高炉铁水温度的多元时间序列建模和预测

针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。     

基于随机森林算法的高炉铁水硅质量分数预测模型

为了研究高炉冶炼过程中铁水硅质量分数的预测问题,我们基于随机森林算法建立了高炉铁水硅质量分数预测模型。针对具有不同统计特征的2组高炉生产数据,分别建立了随机森林预测模型和支持向量机预测模型,并从预测命中率、相关系数、均方根误差以及绝对误差等4个方面对模型性能进行了综合的比较分析。结果表明:在炉况平稳或存在较大波动的情形下,随机森林预测模型都能获得显著优于支持向量机预测模型的预测精度。研究结果为探索高炉冶炼过程炉温的预测控制提供了新的建模思路。     

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。     

基于分布式神经网络模型的高炉炉温预测建模

高炉炼铁通常采用铁水Si含量间接反映炉温的变化,模型预测精度低。以影响炉温的6个变量为输入变量,采用基于自组织的分布式RBF神经网络模型分别对铁水温度和铁水Si含量建立预测模型,先用自组织神经网络划分输入输出样本空间,然后对每个子空间建立RBF神经网络子网模型,再使用子网模型对测试样本集的同一个样本点进行预测,并以测试样本点对每一子空间的隶属度为权值,对子网预测值进行加权求和,得到最终预测值。对比使用同一输入变量数据的铁水温度和铁水Si含量的预测模型命中率,研究表明,高炉铁水温度的命中率更高,具有更好的炉温预测效果。     

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。     

基于数据的高炉铁水硅含量预测

针对铁水硅含量无法直接在线检测的问题,提出了一种基于优化极限学习机的高炉铁水硅含量数据驱动预测模型,该模型利用差分进化算法的全局寻优能力来优化极限学习机的输入权值和隐元偏差,在此基础上建立了基于差分进化算法优化极限学习机(DE-ELM)的高炉铁水硅含量预测模型。所建模型对高炉炉温的实际调控具有较好的指导意义。     

基于神经网络时间序列模型的高炉铁水硅含量智能预报

为实现高炉炼铁过程中铁水硅含量的准确预测,针对高炉炼铁过程的非线性、时变、高维、大时滞等特点,构建了基于时间序列的铁水硅含量预测样本集,分析了铁水硅含量在时间序列上的自相关性.采用时间序列加权移动平均法预处理样本数据,引入神经网络时间序列模型,深度挖掘历史多时刻铁水硅含量与当前时刻铁水硅含量之间的数量关系,经过多次权值...     

基于神经网络的高炉铁水硅和硫含量预报模型

采用基于自学习的参考炉次法,建立了反应高炉炉温和铁水质量的预报模型,对炼铁过程铁水硅含量和硫含量进行预报,建立了基于BP神经网络的高炉铁水硅含量和硫含量预报模型。用国内某高炉的生产数据进行模型训练,经预报结果数据验证,想要通过现有直接获取的高炉参数很难准确同时预报铁水硅含量和硫含量,但基本能准确预报铁水硫含量的变化趋势。     

基于T-S模糊神经网络模型的高炉铁水温度预测建模

 针对高炉炉温与铁水硅含量呈正相关而非严格的线性关系和机制建模的主观性以及其难以建立各变量之间隐含的数学关系等的不足,在数据挖掘理论的基础上,对海量的样本数据进行预处理和特征提取,然后以高炉铁水温度为研究对象,建立了基于T-S模糊神经网络的高炉铁水温度预测模型。最后,应用某高炉数据进行模型验证,并将该模型与T-S模糊多元回归模型以及BP神经网络模型进行比较研究,仿真结果表明T-S模糊神经网络模型的有效性和优越性。     

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%。     

基于神经网络的高炉铁水硅含量预报模型的研究

根据RBF神经网络具有收敛速度快和全局优化的特点,建立了RBF网络模型,并将其应用对高炉铁水硅含量预报。监于铁水硅含量与炉缸温度之间的密切相关性,通过铁水硅含量来间接地反映炉内温度变化。采用MATLAB中的Newrbe函数进行函数逼近,对高炉一段连续时期内正常生产的数据的归一化处理后进行训练和仿真,提高了铁水硅含量预报的命中率。高炉冶炼运用先进的RBF人工神经网络预报模型,能预报铁水硅含量的高低,判断炉温走势,实现炉温调控,有利于节能降耗,并可监测多个主要控制对象,为高炉操作提供指导。     

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.     

应用小波分析方法改进铁水硅含量预测

应用小波分析方法对高炉铁水硅含量进行预测。通过小波变换将铁水硅含量的时间序列依三重尺度分解成不同的层次,并对不同层次上的序列分别运用合适的自回归模型进行预测,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实际预测案例,与原始时间序列的自回归模型预测结果比较,小波预测方法显著提高了预测命中率。     

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。     

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。     

基于样条变换的非线性PLS的反应高炉炉温的参数预测

 高炉冶炼过程是一个大时滞、强非线性的系统,现有的高炉炉温预测模型不够准确,因此,建立了基于香农熵的广义相关系数时滞分析模型和基于样条变换的非线性偏最小二乘回归(ST-PLS)的反应炉温的参数预测模型,得出影响高炉炉温的主?问闹秃笫奔洌げ獬瞿芄蛔酆戏从Ω呗碌?个参数(［Si］,［S］,铁还原速率及铁水温度)。试验证明,模型具有较高的预测精度,当相对误差分别为0.11和0.18时,模型预测［Si］的命中率分别为0.7143和0.9184,［S］的命中率分别为0.7347和0.9184,铁还原速率的命中率分别为0.6122和0.8163,铁水温度的命中率分别为1.0000和1.0000。     

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...     

基于大数据技术的高炉铁水硅含量预测

铁水硅含量是炉缸热制度的化学热表示方式,也是表征炉温和铁水质量的重要参数.选取某钢铁厂4号高炉实时数据库和检化验数据库2019年的30个输入参数,通过数据处理和特征值筛选,最终选取17个参数进行模型预测,共计8760组.通过构建Adaboost模型、决策树模型和随机森林模型对2 h后的铁水中硅含量进行预测,发现Adab...     

太钢高炉铁水含硅量预报系统通过鉴定

由太原钢铁公司和天津自动化仪表研究所联合研制的“太钢高炉铁水含硅量预报系统”于85年6月在太钢由冶金部科技司主持通过技术鉴定。 本系统利用独特的自学习模糊测辨方法,即确定判断高炉炉温的六个工艺参数(下料速度、负荷、理论燃烧温度、炉顶温度、炉渣温度和上一炉含硅量),有经验的高炉操作者按这六个参数预测铁水含硅量,     

基于粗糙集理论与神经网络的铁水硅含量预测

高炉铁水硅含量预测对调控炉温和稳定炉况具有重要作用。基于粗糙集理论与神经网络模型对铁水硅含量进行预测。采用粗糙集理论对输入参数进行约简,得到优化的输入集,结合BP(back propagation)神经网络实现高炉硅含量的预测。同时,针对炉况波动较大情况下神经网络模型预测误差大的问题,建立波动知识库,利用kNN(k-Nearest Neighbor)算法匹配识别波动炉况,对预测结果进行补偿。以国内某钢铁厂实际高炉生产数据进行验证,该方法在预测误差为±0.1%以内时预测命中率达到91.74%,可为高炉操作者判断炉况提供参考。