炼钢转炉吹炼终点预防研究

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,而且模型具有较好的自学习能力,能有效指导生产实践。     

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。     

降低转炉高品位冰铜吹炼渣含铜生产实践

结合北方铜业垣曲冶炼厂的生产实践,分析了PS转炉在高品位冰铜吹炼过程中影响渣含铜过高的系列因素,并对在操作中如何降低渣含铜的有效途径和方法进行了实践探索,取得了良好效果.     

铜终点在线监测系统对于转炉吹炼终点判断的应用

转炉吹炼终点判断对整个火法冶炼过程至关重要,过吹、欠吹都会对产品质量、周期控制造成重大影响,前期的终点判断完全由炉长个人经验判断。研究开发一套铜终点在线监测系统,通过对造渣期炉内PbO和PbS强度采集和分析、造铜期内烟气中SO_2浓度采样分析、吹炼过程中熔体温度监测以及吹炼过程仿真预测,帮助炉长判断造渣期及造铜期终点,避免了转炉过吹、欠吹对生产的影响,保证生产安全,提高生产效率,初步实现了铜转炉吹炼过程智能控制。     

铜冶炼转炉在线造铜期终点智能判断

铜冶转炉吹炼是一个复杂的过程,具有多变量、非线性、强耦合、大惯性和不确定性,机理复杂、物料变化范围大、影响因素多,给吹炼终点预报带来了极大困难.目前国内外铜锍吹炼过程终点判断仍以人工经验判断为主,此方式不仅增加工作强度,且吹炼终点判断严重依赖经验和工作态度,易导致欠吹或过吹等现象,影响正常生产,造成铜损失,严重时甚至发...     

转炉吹炼时造渣动力学研究的新方法

转炉炼钢过程中钢渣数量的变化和化学成分的变化，取决于吹氧期氧化—还原反应的复杂作用；取决于熔炼过程中吸收的加入材料和吸收转炉炉衬侵蚀物的情况；以及废钢的熔化情况。弄清这些变化的规律性，不仅是理论上的需要，同时也是实践提出的需求。     

金隆转炉铜锍吹炼的操作制度

介绍了金隆转炉生产的工艺流程及特点,重点介绍了现行的转炉吹炼操作制度的优点和要求.实践表明,该操作制度合理,充分发挥了设备的潜能.     

铜转炉吹炼喷溅的危害及控制措施分析

喷溅问题不仅在转炉炼钢时经常出现,在铜转炉吹炼过程中同样存在,对安全生产构成威胁,恶化多项技术经济指标。本文根据转炉喷溅形成机理,结合谦比希铜冶炼有限公司转炉吹炼工艺生产现状,对转炉吹炼喷溅的危害及影响因素进行分析,并提出相应的控制措施。     

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.     

基于火焰及烟气特征深融合的转炉吹炼终点判断

转炉吹炼的终点判断是火法炼铜最重要的步骤之一,该步骤一般由操作人员凭经验或仪器对固定监测因素进行判断,但受制于个人操作经验、仪器测量精度、物料品位等诸多因素的差异,判断精度无法得到保证。为提高转炉吹炼终点判断的精准度,本文设计了一套智能化预测系统,首先基于显著性分析法对传统火焰、烟气浓度进行特征分析与显著性指标设计,然后利用残差网络构建终点预测模型,通过融合火焰、最后连续时间的PbS/PbO浓度比与SO₂浓度3个显著特征,实现了造渣期终点和造铜期终点的预测。实验结果证明了该融合特征的性能,造渣期终点时间预测误差均值为2.12%,造铜期终点时间预测误差均值为2.06%,双期预测准确率达到93.66%。这种高精度的判断主要归因于基于传统特征的显著性指标设计,所选用的火焰及烟气特征能在高维度对终点判断进行准确的预测,同时引入大量历史数据所训练的模型能够对预测过程进行显著量化。     

基于自适应模糊神经网络的铜闪速熔炼渣含Fe/SiO_2模型研究

基于Sugeno型自适应模糊神经网络系统（ANFIS）及利用某闪速炼铜厂生产实践的稳定数据,建立了网络结构为3输入、单输出、隶属度函数个数为[5 3 5]的闪速炼铜过程的渣含Fe/SiO2模型.结果显示其训练数据平均绝对误差为0.0055,相对误差为1.4%;仿真检验数据平均绝对误差为0.028,相对误差为2.9%,表明所建立的模型预测值与生产操作数据基本吻合,该模型对铜熔炼过程的最优化具有参考价值,可以代替现有的静态配料模型用于工业在线计算机控制.     

用基于统计模式识别的优化BP网络预报转炉的终点磷含量

用模式识别和神经网络建立PLS-BP的转炉终点磷含量降维网络模型,克服了PLS法和BP法各自的缺陷。用该模型设计了4个冶炼工艺参数点,预测值与实际值比较吻合。     

铜冶炼大型底吹炉炉体检修探索与转炉操作优化

某冶炼厂的超大型底吹炉运行了5年,通过大修期间统计炉体各部分炉砖的侵蚀情况,提出了控制氧枪压力、炉温、渣型和铜锍品位等优化措施,使炉砖烧蚀速度大幅减慢.此外,就转炉操作容易出现事故,存在场环境恶化、尾气超标、结焦脱落卡住膜式壁、氧枪堵塞的问题,提出底吹炉转炉作业前要对炉体进行安全检查,随炉转动角度的变化及时调整氧枪压力...     

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

基于SVM和BP神经网络的部分稳定氧化锆稳定率预测方法

由于部分稳定氧化锫具有优良的物理化学性能,在冶金及材料中有着重要的地位,稳定率是部分稳定氧化锫产品性能的一个重要指标.而部分稳定氧化锆的制备过程具有非线性、多变量、时变等特点,本文采用了支持向量机( SVM)及BP神经网络方法对部分稳定氧化锆的稳定率进行了预测.将热处理温度、保温时间、降温速率、淬火温度及升温速率5个指标(参数)作为模型输入量,部分稳定氧化锆的稳定率作为输出值,分别以48组实验数据作为学习样本,并建立模型,运用该模型预测了5组部分稳定氧化锫的稳定率.实验结果表明,2种模型均具有较好的预测能力,人工神经网络模型预测结果平均误差为1.48％,支持向量机模型预测结果平均误差为0.68％,并且支持向量机预测部分稳定氧化锆的稳定率精度更高,可在实际生产过程中推广应用.     

基于IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。     

基于主成分分析—支持向量机模型的矿岩可爆性等级预测研究

矿岩可爆性等级的准确评判对爆破开挖设计以及岩土工程的安全稳定具有重要意义。通过综合考虑岩体固有属性与实际爆破效果对矿岩可爆性等级的影响,选取了岩体声波、波阻抗、爆破漏斗体积、大块率、小块率和平均合格率共6类指标,进行可爆性预测研究。为消除影响指标之间的信息重叠,针对55个矿岩样本数据集的大量信息,采用主成分分析法降维,提取得到包含98.38%原始信息的4类主成分,最后引入支持向量机模型对可爆性等级进行预测研究。研究结果表明：（1）与原始SVM模型相比,基于主成分分析法—支持向量机的预测模型不仅降低了数据的维度,同时使得矿岩可爆性等级预测准确率由78.5%提高至90.1%;（2）基于主成分分析法—支持向量机预测模型的评判结果与实际情况较为吻合,少量误判主要发生在部分特征差异性较小的矿岩样本之间。基于分层随机抽样技术的PCA-SVM预测模型,保证了训练集与测试集样本数据的随机性和差异性,对研究指标维数较多且部分指标间相关性较强的数据模型具有较强的适用性,对相似工程的研究具有一定的借鉴意义。     

基于红外图像的矿石传送带托辊异常检测

为了解决传统的传送带托辊异常检测方法效率低、实时性差等问题,提出一种基于红外图像识别的托辊异常检测模型。通过现场采集并使用标签平滑和Mosaic数据增强处理对托辊红外图像数据集进行扩充,降低模型的训练成本。在特征提取模块提出使用GhostNet骨干特征提取网络,能够有效地降低特征提取所需成本。在特征融合模块,提出使用SPP-Net模块优化PaNet特征融合网络,增加模型的感受野。通过深度可分离卷积块简化模型结构,降低模型的计算量和参数量,并通过LeakyReLU激活函数提高模型的学习能力。试验结果表明：该检测模型能够有效识别托辊异常。在实际检测中,该方法在托辊检测中平均准确率达到94.9%,检测速度达到39.2 FPS,为矿山传送带托辊的准确高效巡检提供了保障。     

钢铁企业副产煤气预测及优化调度

针对钢铁企业副产煤气系统产消量频繁波动,不平衡现象比较严重,供需之间的平衡程度对钢铁企业的生产成本、能源消耗情况影响较大,并且钢铁企业中工序、设备繁多,每道工序都涉及多种能源介质的问题,利用HP滤波、支持向量机分类（SVC）、最小二乘支持向量机(LSSVM)和Elman神经网络的特性建立了SVC-HP-ENN-LSSVM模型,并根据用能设备的能源利用特点和预测结果对副产煤气进行优化调度。模型应用表明：所建预测模型对煤气系统的预测平均相对误差小于4%,满足工业生产需要。根据预测结果进行的优化调度解决了煤气系统的不平衡问题,应用于钢铁企业典型工况,主工序可降低10%左右能耗,应用其自备电厂（一年按照330天计算）,可多产蒸汽约104148 t,节能约9998208 kg标煤。     

基于机器视觉的烧结终点识别方法研究

烧结生产中,烧结终点的准确识别是控制烧结质量和降低成本的关键所在。因此,当采用基于机器视觉技术判断烧结终点时,烧结图像的阈值分割精度就显得尤为重要。本文针对一般预处理方法很难消除烧结机尾断面图像光晕现象这一缺陷,在图像预处理中增加色彩模型转换环节,从而达到减弱光晕的效果。由于烧结图像红火区和气孔区闽值极为接近,采用一般阈值分割方法很难达到良好的分割效果,因此笔者采用基于粒子对优化的C均值聚类分割的方法进行分割。此方法具有分割速度快、分割效果明显的特点。图像识别中采用改进BP网络对烧结终点进行识别,解决了传统BP算法容易陷入局部极小及学习速率慢的问题。通过实验验证,上述方法对烧结终点的正确识别率可达到93％。