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…     

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.     

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．     

转炉炼钢终点磷的智能预报

提出了一种用于预报转炉炼钢终点磷含量的智能方法, 在该方法中, 采用模糊推理和遗传算法, 其中模糊推理用于估算转炉熔池的磷含量, 而模糊推理模型中的各个系数则由遗传算法辨识与优化. 为了提高熔池磷的估算精度, 同时还设计了一种神经网络以补偿来自模糊推理过程的误差. 仿真结果表明了该方法的有效性.     

基于grey Markov--支持向量机的电弧炉终点参数预报

考虑电弧炉终点参数既受定量因素的影响,又受非定量因素的影响.将灰色马尔可夫 (grey Markov)与支持向量机 (SVM)相结合.建立了电弧炉终点参数grey Markov-SVM预报模型,其中grey Markov模型反映非定量因素对电弧炉终点参数预测值的影响,SVM模型反映电弧炉各种定量输入对终点参数预测值的影响.建立grey Markov-SVM模型的方法是:首先建立反映非定量因素的GM (1,1)模型,然后用Markov链修正其预测值:由于grey Markov模型对定量输入的影响无法准确反映,因此grey Mar-kov模型必然存在预测偏差,此预测偏差通过建立反映定量输入与终点参数预测偏差之间关系的SVM模型方法加以补偿,并采用粒子群算法 (PSO)对SVM的参数进行寻优,最终得到电弧炉终点参数的预报值,同时实现滚动预测.仿真实验表明grey Markov-SVM模型与grey-SVM模型、Markov-SVM相比较,具有很高的终点预报精度.     

炼铜转炉吹炼终点的神经网络和自适应残差补偿组合预报模型

提出了基于改进的BP神经网络学习算法和自适应残差补偿算法的炼铜转炉吹炼终点组合预报模型. 利用某厂实际生产数据进行仿真运行的结果表明, 本文建立的模型具有较高的预报精度和较强的实用性, 可用于指导生产实践.     

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.     

基于EVRC的带噪汉语语音端点检测

提出了一种基于EVRC的端点检测方法。在背景噪声变化的环境下,该方法将语音映射到一个基于心理声学模型的语音矩阵中,通过跟踪噪声,得到的语音矩阵和参数能够适应不同的背景噪声环境。结合汉语语音的特点,使用该方法无需改变门限,即可准确的检测出语音的端点。     

基于火焰彩色纹理复杂度特征的转炉炼钢吹炼状态识别

在基于火焰图像识别的转炉吹炼状态识别过程中,针对已有方法存在火焰彩色纹理信息利用不充分和状态识别率仍需提高的问题,提出一种基于火焰彩色纹理复杂度特征的转炉吹炼状态识别方法.首先,将火焰图像转化到HSI颜色空间下并作非均匀量化;然后,计算H分量和S分量的共生矩阵从而融入火焰图像的颜色信息;其次,利用得到的颜色共生矩阵计算火焰纹理复杂度的特征描述子;最后,应用Canberra距离作为相似度度量准则对吹炼状态进行分类和识别.实验结果表明,与已有的转炉火焰灰度共生矩阵和灰度差分统计方法相比,在满足吹炼识别实时性要求的前提下,所提方法的识别率分别提高了28.33%和3.33%.     

基于CJS-SLLE降维与即时学习的转炉炼钢终点碳温软测量方法

转炉炼钢中碳温的准确检测是终点判断的关键, 基于数据驱动的终点碳温软测量方法是一种有效途径, 但转炉炼钢生产过程数据存在高维度、非线性和数据波动大的问题. 针对这一问题, 本文提出一种降维与即时学习的终点碳温软测量(CJS-SLLE)算法用于过程数据的监督降维. 通过在距离度量中引入量化后的碳温标签信息, 从而构造了一种带有监督信息的度量方式实现类内类间方差的调整, 然后在带标签信息的基础上引入数据间方向信息, 从而实现了样本标签、方向和距离三者信息融合的一种新型(CJS)相似性度量策略, 应用到局部线性嵌入中获得高维训练样本低维坐标; 其次, 提出一种自适应局部线性投影策略用于无标签待测样本, 实现其低维坐标中同样包含标签信息; 最后, 根据即时学习算法选取样本子集建立偏最小二乘局部回归模型对终点碳温预测. 在实际转炉炼钢生产过程数据仿真下, 碳含量在±0.02%误差范围内预测精度达到90%, 温度在±10℃误差范围内预测精度达到87%     

基于改进单亲遗传算法的炼钢最优炉次计划模型

炉次计划在炼钢生产计划的编制过程中扮演着重要角色,优化的炉次计划对炼钢厂的高效、稳定运行产生深远影响.基于已有文献,并根据小方坯连铸过程的特点,考虑了钢种、断面、交货期等因素,建立了新的炉次计划模型,以期通过优化生产合同的组合而降低生产费用.炉次计划问题是复杂的组合优化问题,不可能在列举所有可能的求解结果.因而,采用了改进的单亲遗传算法寻求问题的最优/近优解.在求解过程中,通过分析比较,得到了合理的算法参数.最后,通过采用遗传算法、单亲遗传算法和改进的单亲遗传算法对模型求解结果的比较,验证了改进后单亲遗传算法的优越性.     

一种基于线性预测残差的语音增强算法

本文提出了一种基于线性预测残差的语音增强算法,以去除语音中的加性噪声。对不同噪声下语音信号的线性预测分析,不难发现线性预测系数携带有语音的频谱和共振峰信息。多次实验表明,在噪声位置预测系数较小,在语音位置预测系数相对较大,其平方和可以反映带噪语音信号的瞬时信噪比。本文将该平方和用在从维纳滤波导出的一个基于线性预测系数的去噪函数中,将该去噪函数结合B.Yegnanaraynana的提出的基于逆相对预测残差去噪的方法共同作用于线性预测残差信号,可得到增强的语音信号。实验表明这种方法可以得到较好的去噪语音,去噪的同时较好地保留了语音的可懂度,并且运算量较小。     

基于独立分量分析特征提取的带噪信号端点检测

运用独立分量分析(ICA)提取信号高阶统计特征的方法,提出一种新的利用信号自身统计特性的信噪区分方法,由于ICA变换可以增大语音和噪声的统计性差别,故在ICA域内可以有效区分语音和噪声。在此基础上提出了ICA能量(ICAE)和滤波ICAE(FICAE)特征来进行端点检测。实验表明,结合FICAE与ICAE的端点检测方法在不同信噪比时具有一定的稳定性,在很低信噪比下也能有效检测出语音的端点,显示了良好的抗噪性能,为强背景噪声下弱信号的端点检测提供了新的途径。