鞍钢铁水终点硫含量神经网络预报模型

针对鞍钢铁水罐喷吹CaO＋Mg粉剂复合脱硫过程,建立了基于BP神经网络的铁水预处理终点硫含量预报模型。用鞍钢的1000炉数据进行模型训练,经60炉数据验证表明,有5％的炉次预报值与实际值完全一致,有76．67％的炉次误差≤0．003％。平均误差为0．0025％。     

铁水预脱硫过程镁粉耗量预报模型

针对铁水预脱硫过程的实际情况,采用Visual Basic 6.0进行编程,建立了网络结构为4-12-1,模型数据归一化范围均为[0,1]区间的BP神经网络铁水预脱硫镁粉耗量预报模型。模型确定铁水质量、铁水温度、初始硫含量、终点硫含量为输入参数。采用210炉数据进行模型训练,经46炉数据现场验证表明,模型预报结果误差有65.2%的炉次绝对值误差在0.04 kg/t以内,有91.3%的炉次绝对值误差在0.06 kg/t以内,平均绝对值误差为0.033 kg/t。本模型的预测结果较好地符合了实际生产情况。     

攀钢喷吹法铁水预脱硫数学模型的研究

喷吹法是近年来广泛使用的铁水预脱硫方式,针对攀钢喷吹法铁水预脱硫工艺过程,建立了基于神经网络的脱硫剂加入量预报模型,利用攀钢铁水预脱硫的现场生产数据对模型进行了训练和仿真测试,并在炼钢厂进行了模型的现场应用试验.试验结果表明:应用预报模型进行脱硫生产的试验炉次,脱硫后铁水中硫含量可以满足实际生产过程对终点硫的要求,模型...     

基于神经网络的高炉铁水硅和硫含量预报模型

采用基于自学习的参考炉次法,建立了反应高炉炉温和铁水质量的预报模型,对炼铁过程铁水硅含量和硫含量进行预报,建立了基于BP神经网络的高炉铁水硅含量和硫含量预报模型。用国内某高炉的生产数据进行模型训练,经预报结果数据验证,想要通过现有直接获取的高炉参数很难准确同时预报铁水硅含量和硫含量,但基本能准确预报铁水硫含量的变化趋势。     

基于神经网络的脱硫剂加入量预报模型的研究及应用

针对攀枝花新钢钒股份有限公司提钒炼钢厂铁水脱硫预处理生产工艺过程,建立基于增加动量项和采用最大误差学习法的改进BP算法脱硫剂加入量预报模型。利用攀钢铁水脱硫现场生产数据对模型进行训练和莉试,并在炼钢厂进行模型的现场应用试验。结果表明,模型的脱硫命中率达到96．8％,同时模型应用后也降低了脱硫剂的消耗量。     

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%。     

铁水预脱硫综合预报模型的研发

为准确预测复合喷吹铁水预脱硫终点硫含量,降低成本并减少二次喷吹,将多元回归模型、增量模型和神经元网络模型相结合,开发了复合喷吹铁水预脱硫综合预报模型。综合模型以增量模型为基础,利用神经元模型动态检索参照炉次,并用多元回归模型进行增量计算及结果筛查,比单一模型的偏差比例降低至少50%以上,提高了模型的准确性和稳定性。其在河钢集团唐钢不锈钢公司实际生产中获得了良好应用,钝化镁消耗率降低10 kg/炉,脱硫一次处理的终点命中率达8%以上,取得了显著的经济效益。     

基于BP神经网络和回归的脱硫粉剂预报模型

分析了铁水脱硫时铁水温度、铁水量、初始硫含量、脱硫后硫含量对镁粉耗量的影响,表明:随铁水温度增加镁粉耗量随之增加;随脱硫后硫含量的降低,镁粉耗量明显增加且增幅逐步扩大,为降低成本,脱硫深度应控制合理。为确定合适的粉剂用量,建立了基于BP神经网络和回归的铁水脱硫粉剂预报模型,其中BP神经网络模型是粉剂模型的主输出,回归模型用于限定输出范围。铁水脱硫粉剂预报模型已实现了在线控制,无需人工干预,达到了较好的应用效果。当偏差区间为[-0.001 5%,0.001 5%]时,脱硫后硫含量的符合率为90.85%,可有效实现脱硫后硫含量的控制。     

基于Kmeans–BP神经网络的KR工序终点铁水硫含量预测模型

针对KR工序终点铁水硫含量预测问题,提出一种基于Kmeans聚类分析和BP神经网络（BPNN）相结合的建模方法。首先,通过Kmeans聚类对KR工序生产数据进行模式识别和分类,构建不同工况特征的数据集;然后,基于BP神经网络,针对不同数据集训练预测模型;最后,将不同数据集的预测模型进行集成,形成最终的终点铁水硫含量预测模型,实现对不同铁水条件和工况条件的预测。利用某钢铁企业实际生产数据,分别用基于脱硫反应动力学、BP神经网络和Kmeans–BPNN方法建立的预测模型,对KR工序终点铁水硫含量进行预测。结果表明,Kmeans–BPNN的KR工序终点硫含量预测模型的精度显著高于脱硫反应动力学和BP神经网络的预测模型。      

铁水预处理脱硫过程氮含量预测

根据铁水预处理的实际生产工艺,利用BP神经网络建立了铁水预处理脱硫时铁水中氮含量的预报模型.利用生产数据对网络进行训练后,可以用于预测铁水预处理脱硫后铁水中氮含量,预报相对误差可以控制在22%以下,w[N]的绝对误差值控制在8×10-4%以内.给各输入参量增加扰动后,模型计算表明,初始温度和初始[N],[C],[P]含量,四因素影响最大,且温度和[C]含量为负扰动,[N]为正扰动,说明增加温度和碳含量有利于脱氮.     

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%。     

A BP neural network based mathematical model for predicting Si content in hot metal from COREX process

The high and fluctuation property of ??Si?? content in hot metal (HM) is always a problem in COREX process. The precise prediction of ??Si?? content in HM from COREX process can provide a theoretical basis and technical reference for stabilizing and reducing the ??Si?? content in HM. A back propagation (BP) neural network was established to predict the ??Si?? content in HM from COREX process. The input parameters of the model were determined by correlation analysis, and the hysteretic heats corresponding to each parameter were determined by calculating the Deng??s relevancy. The results show that when the prediction error is ??0. 1%, the hit rate is 80%. The method of continuous updating the training samples was used to improve the prediction accuracy of the model. The prediction results show that the hit rate is 90% in absolute error range of ??0. 1%, and the prediction accuracy has been greatly improved compared with previous model. The improved model can provide a theoretical basis for judging the change of ??Si?? content in HM and subsequent operations.     

基于改进小波-TCN的高炉铁水钒含量预测系统

铁水钒含量作为冶炼钒钛磁铁矿高炉的重要经济指标,对其进行准确预测将对高炉后续提钒增效具有重要生产意义。利用小波-TCN组合时序模型对具有非线性、波动大等特点的高炉铁水钒含量进行预测。首先利用小波变换将原时间序列数据分解成多个噪声段和单个趋势段,然后选用TCN模型对小波变换后的噪声段和趋势段分别进行预测,最后将结果重构得到最终的预测结果。对于选取小波变换层数较复杂的问题,利用赫斯特系数能够表征数据可预测性的特点,提出小波变换后的平均赫斯特系数(公式)用于降低模型建立过程中小波变换层数选取的复杂度,从而改进小波-TCN组合时序模型。结果表明,改进后的预测模型对单一变量预测高效且准确,相对非改进模型运算时间减少150％左右。对于赫斯特系数大于0.5的预测数据,利用改进小波-TCN组合时序模型对铁水钒含量进行预测,预测结果数据的R2达到0.967,均优于LSTM、LSTM with Attention和TCN单一预测模型的预测效果;对铁水硅、硫含量和铁水温度数据进行单变量预测,其R2分别为0.953、0.942和0.933。该预测模型可高效准确地对高炉铁水质量单变量进行预测,并可为高炉冶炼过程中所产生的其他波动较大数据的单变量准确、高效预测提供参考方案。基于预测模型进行预测系统功能应用开发,能使操高炉操作人员直观了解高炉出铁质量各参数状况,对高炉出铁质量数据进行提前掌握,促进高炉稳定顺行。     

神经网络在高炉铁水硫含量预报中的应用

采用3层BP神经网络来预报高炉铁水硫含量,根据高炉冶炼的实际生产数据,选取风温、风量、炉顶温度、焦炭负荷、喷煤量、矿石硫含量、焦炭硫含量、煤粉硫含量和上一炉铁水硅含量9个因素作为输入变量,为提高神经网络预报的准确率,对输入参数进行时滞处理.采取附加动量项和自适应学习步长的措施,解决了BP神经网络局部收敛和学习时间过长的问题.模型预报结果表明:当允许绝对误差不大于0.001时,预报命中率为70.7%;当允许绝对误差不大于0.005时,命中率为90%,证明了模型的有效性.     

基于灰色理论的铁水预处理终点磷含量神经网络预测模型

 在传统BP神经网络预测模型的基础上,依据灰色理论中的灰色关联度,提出了输出变量各个影响因素的灰色关联度权值,首次建立基于灰色理论的神经网络预测模型,并依据国内某钢厂300组实际生产数据进行仿真试验。试验结果表明：误差绝对值小于5%的炉数有39炉,占总炉数的65.00%;误差绝对值小于10%的炉数共有58炉,占到96.67%。与传统BP神经网络相比,基于灰色理论的神经网络模型的预测精度提高近12.5%,说明基于灰色理论的铁水预处理终点磷含量神经网络预测模型能更精确地反映现场实际水平。     

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.     

变异PSO算法协同神经元网络在轧制力预报中的应用

 为了避免BP神经元网络易陷入局部极值和基本粒子群(PSO) 神经元网络早熟收敛问题，采用一种自适应变异的粒子群优化算法训练神经元网络，根据轧制力的实测值和神经元网络的预报值确定粒子群算法的适应度函数，按照权重梯度方向进行变异操作，并首次将该方法应用到热连轧机组轧制力预报中。通过攀钢热轧板厂现场数据运算表明，该方法的预报误差平均值比传统数学模型低165%，比BP神经元网络低055%，收敛速度比BP神经元网络提高了约1/4，为进一步提高精轧机组轧制力预报精度提供了一种新的有效方法。