转炉终渣成分和溅渣时间数据驱动预测模型开发

基于260 t转炉实际生产数据，通过机器学习算法XGBoost(eXtreme Gradient Boosting,极限梯度提升树)、弹性回归、线性回归、AdaBoost(Adaptive Boosting,自适应提升树)四种算法建立了终渣主要成分CaO、SiO₂、TFe和MgO的预测模型。通过优化调参，XGBoost终渣成分预测模型的决定系数R²均在0.8以上。溅渣时间模型采用SVR(Support Vector Regression,支持向量机回归)、LGBM (Light Gradient Boosting Machine,轻量梯度提升机回归)、GBDT(Gradient Boosting Decision Tree,梯度提升树回归)、RF(Random Forest,随机森林)和XGBoost五种算法进行建模。通过探究，将SVR、XGBoost、GBDT算法使用集成方法得到Stacking集成溅渣时间预测模型，Stacking集成溅渣时间预测模型提升了单个模型的预测效果，偏差为±20 s的预测命中率达89.95%。     

铝电解槽寿命预测研究

本文用支持向量机回归算法处理了某铝电解工厂150KA电解槽系列的有关铝电解槽寿命的工业数据（生产操作条件），分析了工业数据中有关铝电解槽寿命的主要影响因素．建立了铝电解槽寿命的定量预测（支持向量回归）模型，用留一法交叉验证方法分别检验了所建定量预测模型的预报能力。所建铝电解槽寿命定量预测模型的留一法交叉验证的误差小于18％。最后通过对已停电解槽进行验证预报证明了谊预测模型具有一定的可行性和实用性。     

200kA预焙阳极铝电解槽中后期生产工艺技术管理措施初探

随着我国经济的发展，铝电解行业电解槽容量、电解铝产能、能源消耗越来越大，特别是铝工业作为能源消耗大户，当前是节能减排主导控制行业，面临的形势十分严峻。最近，国家发改委出台的《铝行业准入条件》，要求各电解铝制造厂家将铝电解槽高寿命、高效率作为生产管理的一个重要课题来抓。对于我国电解铝工业来讲，目前产能主要槽型为200kA预焙阳极铝电解槽，按照设计院设计，槽寿命达1800天，但大部分生产厂的很多铝电解槽寿命不达1500天，或者达到设计槽寿命的铝电解槽效率低。     

基于数据驱动的转炉耗氧量模型研究

基于45 t转炉炼钢实际生产数据,通过数据预处理和互信息(MI)法进行特征选择,采用贝叶斯算法(BOA)优化BP神经网络模型、支持向量回归机(SVR)模型和LGBM模型的参数,预测转炉吹炼的耗氧量。用1 176炉的实际生产数据对模型进行训练,504炉的数据用于验证模型的预测效果。结果表明,在预测的氧气体积偏差分别为±50、±40、±30 m³的范围下,LGBM模型的预测命中率分别为94.04%、85.91%、76.58%。与SVR模型和BP神经网络模型相比较,LGBM模型有着更高的预测精度和稳定性以及更强的泛化能力。     

基于承钢生产数据预测烧结矿FeO含量北大核心CSCD

为了克服烧结矿中FeO含量检验滞后的问题,基于烧结生产各个环节所积累的大量数据,采用XGBoost算法建立FeO含量预测模型,以指导生产工作人员及时调整配料方案和设备参数。首先对承钢3号烧结机sqlsever数据库中的相关数据进行提取和整合,然后结合特征工程对特征参数数据进行一系列可视化分析和处理,最后将XGBoost算法应用于预测烧结矿FeO含量的建模当中,并与决策树模型预测效果进行对比。结果表明XGBoost模型预测效果较好,预测后的损失值最小可达0.071876,实现了准确预测FeO含量的目的,为烧结矿FeO含量的预测提供了一种有效的预测方法。     

基于承钢生产数据预测烧结矿FeO含量

为了克服烧结矿中FeO含量检验滞后的问题,基于烧结生产各个环节所积累的大量数据,采用XGBoost算法建立FeO含量预测模型,以指导生产工作人员及时调整配料方案和设备参数。首先对承钢3号烧结机sqlsever数据库中的相关数据进行提取和整合,然后结合特征工程对特征参数数据进行一系列可视化分析和处理,最后将XGBoost算法应用于预测烧结矿FeO含量的建模当中,并与决策树模型预测效果进行对比。结果表明XGBoost模型预测效果较好,预测后的损失值最小可达0.071 876,实现了准确预测FeO含量的目的,为烧结矿FeO含量的预测提供了一种有效的预测方法。     

探讨影响铝电解槽寿命的主要因素及其改进措施

随着我国铝电解工业持续发展,2007年国内铝产量已增至1260万t,铝电解槽槽型亦向大型化、高电流方向发展。在电解槽槽型向大型化发展的同时,对电解槽的主要经济技术指标也提出了更高的目标和要求,而槽寿命是铝电解生产中一个很重要的经济技术指标,其直接影响铝电解的生产成本,电解槽寿命已经成为铝业界重点关注和研究的问题。目前我国大型预焙铝电解槽寿命在1500天～2500天,通过采取一些工艺和技术上的改进措施,进一步提高铝电解槽寿命还是有一定的潜力和空间。     

电解槽槽况综合分析评价手段

运用仿真计算、现场测量、漏槽分析,以及数据统计分析等综合分析手段,处理铝电解槽设计、施工及生产等各阶段相关技术参数,探寻各参数间的相互关系,从而深入了解铝电解槽内在运行规律,为合理制定操作策略,预测槽况,以及槽寿命等提供可靠的依据。自从1886年发明冰晶石—氧化铝熔盐电解法炼铝(Hall-Héroult法)技术并开始工业化生产金属铝以来,铝电解槽工艺得到飞速的发展,但基于电解法炼铝是一个非常复杂的物理化学过程,电化学反应、物料及能量平衡、流体动力学、磁场、力学性能等各种现象相互影响,互为因果,虽然基础研究已进行了100多     

广义动态模糊神经网络在铝电解预测中的研究与仿真

铝电解过程中,每日出铝量、氟化铝添加量的决策对铝电解过程温度和过热度的准确控制非常重要,是影响铝电解技术经济指标的重要因素之一。本文基于广义动态模糊神经网络算法(GD-FNN),构造了铝电解预测系统,在给定铝电解槽所需温度之后,对铝电解中的出铝量和氟化铝添加量进行预测。此算法通过对高电流效率、低能耗的电解槽的运行规律进行自适应分析,训练出对应的决策规则,运用到效率低的电解槽,可以实现铝电解槽温度和过热度控制,提高铝电解电流效率。通过对某铝电解厂实际数据进行仿真实验,证明了该算法在铝电解控制中的有效性。     

基于机器学习的转炉热损失率预测

转炉热损失率是影响物料消耗量预测精度的重要参数之一，利用某钢厂150 t转炉1 900炉次冶炼历史生产数据，在热损失率计算的基础上，采用机器学习算法实现了转炉热损失率的准确预测。预测结果表明，相比于支持向量回归(support vector regression, SVR)和随机森林(random forest, RF)算法，轻量级梯度提升机(light gradient boosting machine, LightGBM)算法的预测精度最高；考虑上炉次的影响，增加上炉次冶炼终点温度变量后，LightGBM算法的决定系数R²由0.89提高到0.93,在±0.005、±0.01范围内，热损失率预测命中率分别由85%、89%提高到90%、93%;另外，通过算法内部参数优化可进一步提高模型预测精度，对于LightGBM算法，决定系数R²和均方根误差E_RMS(root mean square error, RMSE)进一步分别达到了0.94、0.009,在±0.005、±0.01范围内热损失率预测命中率进一步分别提高到91%、...     

基于支持向量机的高炉煤气利用率预测建模

煤气利用率是反映高炉能耗和平稳运行的重要指标。为了实现对高炉煤气利用率的准确预测,首先依据最大信息系数选择合适的输入参数,分别选取次于该状态参数时刻1 和2 h后的煤气利用率作为输出参数,并在建模之前对数据进行标准化处理。在此基础上建立基于支持向量回归(SVR)的高炉煤气利用率预测模型,并利用高炉的部分生产数据将该模型的预测结果与多层感知器(MLP)模型进行对比。最终预测结果表明,SVR模型在预测1和2 h后的煤气利用率时精确度更高,达到了更好的预测效果。     

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...     

280kA铝电解槽破损情况分析及改进方法探讨

铝电槽寿命是一个综合性的技术经济指标，槽寿命的长短不仅标志着铝电解技术水平，而且直接关系着企业的生产稳定和经济效益。本文针对焦作万方280kA铝电解槽早期破损的原因及解决方案进行了分析探讨。     

基于集成特征选择和SVR的热连轧板凸度预测

热连轧板凸度作为评价板形质量的关键指标,具有多变量、非线性、遗传性等复杂特性。传统的热连轧板凸度模型存在机理复杂、理论情况与实际情况存在差异以及模型精度受限等问题。为了解决这些问题,提出了一种基于集成特征选择和支持向量回归的热连轧板凸度预测模型。首先,建立了基于随机森林(Random Forest, RF)、极端梯度提升(eXtreme Gradient Boosting, XGBoost)和梯度提升决策树(Gradient Boosting Decision Tree, GBDT)的集成学习模型,综合应用这些基学习器可以充分挖掘数据中的特征信息;其次,通过集成学习模型对基学习器得到的特征重要性进行加权融合,并根据融合后的特征重要性排序来筛选最具有信息量的模型输入特征,可有效地降低特征维度;然后,采用灰狼优化算法(Grey Wolf Optimization, GWO)来优化支持向量机回归(Support Vector Regression, SVR)预测模型中的参数,其不仅能够消除传统人工参数选择的主观性和盲目性,还能更好地适应数据的特性;最后,将筛选后的特征输入到参数优化的SVR预...     

铝电解槽磁流体流动的数值计算

铝电解槽内流场分布的好坏对铝电解的生产操作、槽寿命、电能消耗和电流效率有很大的影响，因此对铝电解槽流场的研究计算很重要。本文试图以电磁力作为输入条件，用有限元分析软件ANSYS模拟铝电解槽内的流场并求解界面波动。     

对延长大型铝电解槽使用寿命的探讨

针对国内大型铝电解槽寿命低于国外寿命的情况，从设计和生产工艺方面对造成电解槽破损的原因进行分析，在总结近年来提高槽寿命的各项措施和操作经验的基础上，提出延长槽寿命的几点看法。     

铝电解槽寿命问题初探

铝电解槽的槽寿命问题是我国铝电解技术与国际先进水平的主要差距之一。本文从传热学机理、槽结构设计、内衬材料、筑炉施工、焙烧启动及生产管理等方面对造成铝电解槽早期破损的原因进行了全面的分析,探讨了延长槽寿命的主要研究方向。     

利用非数值型特征的转炉出钢合金化硅铁加入量预测模型开发

利用100 t转炉出钢合金化数据,通过数据预处理和采用皮尔逊相关系数(Pearson correlation coefficient)进行特征选择,用非数值型变量—钢种作为其中的一个特征变量,采用SVR (Support Vector Regression,支持向量机回归)算法,建立出钢合金化硅铁加入量模型。引入钢种作为特征变量后建立的转炉出钢合金化硅铁加入量SVR模型,误差在±40 kg、±30 kg、±20 kg的范围下,预测的命中率分别为94.84%、87.58%、75.77%,而无钢种这一特征变量的SVR模型在相同的误差下的命中率分别为88.4%、80.61%、65.85%,表明采用钢种作为特征变量,提高了硅铁加入量预测模型准确度,对于实际出钢合金化具有更好的参考价值。     

230kA大型电解槽焦粒焙烧启动技术要点与实践

铝电解槽，无论是新建系列的还是大修的，在投入生产运行前，都必须进行焙烧，然后启动。对于电解生产来说，大型预焙铝电解槽的焙烧启动是一个极其重要的环节，它不仅关系到电解槽能否顺利投产，而且影响正常生产、技术经济指标及槽寿命，历来为国内外各厂家所重视。随着大型预焙铝电解槽的发展，其自身的工艺也随之研究开发，不断创新并加以应用。     

铝电解槽炉底沉淀物的生成原因及控制措施

介绍了铝电解生产过程中电解槽炉底沉淀物产生的原因及对铝电解槽生产的影响,提出合适的处理对策,对降低炉底压降、保证电解槽的稳定性、延长槽寿命、降低电耗有重要意义。