基于RBF-BP混合神经网络的烧结烟气NOx预测

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。     

基于MIV-GA-BP模型预测烧结矿FeO含量

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。     

基于MIV-GA-BP模型预测烧结矿FeO含量

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。     

基于机器学习的Cu-Ni-Co-Si合金固溶处理晶粒尺寸预测

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。     

铁矿石烧结工艺参数优化模型的设计与应用

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．     

基于Rough集和神经网络的烧结过程异常诊断研究

为了及时、准确诊断烧结过程的异常状况并及时消除异常，本文将Rough集和神经网络相结合，建立了烧结过程异常状况智能诊断系统。基本思想是首先利用Rough集对知识库进行约简，然后利用神经网络对约简后的知识进行分层融合。该系统具有简化样本、适应性强和不易陷入局部最小点等特点，能有效处理异常中的噪声或不相容的信息。     

基于模糊聚类的BP神经网络模型预报中厚板轧制力

以实测数据为基础,在中厚板轧制设定中采用BP神经网络的方法取代传统的轧制力数学模型,并对神经网络输入项和训练样本进行分析,将传统轧制力模型的自学习过程引入神经元网络用于轧制力预报,改善预报精度.采用模糊聚类分析方法,科学选取学习样本,解决了由于样本多学习速度慢的问题.通过在线数据分析,可知这种方法对轧制力的预报精度有很大改善,而且神经元网络的结构也得到简化.此方法可以作为神经元网络应用的一个拓展.     

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。     

基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

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。     

金矿浮选回收率预测模型

浮选回收率是金矿选矿过程重要的生产指标,目前主要是通过人工化验的方法检测获得,人工检测周期较长,造成金矿厂不能及时把握浮选工艺水平.在大量现场生产数据的基础上,分别采用多元线性回归和BP神经网络的方法,建立了金矿厂浮选回收率的预测模型.预测误差分析表明,BP神经网络预测模型能较好地预测金矿厂的浮选回收率,当预测相对误差在±3%范围内时,模型的预测精度达到91%,对于实际生产具有良好的参考作用.      

基于BP神经网络的冷轧带钢力学性能预测

利用BP神经网络方法预测SPCC冷轧带钢产品力学性能并以现场正交试验数据为基础,对比预报结果和试验结果可以知道,该模型具有较高的精度,适用于现场生产。     

对角递归神经网络在82B钢力学性能预估中的应用

 神经网络应用于系统建模时要考虑两个关键问题：一是采用的神经网络类型;二是当神经网络类型确定以后,确定网络的输入向量,这两个问题是紧密关联的。相对于BP神经网络收敛太慢,具有泛化能力的缺点,DRNN网络(对角递归神经网络)能实现动态非线性映射,具有记忆功能,可以追踪模型的变化,具有更好的预测效果。首先用关联规则方法挖掘出一些与质量指标有关的工艺条件,再结合现场工人的实际经验,找到模型的输入输出,再运用DRNN对82B钢进行建模和优化,取得了很好的预测效果。     

基于人工神经网络的稀土合金铸铁腐蚀性能预测

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。     

基于深度学习的热连轧轧制力预测

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%。     

退火炉内罩中气体流动及钢卷传热的数值模拟

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%。     

神经网络BP模型在烧结工序能耗分析中的应用

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。     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

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。     

基于人工神经网络模型的Ti-6Al-4V合金离子氮化层厚度、硬度预测

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。     

人工神经网络在层流冷却卷取温度预报中的应用

针对宝山钢铁（集团）公司2050热连轧层流冷却系统，采用神经网络与数学模型相结合的方法，给出优化的层流冷却对流换热系数，以实现准确地预报卷取温度的目的。结果表明，采用神经网络计算出的对流换热系数后，卷取温度的计算值与实测值的标准差降低了22．84％，效果显著。