神经网络在高炉铁水含硫量预报中的应用

将TD方法与人工神经元网络方法有机地结合起来,提出了一种在高炉铁水含硫量预报中的应用策略。并基于鞍钢10^#高炉操作过程,建立了高 炉铁水含硫量预报专家系统。     

基于Stacking的高炉铁水质量区间预测

高炉炼铁多元铁水质量的实时准确预报是高炉内部状态进行实时监测和有效控制的重要手段,但预报结果存在准确度不高和缺乏可信度表征的问题,特别是在炉况不稳定和高炉数据波动大的情况下,多元铁水质量的预报结果存在较大偏差和较低可信度,不能为高炉日常操作和调节提供指导.针对这一工程难题,提出一种基于Stacking的高炉铁水质量区间...     

基于复合差分进化算法与极限学习机的高炉铁水硅含量预报

针对铁水硅含量无法直接在线检测的问题,本文提出了一种基于优化极限学习机(ELM)的高炉铁水硅含量预报方法.该方法利用复合差分进化算法(CoDE)的快速定位全局最优解的能力来优化极限学习机的输入权值和隐层节点阈值,在此基础上建立了基于复合差分进化算法优化极限学习机(CoDE-ELM)的高炉铁水硅含量预报模型.以某钢铁厂2650 m~3的高炉为例,利用实际采集数据进行模型检验,结果表明,当绝对误差小于0.1时,铁水硅含量的预报命中率为89%,均方根误差为0.047,实际目标值序列与预报值序列的相关系数为0.851.所建模型的预报结果优于支持向量机(SVM)、前馈神经网络(BP-NN)、极限学习机以及差分优化极限学习机(DE-ELM),对高炉炉温的实际调控具有较好的指导意义.     

基于Bootstrap的高炉铁水硅含量二维预报

高炉铁水硅含量的实时准确预报对调控高炉炉温和稳定炉况具有重要作用, 但其预报结果一直存在准确度不高和缺乏可信度表征等问题, 特别是在炉况不稳、运行数据波动较大时, 预报结果的准确度和可信度急速下降, 不利于现场操作人员根据预报结果进行生产操作. 为此本文融合神经网络和Bootstrap预报区间方法, 构建高炉铁水硅含量的二维预报模型, 实现在预报硅含量值的同时给出了该预测值的可信度.应用实例表明, 本文提出的方法提高了硅含量点预测结果的准确度, 且预测区间宽度能正确地表征点预测结果的可信度, 对实际生产操作具有较好的指导意义.     

高炉铁水硅含量预报的ICA-SVM建模方法

提出了一种基于改进的动态独立分量分析（independent component analysis, ICA）和支持向量机(support vector machine, SVM)的高炉铁水硅含量预报模型建模方法．采用动态ICA方法对样本数据进行特征提取,消除生产工艺参数之间的相关性．在此基础上,再使用目前计算复杂性较小的最小二乘SVM算法建立高炉铁水硅含量预报的动态递推模型,并引入了遗传算法以优化模型性能．以某钢厂高炉实际生产数据进行了应用实验,并与现有的时间序列分析、人工神经网络和基本SVM建模方法进行了对比．实验统计结果表明,本文方法显著提高了铁水硅含量的预测命中率．     

多维AR模型在高炉铁水含硅量预报中的应用

本文提供了用统计学方法建立的多维AR模型,用该多维AR模型对本钢五号高炉进行 了铁水含硅量预报的离线实验.     

双层自校正预报方法及其在高炉铁水含硅量预报中的应用

针对象高炉这样复杂的 MISO 系统,本文提出了一种双层自校正预报方法,将快时变部分的递推辨识和慢时变部分的迭代修正相结合,较好地解决了各子模型时间常数大小和时变性快慢相差较大所带来的问题,并在高炉铁水含硅量预报的实际应用中获得了满意的结果.     

基于主成分分析的动态神经网络预报方法及其应用

提出一种基于主成分分析法(PCA)和改进型多步E lm an网络的实时预报方法.该方法能够在保留大量原始数据信息的前提下,消除样本数据间相关性,简化网络结构,通过动态递归算法实现复杂非线性系统实时预报.将该网络应用于宝钢某高炉铁水含硅量的预报,以±0.05作为预报误差,预报命中率达到88.17%.     

复杂高炉炼铁过程的数据驱动建模及预测算法

高炉炼铁过程的控制意味着控制高炉铁水温度及成份在指定的范围. 本文以高炉炉内热状态的重要指示剂---高炉铁水硅含量为研究对象, 针对机理建模难以准确预测、控制高炉铁水硅含量的发展变化, 利用数据驱动建模的思想, 建立了基于多元时间序列的高炉铁水硅含量数据驱动预测模型. 实例分析表明, 建立的数据驱动预测模型能够很好地预测高炉铁水硅含量, 连续预测167炉高炉铁水硅含量, 命中率高达83.23%, 预测均方根误差为0.07260. 这些指标均优于基于单一硅时间序列所建立的数据驱动模型, 对实际生产具有很好的指导作用.     

基于最优工况迁移的高炉铁水硅含量预测方法

高炉铁水硅含量是铁水品质与炉况的重要表征,冶炼过程关键参数频繁波动及大时滞特性给高炉铁水硅含量预测带来了巨大挑战.提出一种基于最优工况迁移的高炉铁水硅含量预测方法.首先,针对过程变量频繁波动问题,提出基于邦费罗尼指数的自适应密度峰值聚类算法,实现对高炉冶炼过程变量的工况划分,并建立不同工况硅含量预测子模型.其次,针对冶...     

新疆杏脯降糖脱硫加工新技术的研究

高糖、高硫是限制新疆杏脯出口和内销的主要因素。采用加酸烫漂脱硫加工技术，可使产品含硫量（以ＳＯ２计）降至０５ｍｇ·ｇ－１以下；糖渍液中添加适量的氯化钠、氯化钙、柠檬酸以及蜂蜜可以降低制品的含糖量并可得到同样的保藏性能；明胶、琼脂是低糖杏脯合适的组织填充物，在糖渍液中的添加量分别是１０ｍｇ·ｇ－１，２０ｍｇ·ｇ－１。先糖渍后去核的杏脯加工新工艺应该在生产杏脯的果品加工厂推广应用。     

采用附加动量法的BP技术进行脱硫可行性数学模型的研究

控制SO2污染是当今世界关心的重大课题。煤是中国能源支柱，由燃煤造成的硫污染尤为突出。研究煤中硫分与产率之间的关系并建立适用的 模型是脱除硫工艺中至关重要的一步。本研究利用神经网络技术来研究硫分与产率之间的关系模型，此研究为寻求一种技术上可行、经济上合理的脱硫工艺，进而减少硫污染具有重要的理论价值和实际应用价值。     

Blast Furnace System Modeling by Multivariate Phase Space Reconstruction and Neural Networks

Time series data collected from a medium‐size blast furnace (BF) is analyzed using the phase space reconstruction. To achieve better reconstruction, multivariate correlation analysis is first applied to screen out correlated variables, which shows that three important variables, i.e., silicon content in hot metal ([Si]), permeability index (FF), and coal injection (PM), are most appropriate for multivariate reconstruction. The time delay and embedding dimension are determined via the autocorrelation function and false nearest neighbor method. With the reconstructed time series, the neural networks model is applied to construct the predictive model for silicon content in hot metal. The simulation shows that the models based on multivariate reconstruction give better predictions than those obtained by univariate reconstruction. Moreover, it reveals that multivariate reconstruction can greatly mitigate the drawbacks caused by insufficiency of data.     

Using non‐linear GARCH model to predict silicon content in blast furnace hot metal

Forecasting of silicon content in blast furnace (BF) hot metal has always been an important tool in the control of iron‐making process. To get an accurate prediction of silicon content is an urgent task for BF operators. The approach based on generalized autoregressive conditional heteroskedastic (GARCH) has been introduced to predict step‐ahead silicon content in BF hot metal. The algorithm has been explained in detail and simulation results have been analyzed from different criteria. It is shown that the algorithm gives good results and is helpful for practical production. Copyright © 2008 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

高炉铁水[Si]含量预测控制模型的设计与实现

本文分析了高炉炉温传统控制方法的弊端,介绍了一种依据BP神经网络和专家知识相结合的方法设计的高炉铁水[Si]含量预测控制模型,同时,还介绍了预测铁水[Si]含量的主界面窗口和实现功能的方法。     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。