基于改进BP神经网络的铁水预处理终点硫含量预报模型

铁水预处理脱硫是纯净钢生产中的一项重要任务,其中铁水终点硫含量是反映脱硫站能力和生产效果的重要指标.对梅山钢铁股份有限公司铁水包喷吹CaO Mg粉剂复合脱硫过程,通过采用自适应调整学习率和最大误差学习法对标准BP算法进行了改进,建立了基于改进BP神经网络的铁水预处理终点硫含量预报模型.用梅钢的1154炉数据进行模型训练,经100炉数据现场验证表明,改进的BP算法比标准BP算法预报误差≤0.003%的精度提高28%,有19%的炉次预报值与实际值完全一致,有90%的炉次误差≤0.003%,平均误差为0.0017%.改进的BP算法在铁水预脱硫终点硫含量预报模型应用中获得了更好的使用效果.     

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。     

鞍钢铁水终点硫含量神经网络预报模型

针对鞍钢铁水罐喷吹CaO＋Mg粉剂复合脱硫过程,建立了基于BP神经网络的铁水预处理终点硫含量预报模型。用鞍钢的1000炉数据进行模型训练,经60炉数据验证表明,有5％的炉次预报值与实际值完全一致,有76．67％的炉次误差≤0．003％。平均误差为0．0025％。     

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。      

铁水运输时硫含量的变化

焦炭中的硫含量以及高炉冶炼工艺决定了铁水中的硫含量。但是出铁时分析的铁水硫含量与倒入炼钢设备时的铁水硫含量不一致。在混铁炉中铁水硫含量的一些数据,比高炉出铁口处铁水硫含量高0.007～0.0014％,其他数据为0.006～0.009％(由于炉渣碱度降低,硫从渣中转移到铁中)。     

神经网络在高炉铁水硫含量预报中的应用

采用3层BP神经网络来预报高炉铁水硫含量,根据高炉冶炼的实际生产数据,选取风温、风量、炉顶温度、焦炭负荷、喷煤量、矿石硫含量、焦炭硫含量、煤粉硫含量和上一炉铁水硅含量9个因素作为输入变量,为提高神经网络预报的准确率,对输入参数进行时滞处理.采取附加动量项和自适应学习步长的措施,解决了BP神经网络局部收敛和学习时间过长的问题.模型预报结果表明:当允许绝对误差不大于0.001时,预报命中率为70.7%;当允许绝对误差不大于0.005时,命中率为90%,证明了模型的有效性.     

铁水硫含量与脱硫炼钢系统生产成本的关系

通过对攀钢铁水硫含量及脱硫炼钢系统的原材料消耗进行全面调查（试验数据采用“样本子集”的数据统计方法进行处理）,提出了增中脱硫车间的铁水处理量,优化硫工作,转炉采用活性石灰、少渣炼钢工艺等措施,可大幅度降低炼钢成本。     

应用人工神经网络和遗传算法预测高炉铁水硫含量

以人工神经网络和遗传算法为基础,建立了以遗传算法优化神经网络初始化权值的铁水硫含量预测系统,有效地提高了预测精度,减少了计算时间.在线应用表明,本预测系统可有效预测高炉铁水硫含量,对高炉实际生产具有较好的指导作用.     

攀钢西昌钢钒高炉铁水适宜硫含量分析

为了寻求炼铁、炼钢工序经济适宜的铁水硫含量,通过对生产数据的统计,分析了攀钢西昌钢钒1号高炉铁水硫含量与技术经济指标的关系,得到了攀钢西昌钢钒高炉铁水钛含量与铁水硫含量及焦比的回归公式;并依据高炉冶炼过程中实际的矿焦比与铁水钛含量的经验数据,计算分析了不同铁水硫含量与炼铁的原、燃料成本的关系,综合考虑炼钢脱硫成本的变化,得出当前硫负荷条件下铁水适宜的硫含量(质量分数)应控制在0.085%左右.     

降低高炉铁水硫含量的措施分析

从理论上分析了影响铁水硫含量的因素，通过计算高炉硫负荷，分析造渣制度存在的不足，提出了降低杭钢高炉硫含量的措施。     

A BP neural network based mathematical model for predicting Si content in hot metal from COREX process

The high and fluctuation property of ??Si?? content in hot metal (HM) is always a problem in COREX process. The precise prediction of ??Si?? content in HM from COREX process can provide a theoretical basis and technical reference for stabilizing and reducing the ??Si?? content in HM. A back propagation (BP) neural network was established to predict the ??Si?? content in HM from COREX process. The input parameters of the model were determined by correlation analysis, and the hysteretic heats corresponding to each parameter were determined by calculating the Deng??s relevancy. The results show that when the prediction error is ??0. 1%, the hit rate is 80%. The method of continuous updating the training samples was used to improve the prediction accuracy of the model. The prediction results show that the hit rate is 90% in absolute error range of ??0. 1%, and the prediction accuracy has been greatly improved compared with previous model. The improved model can provide a theoretical basis for judging the change of ??Si?? content in HM and subsequent operations.     

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.     

基于支持向量机的铁水硅含量的预测

为了准确预测高炉炼铁过程的硅含量,分析了高炉工艺参数对高炉铁水硅含量的时序性影响,以支持向量机理论为基础构建了2类铁水硅含量预测模型,即硅含量模型和硅变化量模型。利用首钢迁钢3号高炉铁水硅含量数据进行模型测试,测试结果表明2类模型预测命中率均可达到80%。     

铁水预处理粉剂用量优化的神经网络模型

铁水脱硫预处理是炼钢中的关键技术之一.在分析炼钢铁水预处理工艺流程基础上,研究了影响脱硫效果的各种因素,消化、剖析了目前比较通用的铁水脱硫预处理各类控制模型.对于铁水预处理粉剂模型,设计了BP人工神经元网络数学模型,并给出了在系统中的应用方案,使脱硫效果提高8%,符合现场实际生产需求,避免了过吹引起粉剂的浪费.     

支持向量机在铁水硅含量预报中的应用

支持向量机是基于统计学习理论发展而来的一种机器学习算法,它能较好地解决非线性、高维数、小样本、局部极小点等实际问题。本文提出了使用最小二乘支持向量机模型预测高炉铁水硅含量的方法,以山东莱钢1号高炉在线采集数据作为应用案例。结果表明最小二乘支持向量机模型预测高炉铁水硅含量命中率可达到85%以上。     

基于神经网络的脱硫剂加入量预报模型的研究及应用

针对攀枝花新钢钒股份有限公司提钒炼钢厂铁水脱硫预处理生产工艺过程,建立基于增加动量项和采用最大误差学习法的改进BP算法脱硫剂加入量预报模型。利用攀钢铁水脱硫现场生产数据对模型进行训练和莉试,并在炼钢厂进行模型的现场应用试验。结果表明,模型的脱硫命中率达到96．8％,同时模型应用后也降低了脱硫剂的消耗量。     

GA-BP的铁钢界面铁水温度预测

铁钢界面铁水温度对炼钢生产的控制与优化具有重要意义.因此,为了更加准确地获取铁钢界面铁水温度,本文采用较大样本构建了基于遗传算法(GA)优化的BP神经网络铁水温度预测模型.对影响铁钢界面铁水温度的因素分析,选取了出铁时间、预处理时间、重罐时间、空罐时间、出铁铁水温度、预处理后铁水温度、铁水质量7个关键因素作为模型的输入...     

模糊贝叶斯网络应用于预测高炉铁水含硅量变化趋势

贝叶斯网络在高炉铁水含硅量预测中已取得较好效果.本文的进一步改进是利用模糊逻辑方法能很好地将数据分成离散模糊集的优势,对模型参数进行有效的模糊分类,以此作为贝叶斯网络的输入,进行混合建模.对山东莱钢1号高炉智能控制专家系统在线采集数据进行计算证明,对一般高炉混合模型可提高预测命中率到90%.     

基于神经网络的热带钢连轧弯辊力预报模型

针对传统弯辊力预设定模型的缺陷和带钢热连轧轧制特点,利用日照钢铁有限公司1580 mm七机架热轧机生产数据,对精轧机组进行了基于神经网络的弯辊力优化预报。基于神经网络的弯辊力预报模型与传统模型相比,可进行高度非线性模拟,以大量实际数据作为神经网络训练输入,有模型结构简单、容易实现等优点。基于神经网络的弯辊力预报模型不但考虑各种输入参数相互之间的影响作用,而且考虑到各机架输出之间的关系,可用于提高头部板形控制精度,并为实际弯辊力设定提供了指导和试验基础。