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%。     

应用改进的神经网络模型预报转炉冶炼终点

准确预报转炉冶炼终点的钢水温度与碳含量对提高转炉终点命中率具有重要意义。针对现有多层前馈网络学习算法的不足,基于BP模型提出一种改进算法,建立了复吹转炉冶炼终点的预报模型,并与BP模型的预测结果进行了统计比较。研究表明,改进后的模型能够对冶炼终点进行良好的预报。采用单节点输出模型对终点钢水碳含量与温度分别进行预报,预测误差w(Δ[C])<±0.03%的命中率达97.22%,Δt<±12℃的命中率为94.44%。还建立了神经网络双节点输出模型对转炉终点钢水碳含量及温度同时进行预报,误差Δt<±15℃、w(Δ[C])<0.03%的双命中率为76.92%。     

基于LM算法BP神经网络的高炉-转炉界面铁水温度预报模型

通过研究高炉-转炉界面铁水运输过程温度的主要影响因素,确定了影响高炉-转炉界面铁水运输过程温度的参数,建立了基于Levenberg-Marquardt (LM)算法BP神经网络的高炉-转炉界面铁水温度及铁水过程温降的预报模型.用沙钢100包铁水数据进行模型训练,50包铁水数据进行现场预报,结果表明:在高炉-转炉界面“一包到底”模式下,当绝对误差| X |≤20℃时,铁水温度命中率为94％,铁水温降命中率为78％;当绝对误差|X|≤40℃时,铁水温度命中率为100％,铁水温降命中率为92％,该预报模型能够满足现场实际生产需求,对炼钢生产有很好的指导意义.     

基于副枪控制的转炉终点预测模型

利用转炉吹炼末期脱碳指数方程、热平衡和热力学方程分别建立了转炉终点碳、温度、磷和锰的预报模型.终点碳质量分数预报误差为±0.015%的命中率达到87.6%;转炉终点目标w(C)=0.03%时,温度误差范围±10 ℃的比率为85.4%;模型预报钢中w(Mn)误差在±0.02%、w(P) 误差在±0.003%范围的比率分别达到了87.0%和81.2%.建立的预报模型具有较高的精度,实现了转炉终点碳、温度、残锰和磷的同时预报,为提高转炉的终点控制命中率、减少补吹的次数、实现直接出钢打下良好的基础.     

基于混匀矿烧结基础特性配矿专家系统的开发与应用

应用BP神经网络技术分别建立混匀矿烧结基础特性预报模型和烧结矿质量预报模型。采用Visual C++2010与Matlab 2008混合编程的方式,开发了烧结配矿专家系统软件。结果表明:同化性温度、液相流动性指数和粘结相强度的预报命中率分别为90%、83.3%和90%,成品率、转鼓指数和低温还原粉化RDI_(+3.15)的预报命中率分别为90%、90%和85%。通过专家系统研究了褐铁矿配比对混匀矿烧结基础特性和烧结矿质量的影响,随褐铁矿配比的增加,烧结矿的成品率、转鼓指数和低温还原粉化RDI_(+3.15)先升高后降低。当混匀矿的同化温度、液相流动性指数和粘结相强度分别为1 259℃、1.22和1 727 N时,烧结矿的质量指标最优。     

基于混合编码策略的电弧炉冶炼钢种的碳含量预报模型

提出一种混合编码策略的遗传算法(GA)训练电炉钢碳含量神经网络预报模型。先采用二进制编码策略,再采用十进制编码策略继续优化预报模型的权阈值,这种混合编码策略综合了二进制编码搜索能力强和十进制编码变异量可任意小的优点。仿真结果表明,混合编码策略的遗传算法(GA)具有更快的收敛速度和更好的寻优性能。对100 t电弧炉冶炼0.85%～1.00%C的钢种,预报碳含量的精度为±0.04%时混合编码GA的命中率为96%,二进制编码GA的命中率为90%。     

改进训练方法的模糊神经网络模型预报转炉终点磷的研究和应用

根据150 t转炉的冶炼工艺和生产数据及转炉终点磷含量的影响因素,并针对现有BP网络学习算法的不足,基于BP算法提出一种改进网络训练算法,建立了基于模糊神经网络的转炉终点磷含量的预报模型。结果表明,改进后的模型预报转炉终点磷含量误差为±0．002％的命中率达68．69％,预报误差±0．004％的命中率达95．96％,磷含量的最大误差为±0．006％。     

基于机器学习算法的“全三脱”工艺转炉终点预测

建立精准的转炉终点预测模型对生产效率和钢液洁净度的提升尤为重要。以首钢京唐钢铁联合有限责任公司“全三脱”工艺转炉为研究对象,对历史生产数据进行皮尔逊相关性分析,得到与转炉终点温度、碳含量最相关的15个自变量。利用BP神经网络、极限学习机(ELM)和支持向量机(SVM)3种机器学习算法分别建立了转炉终点预测模型。随后选取160组新样本数据来检验3种模型的预测精度,结果表明：SVM模型下转炉终点温度、碳含量预测模型精度更高,终点温度预测误差在±15℃内的命中率为90.6%,终点碳质量分数预测误差在±0.01%内的命中率为93.8%。另外,基于支持向量机算法建立的转炉终点预测模型,全三脱工艺比常规工艺的终点温度误差±15℃内、碳质量分数±0.01%内命中率分别提高了9.1百分点和14.4百分点。     

基于烟气分析的转炉连续碳温预报模型

以唐山某钢厂转炉为原型,建立基于转炉烟气分析碳温连续预报数学模型,并利用VB编译程序针对某钢种的实际冶炼进行离线模拟。模拟结果表明:该钢种要求出钢碳含量为0.035%,温度为1700℃,在碳含量0.03%-0.04%范围内,模型计算结果命中率为87%。在温度为1690℃~1710℃范围内,模型计算终点温度命中率为77%。     

基于案例推理的钢水温度在线管控模型

钢水温度的精确管控有利于提高铸坯质量和降低生产成本。针对目前炼钢—连铸区段钢水温度在线管控方面存在的不足,在分析钢水温度影响因素的基础上,建立了基于案例推理的炼钢—连铸区段钢水温度在线管控模型。同时通过调整案例推理算法的相似度计算方法、权重计算方法、重用案例个数等参数提高模型的精度。结果表明:转炉出钢温度预定模型平均降低转炉出钢温度6℃,精炼结束温度预定模型提高连铸开浇温度命中率2.33%。精炼开始温度,精炼结束温度和连铸开浇温度预报模型误差小于10℃的命中率分别达到75.33%、98.33%和95.67%,且均高于神经网络模型。     

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%。     

基于支持向量机回归的铸坯表面目标温度设定

提出了一种多输入多输出支持向量机回归算法,利用冶金技术人员计算的目标温度设定表,设定实时二冷区铸坯表面目标温度。200 mm×1 534 mm 16Mn钢板坯连铸试验结果表明,在训练样本相同时,支持向量机训练时间为3.2 s,预测目标温度误差为±1℃,BP神经网络训练时间为23.5 s,预测目标温度误差为±2℃,多输入多输出支持向量机回归算法优于BP神经网络算法,能够根据工艺变化情况,实时改变目标温度,为实现连铸动态控制提供了条件,有助于提高铸坯的质量。     

260t转炉终点磷含量预报模型的开发实践

针对邯钢集团邯宝钢铁有限公司西区炼钢厂转炉的冶炼工艺特点和生产数据,建立了基于PCA-GA-BP神经网络的转炉终点磷含量预测模型。通过主成分分析(PCA)将终点磷含量的影响因素降维,并采用遗传算法(GA)对BP神经网络的初始权重进行优化。用Java语言开发了转炉终点磷含量预测模型的软件,在炼钢厂进行了现场使用。结果表明:转炉终点钢水w(P)控制精度在±0.007%时,命中率达到96.67%;控制精度在±0.005%时,命中率达到93.33%;控制精度在±0.004%时命中率达到86.67%。     

ANS-OB精炼终点温度预报模型

分析了ANS—OB精炼终点钢液温度的影响因素,包括吹氧、吹氩、合金添加情况和钢包状况等。基于理论分析和现场经验数据,建立了ANS—OB精炼终点温度预报模型。对于66炉次的实际生产数据,采用所建立的数学模型计算精炼终点温度,计算偏差在±5℃以内的精度达到80％,±7℃以内精度达到96％,±10℃以内精度达到100％。     

GA-BP的铁钢界面铁水温度预测

铁钢界面铁水温度对炼钢生产的控制与优化具有重要意义.因此,为了更加准确地获取铁钢界面铁水温度,本文采用较大样本构建了基于遗传算法(GA)优化的BP神经网络铁水温度预测模型.对影响铁钢界面铁水温度的因素分析,选取了出铁时间、预处理时间、重罐时间、空罐时间、出铁铁水温度、预处理后铁水温度、铁水质量7个关键因素作为模型的输入...     

粉末冶金旋压无缝钨管的组织性能及使用情况

用粉末冶金法制坯,以旋压法加工无缝钨管为试样,测定了加工过程中硬度、密度和组织变化,测定了钨管的再结晶温度,并描述了钨管的实际使用情况。不同变形率下钨管的组织是:11%变形率时还有未变形的组织;66%变形率时能看到细长的烧结孔洞;77%变形率时晶粒已破碎,烧结孔洞全部消失。用于钨铼热电偶标定炉的高精度无缝薄壁钨管结果是:φ40×0.25×540mm者,在中心位置100mm范围内,1200℃、1400℃和1600℃的轴向温差分别为±1℃、±6℃和±7℃;φ30×0.25×286mm者,等温区允许误差在1377±12℃,该区长度为120mm。     

热轧带钢终轧温度的多模式控制

结合国内某2250 mm热连轧精轧机组, 实现速度调节、机架间水调节、速度和机架间水耦合调节三种控制模式, 能够根据热连轧过程中的不同钢种和不同工况采用相适应的控制模式, 以获取最佳的控制效果. 同时, 利用二次规划优化法在线优化不同控制模式的调节量, 以满足带钢全长终轧温度的控制要求. 将多模式控制模型在线应用后, 带钢终轧温度控制偏差在±20℃以内, 连续三个月命中率为99%以上. 结果表明, 该控制模型响应速度快, 计算精度高, 能够满足不同钢种和不同工况下的终轧温度控制要求, 从而提高带钢轧制稳定性和终轧温度控制精度, 提升产品竞争力.