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%。     

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。     

基于时间序列的神经网络高炉炉温预测

稳定的炉温是保证高炉顺行、提高生铁质量和实现节能降耗的必要条件。针对高炉炉温与铁水硅质量分数及铁水温度之间存在的相关关系,利用某钢铁厂高炉的在线生产数据,构建一种双输出神经网络炉温预测模型,同时预测铁水硅质量分数和铁水温度,以便更加全面地预测炉温;同时,深入研究炉温时间序列对该模型性能的影响,确定较好的时间序列,建立基于时间序列的炉温预测模型。仿真结果表明,模型预测精度大大提高,可为高炉操作人员决策提供可靠依据。     

太钢高炉降硅冶炼技术

通过对太钢高炉降硅冶炼进行大量的理论分析与实验研究，得出了铁水硅质量分数的影响因素，找到了降硅冶炼的有效途径，达到铁水低硅冶炼的目的，铁水质量有了明显的提高。     

基于概念格和改进粒子群算法的铁水硅含量预测模型

铁水硅含量是高炉生产过程中的一个非常重要的指标。文章采用概念格作为数据约简工具,对影响硅含量的冗余参数进行约简,同时采用一种基于人工鱼渐变视野的粒子群优化算法(AFIV-PSO),对SVM的相关参数进行优化,提出基于概念格和改进粒子群优化算法的支持向量机预测模型,并将该模型应用于高炉铁水硅含量预测,取得很好效果,同时为高炉炼铁的节能降耗工作提供理论指导。     

基于WA SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WA SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

应用优化BP神经网络建立铁水硅含量的预测模型

 高炉铁水的硅含量是描述铁水质量的一个重要指标。为了在出铁之前了解铁水中硅含量的高低,建立预测模型是必要的。结合遗传算法(GA)和BP神经网络,建立了优化的GA BP预测分析模型,从某高炉选取生产数据进行学习和预测。运行结果表明,模型具有较高的预测精度,当要求绝对误差为±005时,命中率可达70%;绝对误差为±008时,命中率可达923%。同时,应用该模型分析回归了高炉风量、热风压力、富氧量与铁间料批数等参数与铁水硅含量之间的相关关系,其结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导。     

主成分分析和最小二乘支持向量机模型在铁水硫和硅含量预测中的应用

良好的铁水质量是铸铁性能可靠性和稳定性的保证,而铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标,因此在出铁前精准获取铁水S含量和Si含量具有非常重要的意义。实验提出一种结合主成分分析(PCA)和最小二乘支持向量机(LS-SVM)模型的铁水S含量和Si含量的预测方法。将某钢厂大型高炉的在线采集数据作为研究对象,首先对影响铁水中S含量和Si含量变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机预测模型对铁水S含量和Si含量进行预测。在S含量预测过程中,正则化参数gam和核函数参数sig分别取20、700时,预测误差最小,其均方根误差为0.0012,仿真时间为0.423105s;Si含量预测过程中正则化参数gam和核函数参数sig分别取40、500时预测误差最小,均方根误差为0.0238,仿真时间为0.079522s。最后将实验结果与传统最小二乘支持向量机(LS-SVM)和结合PCA的BP神经网络预测模型(PCA+BP神经网络)的结果对比,后两组对比实验关于S含量预测的均方根误差分别为0.0015和0.0014,仿真时间分别为1.320842s和2.245967s;后两种对比实验关于Si含量预测的均方根误差分别为0.0316和0.0325,仿真时间分别为0.459671s和2.061576s。实验结果表明,实验方法更加全面地考虑了所有因素对铁水中S含量和Si含量变化的影响,具有训练时间短、预测精度高等优点。     

基于大数据的高炉炉温监测预警系统

随着新一轮产业变革和技术革命的兴起，钢铁制造业正在由高碳向低碳、由低端向高端转型升级。为实现高效率、低能耗、长寿命、低污染的综合目标，现代炼铁工艺逐渐趋于绿色化、智能化。高炉为一个非线性、大时滞的黑箱化系统，高温高压的环境使得高炉炉温的测量和控制都不易实现。利用铁水硅含量、铁水温度与高炉炉温的正相关性，建立基于大数据分析的铁水硅含量以及铁水温度预测模型，间接实现对炉温的预测。首先，利用经过异常值、缺失值以及归一化处理后的高炉标准数据数据集，通过多角度的相关性分析方法完成对模型输入变量的选取；然后，通过模型综合对比，建立基于Adaboost模型的铁水硅含量、铁水温度预测模型；最后，结合计算机技术建立高炉炉温监测预警系统。该系统的应用不仅有效解决了传统冶炼工艺带来的弊端，而且能起到延长设备生命周期、提前预测炉况走向等作用，有效推动了高炉智能化转型。     

基于CatBoost算法的高炉铁水硫含量预测

高炉铁水中的硫含量是描述铁水质量的一个重要指标。在出铁之前了解铁水中硫含量的高低，对于高炉实际生产具有重要作用，因此预测模型的建立非常必要。本文利用Catboost算法建立了高炉铁水硫含量的预测分析模型，采用国内某钢铁企业实际高炉生产数据进行学习和预测。运行结果表明，Catboost模型预测精度较高，计算时间较短，满足实际生产需求，同时模型的特征参量通过人工经验和相关性分析相结合的方法，相关关系结果与高炉冶炼理论基本吻合。测试结果表明，基于Catboost算法建立的高炉铁水硫含量预测模型在实际生产中能够起到很好的预测效果，对合理把控高炉铁水硫含量具有重要的参考意义。     

小波模糊神经网络在高炉铁水硅质量分数预测中的应用

在运用模糊神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对模糊神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水中硅的质量分数.仿真结果表明小波模糊神经网络比模糊神经网络更具优越性,预测准确率明显提高.     

高炉铁水硅含量自组织预测中的模式量化

研究了高炉铁水硅含量自组织经验进化预测模型中的模式量化问题。在模式量化方案中,采用高炉过程变量时间序列数据的均值、梯度值和波动值作为数据的特征最来进行特征提取,将可预测率、命中率、趋势命中率等判据用于评判预测效果,并用天津铁厂1号高炉的过程数据进行了离线检验。结果表明：基于过程变量的特征提取方法可用于具有均匀时间间隔的高炉过程数据的特征提取。正确运用该方法可使铁水硅含量自组织预测模型的预测命中率提高10％左右。     

贝叶斯网络在高炉铁水硅含量预测中的应用

应用贝叶斯网络对高炉铁水硅含量进行预测。首先阐述了贝叶斯网络的数学描述,在此基础上给出贝叶斯网络预测公式的一种简化形式。然后建立高炉铁水硅含量的贝叶斯网络预测模型,对山东莱钢1 号高炉在线采集的2 000炉数据进行网络学习,离线预测取得了较好的效果。与神经网络等其他方法相比,它更适合解析高炉过程,而且透明的推理过程对高炉工长判断炉温变化趋势具有指导意义。     

龙门钢铁公司高炉降硅冶炼生产实践

对龙门钢铁公司4座高炉降硅冶炼实践进行了总结,通过采取精料技术措施、摸索合适的操作参数、创新炉况管理方式,使高炉铁水平均硅质量分数降至0.4%以下,确保了高炉生产的稳定顺行。     

基于变邻域粒子群算法的铁水硅含量稳定性分析

影响高炉铁水硅含量的因素往往复杂多变,影响程度不一。采用鱼骨分析法收集所有可能对硅含量产生影响的因素,经过相关分析和特征选择,最终选取6个参数作为模型的输入参数。采用改进的粒子群优化算法对支持向量机(SVM)中的参数进行优化,提出基于变邻域粒子群(VNPSO)优化SVM的铁水硅含量预测模型。通过钢厂的实际生产数据进行验证,平均相对误差达到0.69%,平均绝对误差达到3.4×10~(-3),模型具有很高的预测精度。同时,绘制铁水中硅含量控制图,分析硅含量波动情况,并依此模型给出硅含量稳定性控制措施。     

基于灰色关联分析和超限学习机的高炉铁水硅含量预测

炉温的实时预测技术对高炉生产稳定顺行具有重要意义,在高炉炼铁过程中,通常间接用铁水硅含量的变化来表示高炉炉温的变化。针对硅含量预测效率和精度不足的问题,建立了铁水硅含量预测模型。以现场数据为样本数据,采用灰色关联分析(grey correlation analysis, GCA)获得与硅含量相关度较高的生产指标,以相关指标为输入、硅含量为输出,构建超限学习机(extreme learning machine, ELM)算法模型,对模型进行训练。现场数据计算表明,该模型的预报命中率达87%(误差不小于0.10),实现了高炉铁水硅含量的准确预报。     

基于最小二乘支持向量机的结晶器液面预测控制

 针对连铸过程的结晶器液面控制问题,提出了基于最小二乘支持向量机技术的预测模型的预测控制方法。利用最小二乘支持向量机对非线性过程建立预测模型,采用非线性预测控制方法进行控制。以结晶器液面控制过程为控制对象进行仿真,仿真结果表明,最小二乘支持向量机的建模方法可以有效地建立预测模型并且具有较好的泛化能力,基于这种预测模型的预测控制具有很好的控制性能。     

基于支持向量回归与极限学习机的高炉铁水温度预测

选取某4000 m3级别高炉2014年至2019年时间范围内的日平均数据，以铁水温度为目标函数，首先对铁水温度的特征参量进行线性与非线性相关性分析、特征选择与规范化处理，获取了显著影响铁水温度的正负相关性特征参量。在此基础上，基于支持向量回归与极限学习机两种算法对铁水温度构建预测模型，模型均可对铁水温度实现有效预测，基于支持向量回归算法构建的预测模型较优，预测平均绝对误差为4.33 ℃，±10 ℃误差范围内的命中率为94.0%。      

基于改进小波-TCN的高炉铁水钒含量预测系统

铁水钒含量作为冶炼钒钛磁铁矿高炉的重要经济指标,对其进行准确预测将对高炉后续提钒增效具有重要生产意义。利用小波-TCN组合时序模型对具有非线性、波动大等特点的高炉铁水钒含量进行预测。首先利用小波变换将原时间序列数据分解成多个噪声段和单个趋势段,然后选用TCN模型对小波变换后的噪声段和趋势段分别进行预测,最后将结果重构得到最终的预测结果。对于选取小波变换层数较复杂的问题,利用赫斯特系数能够表征数据可预测性的特点,提出小波变换后的平均赫斯特系数()用于降低模型建立过程中小波变换层数选取的复杂度,从而改进小波-TCN组合时序模型。结果表明,改进后的预测模型对单一变量预测高效且准确,相对非改进模型运算时间减少150%左右。对于赫斯特系数大于0.5的预测数据,利用改进小波-TCN组合时序模型对铁水钒含量进行预测,预测结果数据的R²达到0.967,均优于LSTM、LSTM with Attention和TCN单一预测模型的预测效果;对铁水硅、硫含量和铁水温度数据进行单变量预测,其R²分别为0.953、0.942和0.933。该预测模型可高效准确地对高炉铁...     

基于神经网络对铁水硫含量的优化和分析

高炉铁水中的硫含量是描述铁水质量的一个重要指标.为了在出铁之前了解铁水中硫含量的高低,建立预测模型是必要的.本文利用遗传算法(GA)和BP神经网络构造了高炉铁水硫含量的预测分析模型,从某高炉选取117组数据进行学习和预测.运行结果表明,模型预测精度较高,当要求绝对误差为±3×10-6时,命中率可达61.54%;绝对误差为±4×10-6时,命中率可达84.69%.在此基础上,应用该模型回归分析了高炉风量、热风压力、富氧量、铁间料批数与铁水硫含量之间的相关关系,结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导.