共查询到20条相似文献,搜索用时 15 毫秒
1.
基于RBF-BP混合神经网络的烧结烟气NOx预测 总被引:1,自引:0,他引:1
摘要:对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。 相似文献
2.
工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。 相似文献
3.
工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。 相似文献
4.
Cu-Ni-Co-Si合金在固溶处理后的晶粒尺寸会影响其服役性能。采用3种不同的机器学习方法——BP神经网络、随机森林、长短期记忆网络,分别建立了Cu-Ni-Co-Si合金固溶温度和固溶时间对固溶后晶粒尺寸影响的机器学习预测模型。对比分析3种不同机器学习模型的预测精度,发现BP神经网络模型预测精度最高,其平均相对误差为8.55%。随后采用遗传算法优化BP神经网络。结果表明,所建立的BPGA模型平均相对误差比BP神经网络模型降低了6.47个百分点,其平均相对误差为2.08%,能够有效地为Cu-Ni-Co-Si合金固溶处理工艺参数的选择提供指导。 相似文献
5.
在分析配矿方案、工艺参数、产、质量指标三者相互关系的基础上,提出了两种优化烧结工艺参数的数学逻辑模型,即网络输出参数优化模型和网络输入参数优化模型.通过神经网络建模,比较建模结果,网络输入参数优化模型的效果更好.在神经网络模型的基础上结合遗传算法求解网络输入参数优化模型,计算出最佳的工艺参数.模型通过应用,不仅降低了烧结能耗,而且提高了烧结矿的产、质量,验证了模型的有效性和实用性. 相似文献
6.
7.
8.
9.
为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。 相似文献
10.
11.
12.
13.
通过静态质量损失法腐蚀试验获取BP神经网络的样本数据,利用MATLAB的工具箱函数建立了拓扑结构为5×8×10×1的BP神经网络,并对网络模型的预测精度进行探讨和研究。结果表明,在样本集和训练条件下,5×8×10×1 BP网络对稀土合金铸铁碱腐蚀深度的预测精度较高,较好的解决主要合金成分、腐蚀时间、介质温度与静态腐蚀深度之间的非线性关系,可用于稀土合金铸铁在烧碱液中的静态腐蚀性能的预测分析和研究。 相似文献
14.
摘要:轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
15.
摘要:轧制力预报一直是热连轧过程控制模型的核心,浅层神经网络对复杂函数的表示能力有限,而深度学习模型通过学习一种深层非线性网络结构,实现复杂函数逼近。利用深度学习框架TensorFlow,构建了一种深度前馈神经网络轧制力模型,采用BP算法计算网络损失函数的梯度,运用融入Mini batch策略的Adam优化算法进行参数寻优,采用Early stopping、参数惩罚和Dropout正则化策略提高模型的泛化能力。基于上述建模策略,针对宝钢1880热连轧精轧机组的大量轧制历史数据进行了建模实验,对比分析了4种不同结构的前馈网络预测精度。结果表明,相比于传统SIMS轧制力模型,深度神经网络可实现轧制力的高精度预测,针对所有机架的预测精度平均提升21.11%。 相似文献
16.
将人工神经网络的理论和方法,引入到钢铁企业工序能耗的系统分析的学科领域,文中以某钢铁企业的生产和技术指标的相关统计数据为基础,利用人工神经的BP算法,构造了烧结工序能耗的绽量分析模型,探索了用BP网络对非机理性因素进行系统分析的新方法,并进行影响工序能耗因素垢规划设计。 相似文献
17.
18.
19.
利用人工神经网络技术研究Ti-6Al-4V合金离子氮化层厚度、硬度与热处理工艺参数之间的关系。以钛合金离子氮化工艺试验为基础,构建以离子氮化温度、保温时间、压力为输入参数,离子氮化层厚度、硬度为输出变量的3层BP神经网络模型,探究模型学习训练过程的最优化算法与神经元个数,预测合金离子氮化层厚度与硬度值。预测结果表明,该模型的综合复相相关系数为0.978 45,网络预测值与样本值相似度较高。获得该合金最优化离子氮化工艺区间,温度为850~880 ℃,保温时间为16 h,压力为200~300 Pa,合金氮化层厚度大于85 μm,硬度大于1 000HV。从而可为钛合金复杂零件离子氮化工艺-组织-性能控制研究提供新的方法与思路。 相似文献