一种转炉炼钢动态终点预报的新方法

1　引言转炉炼钢就是将含有较多杂质的铁水与吹入的氧气发生反应 ,达到去除杂质的目的 ,从而获得要求的钢水成分和温度 .目前自动化炼钢的方法是静态控制和以副枪检测信息为基础的动态控制相结合的方法 .动态控制的关键是准确预报转炉炼钢终点温度和碳含量 .文 [1 ]在文 [2 ,3]的基础上采用 RBF神经网络对转炉炼钢终点温度和碳含量进行预报 ,提高了预报精度 .但是 ,终点温度和碳含量受到非定量因素的影响 ,文 [4 ]提出以灰色模型为基础的预报方法 ,由于应用线性回归补偿 ,因而影响预报精度 .本文将灰色模型与RBF神经网络相结合提出新的转…     

转炉炼钢智能动态终点控制

针对转炉炼钢过程复杂,影响终点因素多,而且难以进行连续准确针测量,提出了基于副枪检测信息的智能动态终点控制方法。采用灰色模型并通过神经网络进行补偿对转炉炼钢终点温度和碳含量进行预报,在此基础上,以RBF神经网络作为预设定模型,通过模糊调整确定补吹阶段需要的氧气量和加入的冷却剂量,并对一座180吨转炉进行仿真计算,结果表明了该方法的有效性。     

基于变量选择的转炉炼钢终点预报模型

转炉炼钢的终点预报模型对于钢水终点碳含量和温度的命中非常重要.针对高维输入不利于建立精确模型的问题,使用互信息方法对预报模型输入变量进行选择.为了区分各输入变量对输出的不同重要程度,对各输入变量进行加权处理,并采用微粒群算法对权值进行优化.最后,使用支持向量机方法建立转炉炼钢终点碳含量和温度预报模型.对一座180t转炉实际生产数据进行仿真,结果表明,合理的变量选择和加权处理能有效提高模型的预报精度.     

基于神经网络的转炉炼钢终点控制

转炉炼钢是一种非常重要的炼钢方法,终点控制是转炉炼钢后期的重要操作.由于冶炼过程温度极高,很难进行准确及时地测量,无法形成通常意义下的反馈控制.采用RBF神经网络预报转炉炼钢终点温度和碳含量,在此基础上提出了基于神经网络的动态终点控制方法来确定在补吹阶段需要的吹氧量和加入的冷却剂量,克服了传统控制方法中基于热平衡和氧平衡控制模型不准确的缺点,提高了终点命中率.     

基于PSO-ICA 和RBF 神经网络的转炉炼钢终点预报模型

提出将微粒群优化算法和独立成分分析引入到径向基函数神经网络模型用于转炉炼钢终点预报．利用 微粒群优化算法的全局遍历特性和快速不动点算法的局部寻优能力,改进了传统的独立成分分析算法,解决了其目 标函数易陷入局部最优和独立特征排序不确定的问题,压缩冗余信息并降低输入维数．将提取出的独立特征输入径 向基函数神经网络,预报终点温度和碳含量．对转炉生产实测数据进行了仿真,结果表明该模型能有效提高预报精 度,保证预报的可靠性．     

神经元网络在VD温度预报模型中的应用

在对冶金生产过程中的现场实际情况进行详细分析的基础上,采用神经元网络技术建立和开发了一个真空脱气炉（VD）钢水温度的预报模型.该模型从基础自动化系统和L2过程控制系统中获得所需的数据,并通过设计的输入数据对神经网络进行了训练、检验和性能评价.该模型通过L2过程计算机,以网络方式向操作人员预报并指示VD开盖温度,经过实际运行,该模型可以准确预报VD终点温度,实现了对VD终点温度的精确控制,对于保证生产的顺利进行和节约能源有着重要的意义.     

电弧炉终点温度的GASVR_GM预报模型研究

电弧炉终点温度是炼钢过程中的重要指标之一,决定了钢水的质量和整体成本.电弧炉终点温度预报模型的建立是实现炼钢自动化的重要环节,为了得到高精度的终点温度预报值,提出了一种GASVR_GM的钢水终点温度预报模型.该模型以定量因素为主,采用遗传算法优化的支持向量回归机预报终点温度;再运用灰色模型进行预报误差的补偿,解决非定量因素的影响,实现滚动预报.试验仿真表明,与智能软测量方法相比,GASVR_GM预报模型具有更高的精度和鲁棒性.     

基于混合递阶遗传神经网络的转炉温度预报

针对转炉控制中对吹炼终点温度的控制问题,提出了基于混合递阶遗传RBF神经网络(HGA-RBF)的转炉炼钢终点温度预报模型.研究了RBF网络的特点,用递阶遗传算法克服了网络的结构和参数选择的随机性问题;并结合最小二乘法,提高了收敛速度.仿真结果表明,此算法在一定程度上提高了RBF网络的优化收敛速度和训练测试精度.某钢铁公司提供的实际冶炼数据试验,也证明了该模型预报精度较高,对提高生产的质量有重要意义.     

钢水碳含量模型的模糊辨识及应用

提出一种依据实测的温度、氧含量、碳含量数据,应用模糊推理辨识氧气顶吹转炉钢水终点定碳预报模型的方法.介绍了如何采用窗口移动收缩法确定有效测量值.     

基于神经网络预测控制的转炉终点优化控制

基于转炉静态模型控制的终点优化控制,可为后期冶炼提供更精准的入炉主辅料配给信息,进而提高终点碳温的一次倒炉命中率。以神经网络预测控制理论为指导,采用BP网络作为转炉系统的辨识预测模型,并利用改进的粒子群算法(PSO)作为网络预测控制器的最优化算法,对影响转炉终点碳温的入炉主控量——吹氧量和废钢加入量进行寻优,从而实现对终点碳温的优化控制。最后,采用某钢厂的实际生产数据进行验证,结果表明所建立的优化控制模型可有效快捷地实现终点碳温的优化控制。     

基于多任务学习的炼钢终点预测方法

钢水质量通常根据终点命中率来判断,但炼钢过程影响因素众多,机理分析难以准确预测终点温度和含碳量,鉴于此,提出一种由数据驱动的多任务学习（MTL）炼钢终点预测方法。首先,分析并提取炼钢过程的输入和输出要素,结合炼钢两阶段吹炼特点选择多个子学习任务;其次,根据子任务与终点参数的相关性选择合适的子任务,提升终点预测的准确度并构建多任务学习模型,再对模型输出结果进行二次优化;最后,通过近端梯度算法对处理后的生产数据进行模型训练,获取多任务学习模型的过程参数。以某钢厂为案例,该方法相比神经网络在终点温度12℃误差范围内和终点含碳量0.01%误差内的准确度提升了10%,误差范围6℃和0.005%的预测准确度分别提升了11%和7%。实验结果表明,多任务学习在实际中能够提升终点预测的准确性。     

Endpoint prediction model for basic oxygen furnace steel-making based on membrane algorithm evolving extreme learning machine

The endpoint parameters of molten steel, such as the steel temperature and the carbon content, directly affect the quality of the production steel. Moreover, these endpoint results cannot be the online continuous measurement in time. To solve the above-mentioned problems, an anti-jamming endpoint prediction model is proposed to predict the endpoint parameters of molten steel. More specifically, the model is constructed on the parameters of extreme learning machine (ELM) adaptively adjusted by the evolutionary membrane algorithm with the global optimization ability. In other words, the evolutionary membrane algorithm may find the suitable parameters of an ELM model which reduces the incidence of the overfitting of ELM affected by the noise in the actual data. Finally, the proposed model is applied to predict the endpoint parameters of molten steel in steel-making. In the simulation experiments, two test problems, including ‘SinC’ function with the Gaussian noise and the actual production data of basic oxygen furnace (BOF) steel-making, are employed to evaluate the performance of the proposed model. The results indicate that the proposed model has good prediction accuracy and robustness in the data with noise. Therefore, the proposed model has good application prospects in the industrial field.     

石墨化炉人工神经网络预测控制的研究

针对目前石墨化炉控温精度不高,时有裂纹废品出现的现状,为提高石墨电极质量,实现石墨化炉的精确控温问题,提出了石墨化炉神经网络预测控制策略。利用径向基函数神经网络建立了石墨化炉稳态模型;利用工业过程裸模化方法,建立了石墨化炉的动态模型,为进一步实现石墨化炉的神经网络预测控制,完成了至关重要的第一步。该石墨化炉神经网络模型,计算机仿真结果非常理想,拟和精度很高,完全可以作为下一步实现预测控制的模型。     

贪婪核主元模糊神经网络在转炉炼钢终点预报中的应用

本文提出基于核思想和贪婪算法的主元模糊神经网络模型,用来进一步提高转炉终点碳含量和 温度预报模型的精度．采用核函数把输入变量向高维特征空间映射以充分挖掘变量的隐藏信息,经贪婪算法 优化选取主元,除去变量的冗余信息,降低输入维数．将提取的主元输入自适应神经模糊推理系统后,网络 以规则的形式来反映数据间蕴含的关系;以此模拟操作工经验,减少经验差异带来的影响．对转炉生产实测 数据进行了仿真,结果表明该模型是有效的．     

基于RBF神经网络的钢坯温度预报软测量模型研究

钢坯加热过程是钢铁企业热轧生产中非常重要的工艺环节。钢坯温度预报模型是实现加热炉优化控制的重要基础,用常规仪器很难直接测量出钢坯温度。给出了基于RBF神经网络的软测量模型结构,对钢坯温度进行预报的仿真结果。     

Nonlinear model predictive control for the ALSTOM gasifier

In this work a nonlinear model predictive control based on Wiener model has been developed and used to control the ALSTOM gasifier. The 0% load condition was identified as the most difficult case to control among three operating conditions. A linear model of the plant at 0% load is adopted as a base model for prediction. A nonlinear static gain represented by a feedforward neural network was identified for a particular output channel—namely, fuel gas pressure, to compensate its strong nonlinear behaviour observed in open-loop simulations. By linearising the neural network at each sampling time, the static nonlinear model provides certain adaptation to the linear base model at all other load conditions. The resulting controller showed noticeable performance improvement when compared with pure linear model based predictive control.     

Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction

Basic oxygen furnace (BOF) steelmaking is a complex process and dynamic model is very important for endpoint control. It is usually difficult to build a precise BOF endpoint dynamic model because many input variables affect the endpoint carbon content and temperature. For this problem, two effective variables selection steps: mechanism analysis and mutual information calculation are proposed to choose appropriate input variables according to a variable selection algorithm. Then, the selected inputs are weighted on the basis of mutual information values. Finally, two input weighted support vector machine BOF endpoint dynamic models are constructed to predict endpoint carbon content and temperature. Results show that the variable selection for BOF endpoint prediction model is essential and effective. The complexity and precise of two endpoint prediction models are improved.     

基于Hammerstein 模型的感应电机变频器调速系统神经网络控制

针对感应电机变频器调速系统的非线性特点,提出一种基于Hammerstein模型的神经网络控制方法。 Hammerstein模型由静态非线性模块和动态线性模块组成。首先,利用ARMA模型实现对感应电机变频器调速系统的线性动态模块辨识;然后,基于该辨识模型,实现调速系统非线性静态模块神经网络逆模型辨识与系统直接逆控制;最后,针对控制过程中存在的电机负载扰动问题,设计了神经网络直接逆控制器在线学习与控制策略。仿真实验表明,所提出的控制策略可以获得满意的控制效果。