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%。     

主成分分析和最小二乘支持向量机模型在铁水硫和硅含量预测中的应用

良好的铁水质量是铸铁性能可靠性和稳定性的保证,而铁水中硫(S)含量和硅(Si)含量是衡量铁水质量的主要指标,因此在出铁前精准获取铁水S含量和Si含量具有非常重要的意义。实验提出一种结合主成分分析(PCA)和最小二乘支持向量机(LS-SVM)模型的铁水S含量和Si含量的预测方法。将某钢厂大型高炉的在线采集数据作为研究对象,首先对影响铁水中S含量和Si含量变化因素的数据做主成分分析,求取主成分作为模型的输入变量,其次建立最小二乘支持向量机预测模型对铁水S含量和Si含量进行预测。在S含量预测过程中,正则化参数gam和核函数参数sig分别取20、700时,预测误差最小,其均方根误差为0.0012,仿真时间为0.423105s;Si含量预测过程中正则化参数gam和核函数参数sig分别取40、500时预测误差最小,均方根误差为0.0238,仿真时间为0.079522s。最后将实验结果与传统最小二乘支持向量机(LS-SVM)和结合PCA的BP神经网络预测模型(PCA+BP神经网络)的结果对比,后两组对比实验关于S含量预测的均方根误差分别为0.0015和0.0014,仿真时间分别为1.320842s和2.245967s;后两种对比实验关于Si含量预测的均方根误差分别为0.0316和0.0325,仿真时间分别为0.459671s和2.061576s。实验结果表明,实验方法更加全面地考虑了所有因素对铁水中S含量和Si含量变化的影响,具有训练时间短、预测精度高等优点。     

基于WA SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,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应用案例,WA SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

基于稀疏化鲁棒LS--SVR与多目标优化的铁水硅含量软测量建模

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性.      

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。     

基于主客观证据融合的高炉悬料预测方法

针对高炉关键异常炉况悬料难以预测的问题,基于D-S证据理论,提出一种综合模糊专家推理和后验概率最小二乘支持向量机的悬料预测方法.首先,结合高炉生产过程和悬料现象,分析悬料形成的内在机理;其次,通过模糊专家推理提取基于专家规则的主观证据,再通过建立后验概率最小二乘支持向量机模型提取基于数据内在客观规律的客观证据;最后,基于D-S证据理论完成主客观证据融合,实现悬料预测.该方法充分利用专家经验和最小二乘支持向量机的自学习能力,能够提高预测精度.仿真结果表明本文提出的方法有效、准确.      

单桩竖向极限承载力预测模型分析

提出了一种基于最小二乘支持向量机在单桩竖向极限承载力预测方法,建立了单桩竖向极限承载力预测的最小二乘支持向量机模型。     

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。     

基于变邻域粒子群算法的铁水硅含量稳定性分析

影响高炉铁水硅含量的因素往往复杂多变,影响程度不一。采用鱼骨分析法收集所有可能对硅含量产生影响的因素,经过相关分析和特征选择,最终选取6个参数作为模型的输入参数。采用改进的粒子群优化算法对支持向量机(SVM)中的参数进行优化,提出基于变邻域粒子群(VNPSO)优化SVM的铁水硅含量预测模型。通过钢厂的实际生产数据进行验证,平均相对误差达到0.69%,平均绝对误差达到3.4×10~(-3),模型具有很高的预测精度。同时,绘制铁水中硅含量控制图,分析硅含量波动情况,并依此模型给出硅含量稳定性控制措施。     

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

Application of grey relational analysis and extreme learning machine method for predicting silicon content of molten iron in blast furnace

ABSTRACT

Controlling the molten iron temperature plays an important role in the iron and steelmaking industry. The change of silicon content is adopted to reflect the temperature, however , the prediction of silicon content has been one of the hot and difficult problems. In this paper, a new model based on gray relational analysis (GRA) and extreme learning machine (ELM) is developed. Firstly, the GRA is used to get the high correlation indexes with the silicon content. Then the relevant indicators are taken as input and the silicon content is taken as output. The ELM model is constructed and the model is trained. Based on this, the silicon content is predicted. The results show that the hit rate reaches 87%(the error is less than 0.10). Compared with the traditional backpropagation or radial basis function neural network , this model has higher hit rate and faster running speed.     

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。     

马钢CSP流程对钢水硅含量的控制

根据冶金热力学理论,从钢水与炉渣成分的平衡关系出发,对马钢CSP流程生产的钢水硅含量的主要影响因素进行理论分析。理论计算和实际生产数据表明,对于低碳铝镇静钢,钢包顶渣中SiO2的含量和钢水中的酸溶铝含量是控制钢水硅含量的主要因素。当钢水中酸溶铝的质量分数为0．025％和钢包顶渣中SiO2的质量分数不超过4％时,可以把钢水硅的质量分数控制在0．03％以下。在此基础上．结合马钢现有生产条件,提出了有效控制钢水硅含量的具体措施。     

钼蓝光度法快速测定铬铁中硅

将经典的高氯酸脱水重量法测定硅改为钼蓝光度法快速分析硅含量。试样溶解后，在0．1～0．6mol／L的微酸性溶液中，硅酸与钼酸铵作用生成黄色的硅钼酸络离子，然后用硫酸亚铁铵还原剂将生成的黄色硅钢络离子还原成硅钼蓝，其蓝色的强度与硅含量成一定比例关系，借此可用光度法测定硅的含量。该法操作简便、快速，结果准确，缩短了分析周期，提高工效24倍。     

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。     

Effect of FeO in the slag and silicon in the metal on the desulfurization of hot metal

Work has been conducted to investigate the effects of FeO in the slag and silicon in the metal on hot metal desulfurization. Laboratory experimental results show that FeO decreases and silicon increases the rate of desulfurization. Silicon in the metal is consumed by the reduction of FeO and also by the desulfurization reaction. A mathematical kinetic model was developed to describe both the effects of silicon and FeO on desulfurization for the laboratory scale. The model predicts the sulfur and silicon content in the metal and the FeO and sulfur content in the slag as a function of time. It is based on four-component simultaneous mass transfer: sulfur and silicon in the metal and FeO and sulfur in the slag. Experimental results, the development of the kinetic model, and a comparison of the model and experimental results are presented.     

红外空气参考法测定光纤用SiCl4中的总氢

氢是光纤中最有害的杂质，光纤中的含氢量主要取决于光纤原料高纯ＳｉＣｌ４中的总氢含量。本文运用红外光谱谱图工出了我厂生产的高纯ＳｉＣｌ４中主要的含氢基团，并在实验的基础上建立了这些含氢基团对氢的贡献的红外测试方法。     

CaF2--SiO2型硅传感器辅助电极的制备及其定硅性能

以CaF₂＋SiO₂作为硅传感器辅助电极材料,将其均匀涂覆于ZrO₂（MgO）固体电解质表面,在高纯Ar气保护下,1400℃焙烧30min制备得到定硅传感器.利用X射线衍射仪、扫描电子显微镜以及能量色散谱仪系统研究了制备条件对于焙烧后形成的辅助电极膜层组成、物相和微观形貌的影响.膜层中不存在CaF₂,而是以SiO₂固体颗粒、CaO·MgO·2SiO₂固溶体及ZrSiO₄为主.另外,探讨了辅助电极膜层中物相的变化对于膜层黏结性以及定硅性能的影响.在1450℃下对铁液中硅含量进行测试,传感器响应时间在10s左右,稳定时间在20s以上,而且传感器的重复性也很理想.当铁液中硅质量分数在0.5%~1.5%时,硅传感器测量值与化学分析法分析值相吻合.      

转炉依“Si”炼钢的生产实践

分析了转炉炼钢的生产现状,找出了造成铁水Si含量波动大的原因。对炼钢工艺进行优化,从铁水取样方式、铁水温度和成分的准确、废钢和石灰加入量的工艺确认等方面进行改进,根据铁水含Si量及温度变化来调整工艺制度,真正达到了转炉依＂Si＂炼钢,提高了转炉终点命中率,降低了各种原材料消耗。