一种转炉炼钢动态终点预报的新方法

1　引言转炉炼钢就是将含有较多杂质的铁水与吹入的氧气发生反应 ,达到去除杂质的目的 ,从而获得要求的钢水成分和温度 .目前自动化炼钢的方法是静态控制和以副枪检测信息为基础的动态控制相结合的方法 .动态控制的关键是准确预报转炉炼钢终点温度和碳含量 .文 [1 ]在文 [2 ,3]的基础上采用 RBF神经网络对转炉炼钢终点温度和碳含量进行预报 ,提高了预报精度 .但是 ,终点温度和碳含量受到非定量因素的影响 ,文 [4 ]提出以灰色模型为基础的预报方法 ,由于应用线性回归补偿 ,因而影响预报精度 .本文将灰色模型与RBF神经网络相结合提出新的转…     

基于grey Markov--支持向量机的电弧炉终点参数预报

考虑电弧炉终点参数既受定量因素的影响,又受非定量因素的影响.将灰色马尔可夫 (grey Markov)与支持向量机 (SVM)相结合.建立了电弧炉终点参数grey Markov-SVM预报模型,其中grey Markov模型反映非定量因素对电弧炉终点参数预测值的影响,SVM模型反映电弧炉各种定量输入对终点参数预测值的影响.建立grey Markov-SVM模型的方法是:首先建立反映非定量因素的GM (1,1)模型,然后用Markov链修正其预测值:由于grey Markov模型对定量输入的影响无法准确反映,因此grey Mar-kov模型必然存在预测偏差,此预测偏差通过建立反映定量输入与终点参数预测偏差之间关系的SVM模型方法加以补偿,并采用粒子群算法 (PSO)对SVM的参数进行寻优,最终得到电弧炉终点参数的预报值,同时实现滚动预测.仿真实验表明grey Markov-SVM模型与grey-SVM模型、Markov-SVM相比较,具有很高的终点预报精度.     

一种基于增量式神经网络的转炉静态控制模型

针对中小型转炉不宜增设副枪、难以对钢水成分和温度进行连续检测、难以建立动态模型的实际情况,本文将传统增量模型和神经网络模型有机结合,提出了一种基于增量式神经网络的转炉静态控制模型,对钢水终点进行控制。在该模型引入了RBF神经网络对钢水终点温度和碳含量进行实时预报,使得对增量式神经网络控制模型的训练以预报模型的输出值与所要求的钢水终点温度和碳含量之差为最小,克服了常规静态控制模型存在的不足,改善了控制效果,提高了炼钢一倒命中率。     

基于变量选择的转炉炼钢终点预报模型

转炉炼钢的终点预报模型对于钢水终点碳含量和温度的命中非常重要.针对高维输入不利于建立精确模型的问题,使用互信息方法对预报模型输入变量进行选择.为了区分各输入变量对输出的不同重要程度,对各输入变量进行加权处理,并采用微粒群算法对权值进行优化.最后,使用支持向量机方法建立转炉炼钢终点碳含量和温度预报模型.对一座180t转炉实际生产数据进行仿真,结果表明,合理的变量选择和加权处理能有效提高模型的预报精度.     

基于模糊规划电弧炉优化配料模型的研究

配料是电弧炉炼钢中关系到钢水质量、冶炼工艺的一个非常重要环节,优化配料是保证钢水质量和节省成本的重要方法。目前大多数配料都是采用清晰型线性规划方法,没有考虑冶炼钢种的技术条件对钢水中各种元素的含量的模糊性,影响了优化模型的可靠性,而模糊配料约束线性规划模型为解决这个问题提供了一条思路,通过对冶炼工艺的模糊需求量和模糊等式的描述,建立了电弧炉配料的模型,该模型充分考虑了电弧炉炼钢的工艺要求,得到了适合生产需要的配料结果。     

基于鲁棒相关向量机的转炉炼钢终点预报模型

针对传统相关向量机在训练过程中易受异常点影响的问题,提出了一种鲁棒相关向量机模型,并将其应用于转炉炼钢终点碳含量和温度的预报.通过为每一个训练样本设定独立的噪声方差系数,并使其在训练过程中随模型预测误差的增大而逐渐减小来降低异常点的影响,同时依据贝叶斯证据框架给出了模型超参数的迭代计算公式,进行参数的优化.使用标准测试数据和转炉炼钢实际生产数据进行仿真,结果表明本文模型具有较好的预报精度和鲁棒性.     

基于神经网络的转炉炼钢终点控制

转炉炼钢是一种非常重要的炼钢方法,终点控制是转炉炼钢后期的重要操作.由于冶炼过程温度极高,很难进行准确及时地测量,无法形成通常意义下的反馈控制.采用RBF神经网络预报转炉炼钢终点温度和碳含量,在此基础上提出了基于神经网络的动态终点控制方法来确定在补吹阶段需要的吹氧量和加入的冷却剂量,克服了传统控制方法中基于热平衡和氧平衡控制模型不准确的缺点,提高了终点命中率.     

基于PSO和BP网络的LF 炉钢水温度智能预测

研究将粒子群优化算法与BP神经网络相结合,建立新的钢水终点温度预报模型.确定加热功率、初始温度、精炼时间等8个影响钢水终点温度的主要因素作为神经网络的输入量.用粒子群优化算法优化神经网络参数,改善神经网络温度预测模型的收敛性能.实验结果表明,该算法可以提高预测速度和精度,预测结果误差不大于±5℃的炉次大于90%.     

神经元网络在VD温度预报模型中的应用

在对冶金生产过程中的现场实际情况进行详细分析的基础上,采用神经元网络技术建立和开发了一个真空脱气炉（VD）钢水温度的预报模型.该模型从基础自动化系统和L2过程控制系统中获得所需的数据,并通过设计的输入数据对神经网络进行了训练、检验和性能评价.该模型通过L2过程计算机,以网络方式向操作人员预报并指示VD开盖温度,经过实际运行,该模型可以准确预报VD终点温度,实现了对VD终点温度的精确控制,对于保证生产的顺利进行和节约能源有着重要的意义.     

基于混合递阶遗传神经网络的转炉温度预报

针对转炉控制中对吹炼终点温度的控制问题,提出了基于混合递阶遗传RBF神经网络(HGA-RBF)的转炉炼钢终点温度预报模型.研究了RBF网络的特点,用递阶遗传算法克服了网络的结构和参数选择的随机性问题;并结合最小二乘法,提高了收敛速度.仿真结果表明,此算法在一定程度上提高了RBF网络的优化收敛速度和训练测试精度.某钢铁公司提供的实际冶炼数据试验,也证明了该模型预报精度较高,对提高生产的质量有重要意义.