基于烧结状态与集成学习的烧结矿转鼓强度预测

鉴于影响烧结转鼓因素较多,难精准预测的问题,将数据分析与现场经验结合,提出了一种基于烧结状态与集成学习的烧结矿转鼓强度自适应预测模型。该模型首先通过数据收集整合、异常数据识别与缺失数据处理等数据预处理过程,获取高质量烧结矿转鼓强度预测数据集合;再采用Boruta算法结合Pearson线性、XGBoost非线性相关性分析选择转鼓强度预测模型输入特征,避免了模型输入特征的不完整性;最后采用5种不同机器学习算法构建转鼓强度集成学习预测模型,各子模型预测结果权重可根据烧结生产实际情况进行自适应更新。结合现场生产实践与烧结历史数据分析,通过烧结终点温度与主管负压对烧结状态进行区分,在误差范围为0.5%时,转鼓强度的预测命中率在90%以上。     

基于主成分分析协同深度神经网络的带钢板凸度预测

为快速精确地预测板凸度,建立了一种基于主成分分析(principal component analysis, PCA)协同深度神经网络(deep neural network, DNN)的板凸度预测模型PCA-DNN。首先,对从某热轧厂采集的10 134卷带钢生产数据进行数据预处理。其次,用PCA法对数据样本进行分析,通过计算特征值、主成分贡献度和累计贡献度进行特征选择。最后,训练最佳的PCA-DNN预测模型,并与传统的两个模型人工神经网络(artificial neural network, ANN)和DNN进行比较。结果表明,PCA-DNN模型预测准确率为97.02%,训练时间为120 s,预测时间为291 ms,具有最优的综合性能,能够快速精确地预测热轧带钢板凸度。     

基于BPNN和RNN模型的烧结矿质量预测方法对比及分析

针对钢铁烧结配料工序完成后烧结矿质量难以及时准确判断的问题,提出通过稳定焦炭配比,进而对全铁品位和碱度指标预测实现烧结矿质量控制。依据烧结生产特性,分别建立静态的BP神经网络(BP neural network,简称BPNN)和动态的Elman递归神经网络(recurrent neural network,简称RNN)模型应用于烧结矿质量预测。仿真试验表明,应用工业数据训练建立的静态BPNN预测模型预测精度高于Elman RNN模型。最终,采用BPNN建立的烧结焦炭配比、全铁品位、烧结矿碱度的预测模型预测精度分别达到77.5%、90.0%和82.5%。计算结果对烧结生产具有重要的指导意义。     

基于Kmeans–BP神经网络的KR工序终点铁水硫含量预测模型

针对KR工序终点铁水硫含量预测问题,提出一种基于Kmeans聚类分析和BP神经网络（BPNN）相结合的建模方法。首先,通过Kmeans聚类对KR工序生产数据进行模式识别和分类,构建不同工况特征的数据集;然后,基于BP神经网络,针对不同数据集训练预测模型;最后,将不同数据集的预测模型进行集成,形成最终的终点铁水硫含量预测模型,实现对不同铁水条件和工况条件的预测。利用某钢铁企业实际生产数据,分别用基于脱硫反应动力学、BP神经网络和Kmeans–BPNN方法建立的预测模型,对KR工序终点铁水硫含量进行预测。结果表明,Kmeans–BPNN的KR工序终点硫含量预测模型的精度显著高于脱硫反应动力学和BP神经网络的预测模型。      

基于ANFIS的烧结终点预测

提出了一种基于ANFIS的烧结终点预测模型,该模型采用减法聚类来确定隶属度函数的中心,接着采用正交最小二乘参数辨识对神经网络进行训练.由于影响烧结终点的因素较多,若要全部考虑到可能会引起神经网络输入的维数灾,文中首次采用了主成分分析法来减小ANFIS输入维数,避免出现维数灾.通过现场采集的数据,对该模型进行了仿真.实验...     

基于BP神经网络的转炉炼钢吹氧量预测

针对转炉的动态吹炼过程,建立了基于BP神经网络的转炉炼钢总吹氧量预测模型和二次吹氧量预测模型.通过相关性分析确定影响转炉总吹氧量和二次吹氧量预测的主要因素;利用五数概括法筛选数据;采用LM优化算法改进BP神经网络.并利用历史生产数据对不同拓扑结构的神经网络模型进行了训练和比较,确定了最优网络结构模型,对模型的性能进行了评价,总吹氧量预测模型预测误差小于800 m3的命中率达到87.88％,二次吹氧量预测模型预测误差小于400 m3的命中率为91.99％.     

基于FCM-LSTM的光热发电出力短期预测

对光热电站的出力进行短期预测，可以有效应对太阳能随机性和波动性带来的影响，为电网调度做好准备.该文以青海某光热电站为例，首先使用模糊C均值聚类算法对预处理后的实验数据进行分类，然后通过分析不同聚类类型下出力和气象数据中各因子间的关联程度，充分挖掘出数据间的关系，确定不同类型预测模型的输入变量，进而构建出不同类别下的长短期记忆神经网络预测模型.结果表明，与传统长短期记忆神经网络模型、BP神经网络模型、支持向量机模型和随机森林模型的预测结果相比，基于模糊C均值聚类的长短期记忆神经网络预测模型效果良好，大幅减少了预测误差，验证了该预测模型的有效性.     

基于数据增强的烧结矿转鼓强度预测研究

烧结矿转鼓强度是烧结过程中反映烧结矿质量的重要指标之一,其精确预测可以提高生产过程的控制精度和效率,降低生产成本和资源浪费。但在实际生产中,烧结矿转鼓强度预测存在一些困难,比如数据量有限、数据质量不佳等问题。因此,为了提高预测精度,首先采用生成对抗网络(GAN)对原始数据集进行扩增,以解决数据量有限的问题;然后采用麻雀搜索算法(SSA)优化的回声状态网络(ESN)构建预测模型。相比于传统的神经网络,ESN具有更好的稳定性和泛化能力,并且能够快速训练和适应新数据。通过试验验证了该模型的预测精度和效率,并与其他预测算法进行了比较。结果表明,采用扩增后的数据集和ESN模型可以显著提高预测精度,平均绝对百分比误差由1.41%缩小至1.06%。     

基于神经网络的烧结终点预测模型

提出使用BP神经网络算法建立烧结工艺终点预测模型，并使用仿真手段对网络进行验证。BP神经网络预测模型可以在较短的时间内完成训练，预测结果与期望值误差小。仿真结果表明，该方法可以用于解决烧结终点预测问题，对烧结生产过程有良好的指导意义。     

基于ARIMA-NN组合模型的钢铁企业氧气管网压力预测研究

针对钢铁企业氧气管网运行过程中因用氧不均衡,造成管网压力波动,易导致氧气放散的问题,基于ARIMA-NN(时间序列-神经网络)的预测方法,将时间序列理论与神经网络理论相结合,建立短时段预测和长时段预测的模型,综合氧气管网的特征与实际系统中的氧气动态调度,将通过氧气管网系统获得的氧气压力和流量数据作为预测的根据对模型进行训练。仿真结果表明,预测模型精度高,能有效预测氧气管网压力。     

烧结工序能耗预测与优化研究

烧结工序能耗预测与优化研究是确保生产有序合理、节能环保和低成本的重要手段.在烧结工序能耗定义分析及烧结工序能耗主要影响因素分析的基础上,建立了基于径向基神经网络-遗传算法(RBF-GA)的烧结能耗预测与优化模型.在神经网络模型对能耗高精度预报的基础上结合遗传算法求解优化模型,计算出最佳的输入参数组合.通过案例研究,验证了所提方法的正确性和有效性.     

基于RF-PCCs和RBF的焦炭质量预测模型研究

在炼焦生产实践中，焦炭质量预测模型的准确性对降低配煤成本和优质炼焦煤的消耗具有重要作用。为此，基于径向基函数神经网络模型，通过随机森林和皮尔逊相关系数算法共同进行特征选择，建立了焦炭质量预测模型，并以某钢厂炼焦部生产焦炭的各项实际数据进行仿真。结果表明，该模型预测精度高，泛化能力强，可为炼焦生产提供一定的理论依据。     

基于振荡序列的黄金价格动态建模及预测

对黄金价格预测时常采用大样本数据建模方法,该方法首先对数据进行统计分析,找到数据内在统计特征,再寻求符合该特征的模型;但该方法在数据统计分析时受到统计手段和方法的约束,数据本身的内在特征往往不能充分反映,因此模型的选择受到限制。针对黄金价格数据不具有趋势性变化的特征,利用灰色GM(1,1)系统建模理论、数据驱动建模原理及振荡序列的数据处理方法,建立了基于振荡序列的黄金价格动态预测模型。该模型不仅对黄金价格数据自身存在的振荡性进行了处理,避免了数据大波动,同时利用动态数据驱动方法不断更新数据,提高了预测精度。     

基于双向长短时记忆网络模型预测烧结矿FeO含量

烧结过程中FeO含量是影响烧结矿性能的重要参考指标。对FeO含量变化进行实时观测和监视，可以减少烧结能耗，改善烧结效果。针对目前企业实时观测FeO含量手段较为单一的情况，研究了基于双向长短时记忆网络模型(bi-directional long short-term memory, BiLSTM)的烧结矿FeO含量预测模型。数据来源为攀钢六型烧结机2021年部分工艺数据，经过滤、提优等数据处理后，选取BiLSTM神经网络进行训练、调参，与企业现场烧结工艺相结合，提高了模型预测的准确率，基本实现了烧结矿FeO的预测。测试结果表明，在企业误差允许的范围内，准确率达90.2%,因此可以给予企业内烧结矿生产有效意见。     

一种基于深度神经网络的烧结料层透气性预报模型

为了保证整个烧结生产过程的顺利进行,通过对承钢2号烧结厂数据库中的数据进行采集、整合和预处理,运用相关性分析筛选出与料层透气性相关的重要特征变量,基于深度神经网络算法建立料层透气性预报模型,以即时为现场操作人员提供科学的操作指导。通过测试并与随机森林模型、支持向量机模型进行性能对比,结果表明,深度神经网络具有很好的预测效果,可实现对料层透气性的精准预测,对优化烧结现场的操作效果具有很好的指导意义。     

基于改进径向基神经网络的中厚板厚度预测

针对中厚板轧制过程中厚度计模型预测轧机出口实时厚度精度不高的问题，提出一种麻雀搜索算法(sparrow search algorithm, SSA)优化径向基(radial basis function, RBF)神经网络的中厚板厚度预测模型。通过SSA对RBF神经网络的参数进行优化，提高模型的预测精度。根据现场实际采集的数据，结合产线的工艺布局，对数据进行时空坐标转换后代入模型进行训练。通过多种规格中厚板厚度数据仿真验证，SSA-RBF模型预测精度可以控制在0.075 mm以内，预测效果好于反向传播(back-propagation, BP)神经网络和广义回归神经网络(generalized regression neural network, GRNN),模型预测精度可以满足实际轧制的精度要求。     

基于BP神经网络的烧结过程预报模型

根据烧结矿化学成分与烧结工艺的预报、控制特点,采用了BP神经网络方法建立了烧结矿化学成分的预报模型。仿真实验的结果表明,模型具有较高的预测精度和较强的自学习功能,用拓扑结构为15-21-4的BP神经网络和0.6×10~(-3)的网络误差进行训练,模型的预报命中率在75%以上,充分验证了基于过程参数控制的烧结矿化学成分预测模型的准确性和有效性。     

基于聚类特征选择的热轧过程带钢头部厚度预测

厚度是热轧产品关键质量指标之一,带钢头部厚度预测精度直接影响自动厚度控制(AGC)的控制效果,进而影响产品质量和成材率。热轧生产过程复杂多变,大量冗余工艺特征严重影响厚度预测建模效果。为提高预测模型精度,采用层次聚类和互信息相结合的方法进行特征选择,分别基于深度神经网络(DNN)、极端梯度提升(XGBoost)、支持向量机回归(SVR)以及梯度提升决策树(GBDT)建立带钢头部厚度预测模型,通过平均绝对误差(E_MA)、均方误差(E_MS)、最大百分比误差(E_MAP)以及决定系数(R²)对模型的泛化能力进行评估。结果表明,在所建的预测模型中,DNN预测模型具有比其他模型更优的预测精度,测试集数据的E_MA、E_MS、E_MAP和R²分别为0.015 4、0.000 3、0.004 4、0.992 1,并有97.15%的数据预测偏差小于0.03 mm,最大偏差小于0.04 mm。最后采用机器学习模型解释方法SHAP进行特征分...     

基于自适应遗传神经网络的烧结矿化学成分超前预报模型

提出了自适应遗传神经网络模型预测烧结矿化学成分的方法，用实际烧结生产数据对模型进行训练，并用该模型对烧结矿化学成分进行预报，仿真结果表明。该模型取得了很好的预测效果。     

基于曲线拟合和神经网络的独头巷道CO浓度预测研究

为了准确预测矿山独头巷道CO浓度,基于云南老厂锡矿1800运输巷甩车场独头巷道掘进工作面CO浓度监测数据,运用MATLAB曲线拟合工具箱对该独头巷道中CO浓度随时间的变化情况进行曲线拟合,建立了该矿山独头巷道中CO浓度随时间变化的数学模型。通过该模型得到该独头巷道中CO浓度值达到安全规程要求所需的时间。然后,运用卷积神经网络时间序列预测模型（CNN模型）和BP神经网络时间序列预测模型（BP模型）对独头巷道CO浓度进行预测,并比较评价指标R2和RMSE。结果表明：BP神经网络时间序列预测模型对该独头巷道CO浓度的预测效果更好,为该矿山独头巷道CO浓度值的监测和控制提供了准确可靠的理论依据。