基于孪生支持向量回归机的转炉炼钢终点预测

为了提高转炉炼钢的终点命中率，建立了一种新的转炉终点预测模型，实现了对转炉终点碳质量分数和温度的准确预测。模型采用K最近邻孪生支持向量机(KNNWTSVR)算法，将权重矩阵引入到目标函数中，并利用鲸群优化算法进行求解，提高了传统算法的性能；然后基于某炼钢厂260 t转炉的实际生产数据，建立了转炉炼钢终点预测模型。结果表明，预测模型的终点碳质量分数(误差±0.005%)和温度(误差±15 ℃)的终点单命中率分别为94%和88%，双命中率达到84%。与其他两种现有的建模方法相比，本模型取得了最优的预测效果。该方法满足转炉炼钢实际生产的需求，也可适用于钢铁冶金其他领域的数学建模。     

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。     

一种基于即时学习的局部模型集成转炉炼钢终点预测方法

钢铁工业在国民经济基础中有着重要地位,转炉炼钢作为钢铁生产中的一个重要环节,直接决定了生产钢铁的质量。转炉炼钢是一个影响因素众多、过程非常复杂的多元多相高温物理化学反应过程,对转炉炼钢终点实现精确控制是冶金行业一个有待解决的难题。以提高转炉炼钢终点碳温命中率为目标,针对传统全局模型预测性能不足,难以解决多工况问题,提出了一种基于即时学习(just-in-time learning, JITL)的动态终点预测方法。在JITL的框架下,利用不同准则下的相似性度量方法,选取相应的子样本集,分别构建局部回归模型,最后通过集成学习输出各个局部模型的预测结果。在实际转炉炼钢数据验证中,使用本文所提方法,终点温度在±15℃范围内■命中率为92.7%,终点碳质量分数在±0.02%范围内■命中率为95.7%,可以为实际生产过程中的终点控制等操作提供参考。     

80 t转炉终点预报TSVR模型精度

 转炉炼钢是一个复杂的高温物理化学反应过程。在冶炼过程中不能连续检测钢的成分。所以,准确地预报终点的碳质量分数和温度对于提高终点命中率是非常有意义的。基于广西某钢厂80 t转炉炼钢实际生产数据,建立了终点碳质量分数和终点温度的孪生支持向量回归机(TSVR)预测模型,对100个炉次的实际生产数据进行了模型的训练,另外30个炉次的数据用于验证模型的精度。结果表明,预测误差Δω([C])≤ 0.01%的命中率为93.3%,Δt≤15 ℃的命中率为96.7%,双命中率为90%。与BP神经网络模型相比,TSVR模型的终点碳质量分数和终点温度命中率均比BP神经网络模型高。     

基于集成学习的转炉吹炼终点磷锰预测模型

基于260 t转炉炼钢实际生产数据,用RF(Random Forests,随机森林)、LGBM(Light Gradient Boosting Machine,轻量级梯度提升机)和Stacking集成三种不同机器学习算法建立了转炉炼钢终点磷锰预测模型。通过相关理论分析和皮尔逊相关系数法确定了模型输入变量,对比三种集成学习模型的终点命中率,表明Stacking集成模型的预测性能最好,在预测终点磷质量分数误差为±0.001%、±0.001 5%时的终点命中率分别为86.3%、97.1%,在预测终点锰质量分数误差为±0.008%、±0.01%时的命中率分别为83.4%、94.4%。     

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.     

试论提高转炉炼钢终点命中率的控制措施

简要介绍了转炉炼钢终点命中率的控制技术,从碳氧含量、出钢温度和脱磷条件三个方面详细分析了转炉炼钢终点命中率的影响因素,提出通过完善留渣操作、降低出钢温度、控制吹炼强度和进行补热升温等针对性的控制策略,提高转炉炼钢终点命中率,以期为转炉炼钢终点命中率提高及控制提供参考,确保转炉炼钢稳定作业,提高转炉炼钢生产质量和效率。     

基于光谱信息与温度的转炉炼钢终点预测模型

转炉炼钢终点就是在出钢时通过控制使钢水的成分和温度达到一定要求。原子发射光谱法显示的元素特征光谱波长下的光谱信息的变化,能反应成分含量的变化趋势。文章介绍了基于温度和光谱信息的终点预测模型的系统,通过此系统获取转炉炼钢过程中的温度和Mn、Si光谱信息,利用多元回归分析的方法建立终点预测模型,并对模型进行显著性检验和精度分析。研究表明,此模型的终点命中率在80%左右,能比较准确预测转炉炼钢的终点。如果在预测模型中加入更多的元素光谱信息,将能进一步提高终点命中率。     

基于BP神经网络的转炉静态模型

以理论模型为基础,建立了转炉炼钢静态控制模型,并将人工神经网络模型应用到转炉控制中,以Visual Basic为开发语言,开发了相应的软件。通过BP神经网络预报了终点的碳含量,当碳命中误差±0.02%时,命中率达到了66.7%。     

基于灰色模型的转炉炼钢终点预报研究

准确预报转炉炼钢的终点钢温度及碳含量,对于提高终点命中率具有重要意义,作者采用灰色系统模型及线性回归补偿模型建立了转炉炼钢终点钢水温度及碳含量预报模型,并对一座１８０ｔ转炉的实测数据进行了仿真,其结果与实际值接近,这表明该方法切实可行并有效的。     

转炉冶炼终点静态控制预测模型

基于天津天铁冶金集团30t转炉炼钢实际生产数据，首先建立了转炉炼钢终点静态控制的吹氧量及矿石用量统计模型，其预测100个炉次吹氧量和矿石用量平均相对误差分别为0．58％及10．4％。考虑到影响终点钢水温度和碳含量的因素比较复杂，设计了预测钢水终点温度和碳含量的人工神经网格模型，利用Levenberg-Marquardt算法和257个炉次的实际生产数据进行了模型训练，并对另外100个炉次的终点钢水温度及碳含量进行了预测，在终点钢水温度为1646-1698℃和终点碳质量分数为0．033％～0．128％的范围内，得到的终点碳温双命中率为55％。     

利用人工神经网络系统提高转炉终点碳温双命中率

以神经网络为基础开发出一套转炉冶炼终点控制模型。模型以转炉炼钢基础理论为依据,采用误差后向传播网络——BP网络为原形,对其算法进行改进,建立两个三层BP预测神经网络,选用29个输入参数,分别对终点温度和终点碳含量进行预报。通过采集现场操作数据和实际应用,碳温双命中率达到80%以上。     

K-OBM-S转炉冶炼不锈钢过程的数学模拟和应用

K-OBM-S转炉是以铁水和电弧炉预熔钢液为原料冶炼不锈钢的精炼设备。以转炉冶炼普碳钢的顶吹模型和AOD法冶炼不锈钢模型为基础,建立了适用于80 t K-OBM-S转炉冶炼不锈钢的数学模型。对二步法冶炼2Cr13型不锈钢和三步法冶炼0Cr18Ni9型不锈钢的过程验证结果表明,大部分终点碳含量的误差≤±0.03%,终点铬含量误差≤±0.3%,110炉0Cr18Ni9钢目标碳(0.10%～0.25%)命中率为95.6%,终点目标铬(17.1%17.6%)的命中率为85.2%。     

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%。     

武钢炼钢三分厂全过程计算机自动炼钢新进展

介绍了武汉钢铁股份公司炼钢总厂三分厂在成功应用计算机自动控制炼钢技术的基础上,近年来不断对计算机硬件系统进行升级改造,对应用软件进行更新,同时根据生产模式的变化和外界原料条件的变化,改进了预出铁模型、静态、动态模型,增加了终点磷、硫预测模型,优化了自动拉碳和快速出钢等技术,使2009年第4季度计算机全自动炼钢率平均稳定在83%的水平、自动拉碳率年平均达到85.1%、转炉终点碳、温双命中率年平均达到96.3%的国际先进水平。     

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%。     

转炉终点氧含量预报模型

建立了两种转炉炼钢终点氧预报模型。即数学统计模型和神经网络模型。数学模型采用多元线性回归方法建模,该模型简单、可视,但预报效果不理想,预报误差小于80×10-6,命中率仅为72.7%。神经网络模型在选取适当输入参数的基础上,通过对现场生产数据进行训练,求得合理优化的网络权重,可对转炉终点氧含量进行离线预报,该模型的预报结果较好,预报误差小于80×10-6时,预报命中率超过86.4%。     

基于函数型数字孪生模型的转炉炼钢终点碳控制技术

由于转炉冶炼过程中的热力学和动力学反应复杂，副枪控制模型和传统的烟气分析模型存在很大的局限性，导致了转炉冶炼终点碳含量的预测精度偏低，是实现智能炼钢的主要技术瓶颈. 针对上述问题，提出了基于烟气分析的炼钢过程函数型数字孪生模型. 首先，利用烟气分析得到连续监测的实时数据，以此来实时监控转炉熔池内钢水的碳氧反应状态; 然后，根据熔池反应所处的不同阶段，利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型; 在此基础上，按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数，从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测. 通过260 t氧气转炉的工业应用实例，证实函数型数字孪生模型具有良好的自学习和自适应能力，对异常冶炼状态具有良好的鲁棒性，可以实现全过程的熔池碳含量动态预测，终点碳质量分数在± 0. 02% 范围内的命中率为95%. 利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点. 更为重要的是，在保证入炉原料成分、温度、质量等参数稳定的前提下，采用该模型可以有望取消基于副枪的停吹取样步骤，从而降低生产成本，提高产品质量和生产效率，具有广泛的工业应用前景.      

样本自选择回归分析算法在转炉炼钢中的应用

针对转炉炼钢静态控制模型广泛采用的常规回归分析算法采用目标炉次的前几炉次冶炼数据作为样本,模型预测准确度低的问题,提出了一种基于样本自选择的回归分析算法。该算法从实际生产数据中自动选取一定数量的合适样本来构建回归分析预测模型,实现吹氧量、冷却剂加入量、终点温度和终点碳含量的预测。通过某钢厂120t转炉Q235B钢种的实...     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.