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。     

基于大数据的IWOA-KELM铁水硅含量预测模型

精准预测高炉铁水硅含量对炉温调控和节能减排具有重要价值。针对高炉炼铁过程的非线性、时变、高维等特点,提出一种基于大数据的IWOA-KELM铁水硅含量预测模型。采用Tent混沌映射种群初始化并设计捕猎速度控制因子迭代更新策略对鲸鱼算法进行改进,用改进鲸鱼算法(IWOA)对核极限学习机(KELM)中的核函数进行优化,使用斯皮尔曼秩相关系数对模型输入变量进行约简,利用高炉现场采集的大量数据进行学习和验证。结果表明,选取与铁水硅含量相关性最高的7个参数作为模型的输入变量,该预测模型均方根误差为0.036,允许误差在0.10内时,命中率为92.23%,预测时间4.23 s。     

基于GA-BP神经网络的铁水硅含量预测方法

长期以来在高炉炼铁过程中铁水硅含量一直作为代表高炉热状态的重要指数。然而由于高炉具有动态特性,内部化学反应十分复杂,是一个典型的黑箱模型,因此对高炉铁水硅含量进行实时预测十分困难。针对这一问题,利用遗传算法(Genetic Algorithm, GA)对传统BP(Back Propagation)算法进行改进,构建GA-BP神经网络预测铁水硅含量。首先将高炉炼铁过程中的13个参数(如风量、风压等)进行特征提取,并利用遗传算法全局搜索BP神经网络最优的初始权值和阈值,接着利用前向传播算法(Forward Propagation, FP)在三层神经网络中传递筛选出来的特征并计算出预测值,其中三层神经网络每层神经元个数分别为7、50、1。最终将铁水硅含量预测值与真实值进行误差分析,利用梯度下降(Gradient Descent, GD)的原理不断更新神经元的权重,直到预测值与真实值之间的误差达到所给定的阈值。相比于传统BP神经网络,GA-BP神经网络改善了BP神经网络权值、阈值难定,学习速度慢且易陷入局部最优等缺点。将某钢厂生产过程中实时采集到的数据经过预处理之后,输入到神经网络中进行训练并...     

高炉铁水硅含量的神经网络预报

通过神经网络对韶钢8号高炉的部分生产数据进行了铁水[Si]含量的预报,确定了w（Si）的主要影响因素,构建了较好的神经网络结构,并根据预报结果提出了判定炉热变化趋势的符合率的标准。     

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。     

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。      

基于粗糙集理论与神经网络的铁水硅含量预测

摘要：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。     

BP神经网络在高炉铁水硅预报中的应用

随着现代科技的发展和计算机技术的不断提高,高炉自动化操作显得越来越重要。高炉铁水硅预报能很好地反映高炉内热状态和高炉的成分,对高炉运行状态的判断起到至关重要的作用。在总结前人预报模型的基础上,综合考虑了各种影响因素,建立了BP神经网络模型,并结合现场数据进行计算,模拟结果和实际相符。     

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。     

基于灰色理论的铁水预处理终点磷含量神经网络预测模型

 在传统BP神经网络预测模型的基础上,依据灰色理论中的灰色关联度,提出了输出变量各个影响因素的灰色关联度权值,首次建立基于灰色理论的神经网络预测模型,并依据国内某钢厂300组实际生产数据进行仿真试验。试验结果表明：误差绝对值小于5%的炉数有39炉,占总炉数的65.00%;误差绝对值小于10%的炉数共有58炉,占到96.67%。与传统BP神经网络相比,基于灰色理论的神经网络模型的预测精度提高近12.5%,说明基于灰色理论的铁水预处理终点磷含量神经网络预测模型能更精确地反映现场实际水平。     

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。     

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BP神经网络的烧结终点预测模型

烧结终点是判断烧结过程正常与否的重要标志。我们在为涟钢280m^2烧结机开发的烧结终点（BTP）智能优化控制系统中,采用了基于BP神经网络预测的烧结终点智能控制策略。本文着重介绍了基于BP神经网络的烧结终点预测模型的建立、在线学习及修正,以及试验室调试和在线运行情况。     

神经网络模型与时差方法结合预报铁水硅含量

针对以ＢＰ算法为代表的监督学习神经网络在直接多步预测中不能渐进计算的问题,建立了一个三层简单反馈递归的神经网络模型,提出了将神经网络模型与时差方法相结合在高炉铁水硅含量预报中应用的策略。结合现场采集的实时数据进行实验,并与采用ＡＲＭＡＸ模型的预测结果相比较,具有较高的命中率。     

基于bootstrap的高炉铁水硅含量预测

高炉铁水硅含量的实时准确预测对高炉炉温的调控和稳定炉况具有重要作用,但其预测结果一直存在准确度不高和缺乏可信度表征等问题。为此,本文融合神经网络和bootstrap预测区间方法,用预测区间宽度表征点预测值的可信度,实现在预测硅含量值的同时给出了其预测结果的可信度。应用实例表明,论文提出的方法提高了硅含量点预测结果的准确度,且预测区间宽度能正确的表征点预测结果的可信度,对实际生产操作具有较好的指导意义。     

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BP神经网络的合金收得率预测模型

脱氧合金化是转炉冶炼工艺的最后一步,钢液内合金成分含量控制是否精确直接影响着精炼工序的冶炼难度与冶炼周期。合金收得率是转炉合金工人配加合金时的重要参考标准,关于合金元素收得率判断的准确性直接影响着钢水成分稳定性与生产成本。应用神经网络算法,建立了以终点温度、终点氧含量、终点硅含量为变量的合金收得率预测模型,对所建立的模型性能进行了研究,对模型预测结果进行了测试,证实模型运行准确可靠,能够为生产冶炼作出指导。     

基于BP神经网络的黄金价格非线性组合预测模型

对黄金价格进行预测时,单一模型往往难以全面反映黄金价格的变化规律.为了更有效地利用各模型的优点,将不同的预测模型进行组合可以产生更好的预测效果.利用BP神经网络对单一模型进行非线性组合,建立了黄金价格的非线性组合预测模型.实证研究结果表明,非线性组合模型的预测精度高于被组合的单一模型和不具有协整关系的线性组合模型.     

神经网络在梅山高炉铁水硅含量预报中的应用

对高炉铁水硅含量预报的统计模型、神经网络模型和神经网络方法加统计方法的综合模型三种预报模型作了对比 ,结果表明 :用神经网络方法和统计模型综合预报的效果较好 ,离线模型预报结果± 0 .1命中率达到 86 .6 7 ,为高炉铁水硅含量预报引入神经网络方法的实现提供了实例