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。     

改进训练方法的模糊神经网络模型预报转炉终点磷的研究和应用

根据150 t转炉的冶炼工艺和生产数据及转炉终点磷含量的影响因素,并针对现有BP网络学习算法的不足,基于BP算法提出一种改进网络训练算法,建立了基于模糊神经网络的转炉终点磷含量的预报模型。结果表明,改进后的模型预报转炉终点磷含量误差为±0．002％的命中率达68．69％,预报误差±0．004％的命中率达95．96％,磷含量的最大误差为±0．006％。     

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%。     

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.     

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%.     

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。     

转炉冶炼提高终点碳试验研究

介绍了依靠转炉现有生产装备，通过优化冶炼工艺，利用终点投弹及时掌握钢水终点情况，进行了提高转炉冶炼终点碳的试验。试验结果表明转炉冶炼终点平均碳含量比原工艺提高了0．032％，平均氧含量比原工艺降低了0．03836％，且成品磷含量全部符合钢种内控成分要求。这既降低了生产成本，减轻了脱氧负担，又提高了实物质量。     

基于双输出神经网络的转炉碳温控制模型

分析了转炉终点碳温控制时应采用的控制变量，采用标准差和中位数等方面对转炉冶炼输入变量进行前处理，用主成分分析法对现场数据的神经网络训练样本进行降维处理，建立了基于双输出神经网络的转炉终点碳温控制模型。     

应用炉气分析预测转炉吹炼终点碳含量

应用炉气分析预测转炉吹炼过程中熔池碳含量的变化,并对吹炼终点时的碳含量和脱碳速率、氧枪枪位的关系进行了研究,得出如下结论:(1)碳积分模型只适合入炉原料数据准确的情况下,对终点碳含量进行预测;(2)吹炼末期,碳含量和脱碳速率的关系可用三次方函数描述;(3)为排除枪位对数据拟合的影响,对于恒压变枪位吹炼,在不同的枪位下调整三次方模型参数,即可实现对终点高、中、低碳含量进行预测.     

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.     

转炉冶炼终点静态控制预测模型

基于天津天铁冶金集团30t转炉炼钢实际生产数据,首先建立了转炉炼钢终点静态控制的吹氧量及矿石用量统计模型,其预测100个炉次吹氧量和矿石用量平均相对误差分别为0．58％及10．4％。考虑到影响终点钢水温度和碳含量的因素比较复杂,设计了预测钢水终点温度和碳含量的人工神经网格模型,利用Levenberg-Marquardt算法和257个炉次的实际生产数据进行了模型训练,并对另外100个炉次的终点钢水温度及碳含量进行了预测,在终点钢水温度为1646-1698℃和终点碳质量分数为0．033％～0．128％的范围内,得到的终点碳温双命中率为55％。     

运用BP人工神经网络方法构建碳钢区域土壤腐蚀预测模型

通过测量大庆地区区域土壤的理化性质以及碳钢的短期腐蚀数据,分析土壤传质过程的逻辑关系,构建了碳钢短期土壤腐蚀预测模型.通过用该模型在BP人工神经网络中进行学习、训练及模拟,并与现场碳钢埋片腐蚀实验结果对比,进一步验证了腐蚀模型的合理性.结果表明:含水量、空气容量、pH、Cl^-含量、SO₄^2-含量和可溶盐总量六种土壤环境参数为影响区域土壤中碳钢腐蚀的主要因素;运用基于Matlab平台的人工神经网络,通过不断地积累土壤腐蚀信息,多次训练后可以建立起稳定性好、泛化能力强的土壤腐蚀预测模型,能较好地预测了大庆地区碳钢在土壤中的腐蚀速率.     

转炉吹炼温度预报人工神经网络模型的开发

采用人工神经元网络技术开发了转炉冶炼终点钢水温度预报模型.利用宝钢的实际生产数据对模型进行训练,并编制了相应的应用软件.软件运行结果表明,钢水温度预报模型验证精度误差在±12℃范围内的占60%以上,建立的模型精度可以满足现场工艺要求.     

影响转炉终点碳氧积的因素分析

为了提高转炉终点碳氧质量分数的控制水平,通过对某厂两座转炉现场生产数据的统计,分析了转炉终点碳氧质量分数的分布状态,研究了炉龄、碳质量分数、终点温度等因素对终点碳氧积的影响规律,对完善生产工艺提出了相应建议。     

基于新变量选择方法的FNN预报转炉终点

考虑到机理模型能较准确给出转炉吹炼过程的定性规律，而难以给出可靠的定量关系，首先利用冶金机理模型和PLS方法分析影响转炉终点碳的因素，然后建立基于模糊推理神经网络的转炉终点碳预报模型。结果表明，此法能有效提高对转炉终点碳预报的命中率和网络的训练速度。在w(C)绝对误差±0.02%控制精度下命中率达94.12%，相对误差±10%控制精度下命中率达56.86%。     

基于人工神经网络的CSP热轧板带力学性能预报

建立了BP神经网络力学性能预报模型.神经网络模型经过训练,得到的预报结果与实际测量的数据相比较表明:BP神经网络预报产品的力学性能精度较高,具有良好的推广价值.