FCM和Conditional FCM算法,建立了改进的模糊RBF网络模型;并结合某钢厂连铸现场采集的历史数据将该模型应用于连铸漏钢预报的过程中。结果表明,改进的网络模型能更准确地辨识连铸粘结漏钢过程中典型温度模式1和模式2,对二者的预报率分别达到949%和983%,报出率均达到100%,其预报性能更佳,能更有效地预报拉漏事故。     

神经网络在宝钢连铸漏钢预报系统中的应用

介绍了连铸粘结性漏钢产生的机理和过程,以及宝钢利用人工神经网络技术建立的一套新的漏钢预报系统。该系统在预报精度和系统性能等方面均优于宝钢原有的漏钢预报装置。     

基于漏钢预报的连铸拉速模糊控制

利用模糊控制器和神经元的优点，基于漏钢预报较成熟的热电偶方法，设计出一种基于漏钢预报的连铸拉速模糊控制系统，在保证不产生漏钢的前提下尽可能提高铸坯的拉速，从而提高钢产量。离线模拟结果了该方法的有效性。     

连铸黏结漏钢发生机理及预报模型

连铸是炼钢过程非常重要的工序之一。连铸过程多发漏钢事故,其影响因素多且机理复杂,其中以黏结漏钢最为常见,约占总漏钢事故的70%。连铸漏钢事故造成钢液泄漏,容易发生灼烫、火灾甚至爆炸等安全事故,造成人员伤亡和巨大的财产损失。为解决上述问题,剖析了黏结裂口的扩展方式和黏结漏钢的形成机理;基于热电偶测温法预报黏结漏钢的原理,利用神经网络建立黏结漏钢预报模型,并运用遗传算法完成神经网络的优化,预报模型测试样本的正确报出率达到100%,预报率为97.56%;对空间网络模型进行了验证,A型空间网络模型的输出符合期望,可以实现黏结在空间裂口扩展的预报。模型具有很好的应用价值,可为连铸安全生产提供支撑。     

连铸漏钢预报系统应用及改进

介绍了达涅利漏钢预报系统的结构组成、漏钢预报判断原理、预报算法以及现场应用存在的问题及改进措施。     

基于模糊神经网络的连铸板坯裂纹预测预报

分析了连铸板坯裂纹的成因,并根据连铸生产的特点和工艺条件,结合国内外一些先进钢铁厂板坯裂纹的防止对策,采用减法聚类的模糊神经网络模型,从结晶器热电偶温度曲线变化方面,探讨板坯裂纹的预测方法。     

连铸粘连漏钢预报系统的研究

根据粘连扩散理论，对漏钢预报系统参数进行了分析和修改，并提出进一步改善的方法。     

漏钢预报在板坯连铸的应用

以天津钢铁有限公司炼钢厂4#板坯连铸机为应用背景,结合炼钢厂4#板坯连铸热电偶在结晶器中的实际埋设情况,对4#板坯连铸的漏钢预报系统进行了软件部分的理论分析和现场应用研究,从而实现了提高4#板坯连铸机漏钢预报系统的预报准确率和及时性的目的.     

VAI连铸结晶器漏钢预报系统的应用实践

介绍了鞍钢鲅鱼圈钢铁分公司连铸机结晶器漏钢预报系统的工作原理和应用实践;通过对实际应用中产生的粘结漏钢报警信息分析,找出了影响漏钢误报和漏报的原因,并提出相应的改进措施,提高了结晶器漏钢预报系统的精度,降低粘结漏钢误报率。     

几种连铸漏钢的分析探讨

在小方坯连铸生产中，漏钢事故经常发生。本文就实际生产中出现的连铸漏钢事故，从操作、设备、工艺三方面进行了一些分析探讨并提出解决的对策。     

略钢铸坯脱方成因分析和实践

对略钢小方坯连铸机铸坯脱方的原因进行了分析,并采取了相应的对策后,取得了较好的效果.     

降低板坯连铸机漏钢率的改进措施

在分析板坯连铸机在生产过程中出现的漏钢事故基础上,实施工艺优化和设备改进等措施。改进后,大大降低了漏钢事故,取得了显著的效果。     

神经网络连铸保护渣性能预测模型研究

以实验研究为基础，采用人工神经网络方法建立了连铸保护渣化学成份－性能预测模型。模型的学习精度较高，具有较高的推广应用价值。