炼铜转炉吹炼终点的神经网络和自适应残差补偿组合预报模型

提出了基于改进的BP神经网络学习算法和自适应残差补偿算法的炼铜转炉吹炼终点组合预报模型. 利用某厂实际生产数据进行仿真运行的结果表明, 本文建立的模型具有较高的预报精度和较强的实用性, 可用于指导生产实践.     

用面向对象的方法实现转炉吹炼控制模型

转炉炼钢过程控制的核心是吹炼终点控制模型，该模型又由三个子模型组成。本文提出了如何用面向对象的程序设计方法来实现它，以充分利用Ｏ－Ｏ方法的继承、封装及消息传递等优点。     

基于RBF神经网络的转炉冶炼中低碳铬铁终点磷含量预报模型的研究

中低碳铬铁冶炼工艺复杂,杂质磷含量的高低是影响铬铁产品质量的重要因素;通过研究转炉冶炼中低碳铬铁铁水脱磷预处理的反应特性及热力学条件,分析了影响中低碳铬铁合金终点磷含量的重要因素;基于中钢吉铁辽阳公司转炉冶炼中低碳铬铁的生产工艺及样本数据,建立了基于RBF人工神经网络的转炉冶炼中低碳铬铁终点磷含量预报模型,实现了对冶炼过程终点中低碳铬铁磷含量的在线预报与分析;仿真结果表明,该模型预报精度在±0.003%范围内命中率达到85.7%,为改进冶炼工艺、提高产品质量提供了重要的理论依据。     

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。     

转炉炼钢智能动态终点控制

针对转炉炼钢过程复杂,影响终点因素多,而且难以进行连续准确针测量,提出了基于副枪检测信息的智能动态终点控制方法。采用灰色模型并通过神经网络进行补偿对转炉炼钢终点温度和碳含量进行预报,在此基础上,以RBF神经网络作为预设定模型,通过模糊调整确定补吹阶段需要的氧气量和加入的冷却剂量,并对一座180吨转炉进行仿真计算,结果表明了该方法的有效性。     

先进控制在铜锍吹炼造渣期终点判断的应用

针对现代铜冶金工业急待解决的铜锍吹炼工序“定终点”难的问题．本文提出一种基于先进控制技术的铜锍吹炼终点判断方法,建立了造渣期终点自动控制的DMC模型,并利用MATLAB软件的模型预测控制工具箱进行试验仿真。结果显示系统具有较高的准确度和良好的鲁棒性,证明了该策略的可行性。     

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.     

基于有限信息的铜吹炼动态过程智能集成建模

针对具有强动态变化特征但过程信息有限可知的铜转炉吹炼过程, 提出一种基于有限数据信息的吹炼动态过程智能集成建模方法. 依据冶金反应动力学原理, 建立了描述吹炼过程反应体系变化的非线性动力学模型; 引入动力学系数修正因子, 基于有限的数据信息和龙格–库塔公式, 构建了动力学系数修正因子的优化模型; 结合智能决策生成的典型样本集, 提出了基于微粒群算法和模式搜索法的混合智能算法确保有效获得最优修正因子, 最 终形成吹炼过程的动态模型. 用实际生产数据仿真实验, 模型预测的最大相对误差小于5%, 仿真结果验证了模型有效性.     

转炉炼钢终点磷的智能预报

提出了一种用于预报转炉炼钢终点磷含量的智能方法, 在该方法中, 采用模糊推理和遗传算法, 其中模糊推理用于估算转炉熔池的磷含量, 而模糊推理模型中的各个系数则由遗传算法辨识与优化. 为了提高熔池磷的估算精度, 同时还设计了一种神经网络以补偿来自模糊推理过程的误差. 仿真结果表明了该方法的有效性.     

Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction

Basic oxygen furnace (BOF) steelmaking is a complex process and dynamic model is very important for endpoint control. It is usually difficult to build a precise BOF endpoint dynamic model because many input variables affect the endpoint carbon content and temperature. For this problem, two effective variables selection steps: mechanism analysis and mutual information calculation are proposed to choose appropriate input variables according to a variable selection algorithm. Then, the selected inputs are weighted on the basis of mutual information values. Finally, two input weighted support vector machine BOF endpoint dynamic models are constructed to predict endpoint carbon content and temperature. Results show that the variable selection for BOF endpoint prediction model is essential and effective. The complexity and precise of two endpoint prediction models are improved.     

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PSO-ICA 和RBF 神经网络的转炉炼钢终点预报模型

提出将微粒群优化算法和独立成分分析引入到径向基函数神经网络模型用于转炉炼钢终点预报．利用 微粒群优化算法的全局遍历特性和快速不动点算法的局部寻优能力,改进了传统的独立成分分析算法,解决了其目 标函数易陷入局部最优和独立特征排序不确定的问题,压缩冗余信息并降低输入维数．将提取出的独立特征输入径 向基函数神经网络,预报终点温度和碳含量．对转炉生产实测数据进行了仿真,结果表明该模型能有效提高预报精 度,保证预报的可靠性．     

铜转炉生产操作模式智能优化

为了提高铜转炉的操作水平,采用操作模式来描述一组需要在线决策的一组操作参数,提出了基于神经网络和带混沌变量的混沌遗传算法的铜转炉生产过程操作模式智能优化方法.首先,从历史样本集中筛选优化的样本;然后采用BP(Back-Propagation)神经网络来学习优化样本集的优化目标与工艺参数的函数关系;最后采用带混沌变量的混沌遗传算法来寻求优化的操作模式.将该方法应用到铜转炉操作参数的实时优化,工业现场运行结果表明,该方法使转炉产量提高了6%,冷料处理量提高了7.8%.     

Dynamic control model of BOF steelmaking process based on ANFIS and robust relevance vector machine

This study concerns with the control of basic oxygen furnace (BOF) steelmaking process and proposes a dynamic control model based on adaptive-network-based fuzzy inference system (ANFIS) and robust relevance vector machine (RRVM). The model aims to control the second blow period of BOF steelmaking and consists of two parts, the first of which is to calculate the values of control variables, viz., the amounts of oxygen and coolant requirement, and the other is to predict the endpoint carbon content and temperature of molten steel. In the first part, an ANFIS classifier is primarily constructed to determine whether coolant should be added or not, then an ANFIS regression model is utilized to calculate the amounts of oxygen and coolant. In the second part, a novel robust relevance vector machine is presented to predict the endpoint. RRVM solves the problem of sensitivity to outlier characteristic of classical relevance vector machine, thus obtaining higher prediction accuracy. The key idea of the proposed RRVM is to introduce individual noise variance coefficient to each training sample. In the process of training, the noise variance coefficients of outliers gradually decrease so as to reduce the impact of outliers and improve the robustness of the model. Simulations on industrial data show that the proposed dynamic control model yields good results on the oxygen and coolant calculation as well as endpoint prediction. It is promising to be utilized in practical BOF steelmaking process.     

炼钢转炉低成本自动化系统设计与实现

介绍了某钢厂三座１２吨氧气顶吹转炉低成本自动化系统的设计与实现，对系统构成及软件开发方法作了较详细的说明，并讨论了用工业ＰＣ机构成低成本自动化系统的几个技术问题。     

贪婪核主元模糊神经网络在转炉炼钢终点预报中的应用

本文提出基于核思想和贪婪算法的主元模糊神经网络模型,用来进一步提高转炉终点碳含量和 温度预报模型的精度．采用核函数把输入变量向高维特征空间映射以充分挖掘变量的隐藏信息,经贪婪算法 优化选取主元,除去变量的冗余信息,降低输入维数．将提取的主元输入自适应神经模糊推理系统后,网络 以规则的形式来反映数据间蕴含的关系;以此模拟操作工经验,减少经验差异带来的影响．对转炉生产实测 数据进行了仿真,结果表明该模型是有效的．