基于粒子群优化的带钢凸度神经网络预测模型研究

在热轧板凸度预测模型中,传统BP神经网络预测模型存在易陷入局部极小值、收敛速度慢等问题,因此在传统预测模型的基础之上,用自适应变异粒子群算法优化BP神经网络模型的权值和阈值,将权值和阈值编码成粒子选出最优值,并将其用于预测带钢凸度。仿真结果表明,自适应变异粒子群优化的BP神经网络和传统的预测模型相比,预测效果有所改善。     

基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

基于FA-PSO-RBF神经网络的富氧底吹铜锍品位预测模型

铜锍品位是富氧底吹铜熔炼过程中的一个关键工艺参数，针对铜锍品位实时检测困难、检测结果滞后时间长、指导生产工艺参数优化滞后等问题，基于生产数据深入挖掘及处理，提出了一种基于FA-PSO-RBF神经网络的铜锍品位预测模型。首先为了降低模型的预测误差，利用FA分析方法对原始生产数据进行降维处理，确定主要因子数量为6个，并计算因子得分，然后针对RBF神经网络模型对关键参数依赖性较大的不足，利用改进PSO算法对网络结构中的关键参数进行寻优，最后，以因子得分为输入，铜锍品位值为输出，通过实际生产数据验证模型的准确性，并与RBF、标准PSO-RBF预测模型进行对比，结果表明，本文构建的铜锍品位预测模型预测精度更高，与标准PSO-RBF预测模型相比，RMSE和MAE的值分别降低了17.2%和21.2%,该预测模型对富氧底吹铜熔炼生产过程参数优化控制提供了一种方法借鉴。     

应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量

应用混沌粒子群优化(Chaos Particle Swarm Opti mization,CPSO)算法训练BP神经网络(Back-Propagation Neural Network,BPNN)并对高炉铁水含硅量进行预报。针对BP神经网络收敛速度慢和易于陷入极小值的问题,在粒子群优化算法中引入混沌思想,提出混沌粒子群优化算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度。系统分别选用料速、透气性指数、炉顶温度、风温、风量、喷煤量、上一炉铁水硅含量作为BP神经网络的输入层神经元,中间层(隐含层)有13个结点(用经验公式确定),输出层有一个结点,为铁水硅含量。应用CPSO算法训练BP神经网络建立的铁水含硅量预报模型对江苏永钢炼铁一厂1号高炉铁水含硅量的实际数据进行网络学习和预报。结果表明,此模型预报命中率高达91.2%,证明了方法的有效性。     

基于BP神经网络的转炉炼钢吹氧量预测

针对转炉的动态吹炼过程,建立了基于BP神经网络的转炉炼钢总吹氧量预测模型和二次吹氧量预测模型.通过相关性分析确定影响转炉总吹氧量和二次吹氧量预测的主要因素;利用五数概括法筛选数据;采用LM优化算法改进BP神经网络.并利用历史生产数据对不同拓扑结构的神经网络模型进行了训练和比较,确定了最优网络结构模型,对模型的性能进行了评价,总吹氧量预测模型预测误差小于800 m3的命中率达到87.88％,二次吹氧量预测模型预测误差小于400 m3的命中率为91.99％.     

基于PCA决策的PSO-BP模型预测高炉铁水产量

铁水产量是衡量钢铁厂产能效益的重要经济指标，根据炉次特征对其精准预测有利于钢铁厂的产能结构优化，可促进高炉的稳定与高产。为提高铁水产量预测准确率，结合机器学习理论，以国内某钢铁厂2022年全年生产冶炼数据为基础，提出基于主成分分析(PCA)决策的粒子群优化-反向传播(PSO-BP)混合预测模型。首先利用主成分分析对原始数据集进行降维处理；然后利用粒子群搜索算法优化BP神经网络的权值矩阵，成功解决BP神经网络收敛速度慢、易陷入局部最优的问题；最后结合炼铁理论，根据主成分分析结果确定模型的输入向量与拓扑结构。测试结果表明，该模型相较于其他传统模型预测误差更小，在误差范围为±50 t的情况下准确率达99.8%,实现对高炉铁水产量的精准预测，可有效指导铁水包的中转调度，为高炉参数调控提供数据支撑。     

氧气底吹熔炼炉的设计计算

正文章简述了氧气底吹熔炼技术的优点及氧气底吹熔炼炉的结构,详细介绍了氧气底吹熔炼炉的设计计算要点。氧气底吹熔炼技术是我国自主研发的一种熔池熔炼技术(已获专利),已成功地用于铅、铜冶炼[1],氧气底吹熔炼炉是氧气底吹熔炼工艺的核心设备。结构合理、安全可靠、寿命长是炉子设计的目标,本文主要介绍氧气底吹熔炼炉炉体主要部件的设计计算。氧气底吹熔炼炉的结构氧气底吹熔炼炉是一座可以转动的卧式圆筒形炉子,通过熔池下部的喷枪将     

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%。     

基于小波变换与PSO-BP神经网络的电能质量扰动分类

针对传统BP算法采用梯度下降算法存在的易陷入局部极小、收敛速度慢等缺点,本文提出了一种基于小波变换和PSO-BP神经网络的电能质量扰动分类方法.用PSCAD/EMTDC仿真几种典型的电能质量扰动,并利用小波变换进行多尺度分解,得到各尺度上信号的能量特征,输入PSO-BP神经网络,实现扰动的分类.仿真结果表明该方法较BP网络收敛迅速,容易达到训练要求,同时该方法具有分类速度快,精确度较高等优点.     

铜冶炼奥斯麦特熔炼炉提升开风率的影响因素及措施

大冶有色冶炼厂奥斯麦特炉采用的是富氧顶吹熔炼技术,整体工艺控制已十分成熟,提高奥炉开风时率成为提高产能的唯一方法。冶炼厂对2018年的停炉故障进行分析,发现锅炉故障、喷枪故障及换枪、化焦及堆料、供风供煤系统故障以及清枪重是影响奥炉内部停炉的关键因素,占比达到82.67%。通过采取严格控制锅炉水质、加强日常保养等措施降低了锅炉故障率,通过改进喷枪结构提高了喷枪寿命,通过定时清理烟道工作门焦块、采用结焦抑制剂、改进化焦操作工艺等措施减少了烟道掉焦,通过改用氮气为仪表风、改进汽包排水阀门等措施来降低风机故障,通过加强保养来降低粉煤系统故障率,通过细节操作精细化来降低清枪重频次。以上措施采取后,大冶有色奥炉2019年全年系统开风时率达到95.5%,较2018年93.7%提高1.8%,全年矿铜产量达到32.6万t,效果显著。     

金昌冶炼厂奥炉改造项目试生产实践

金昌冶炼厂奥炉改造项目2018年建成点火烘炉。针对该项目在试生产过程中陆续出现的一些问题,逐一对备料料仓、导料装置、奥炉送风机、奥炉喷枪、铜渣排放通道、贫化电炉绝缘装置、水淬系统、电收尘系统等设备系统提出优化改造措施。经过改造和对生产控制参数的调整,目前奥炉喷枪平均寿命在30 d以上,奥炉作业率99%以上。     

Mechanical Property Prediction of Strip Model Based on PSO-BP Neural Network

Mechanical property prediction of hot rolled strip is one of the hotspots in material processing research. To avoid the local infinitesimal defect and slow constringency in pure BP algorithm, a kind of global optimization algorithm-particle swarm optimization （PSO） is adopted. The algorithm is combined with the BP rapid training algorithm, and then, a kind of new neural network （NN） called PSO-BP NN is established. With the advantages of global optimization ability and the rapid constringency of the BP rapid training algorithm, the new algorithm fully shows the ability of nonlinear approach of multilayer feedforward network, improves the performance of NN, and provides a favorable basis for further online application of a comprehensive model.     

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。     

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.      

基于炉热指数计算和炉温预测的电石炉热状态判断

鉴于炉热状态判断对电石冶炼的重要性,在对电石炉冶炼过程特点分析的基础上,提出炉热指数的基本概念.建立了基于两段式热平衡分析的炉热指数计算模型,在此基础上建立了基于BP神经网络的电石液温度预测模型.采用这两种模型可以更有效地对电石炉热状态进行判断.模型仿真研究表明,电石液温度与高温区热盈余线性相关,用炉热指数判断电石炉热状态是可行的.电石液温度预测模型的命中率达到86.7%.      

铜冶炼转炉在线造铜期终点智能判断

铜冶转炉吹炼是一个复杂的过程,具有多变量、非线性、强耦合、大惯性和不确定性,机理复杂、物料变化范围大、影响因素多,给吹炼终点预报带来了极大困难。目前国内外铜锍吹炼过程终点判断仍以人工经验判断为主,此方式不仅增加工作强度,且吹炼终点判断严重依赖经验和工作态度,易导致欠吹或过吹等现象,影响正常生产,造成铜损失,严重时甚至发生喷炉事故。为此,利用转炉吹炼的终点与炉内烟气SO₂、O₂含量存在精确对应关系,结合人工经验和转炉工艺原理,在线对造铜期终点实现准确判断。利用SO₂浓度与烟气温度、送风量、送风压力、富氧量、内在因素(原料含硫比、原料重量、原料质量等)的关系实现动态补偿,采用Elman递归神经网络模型实现过程自调整、自学习,使判断准确率达到98%以上,对指导实际生产具有重大意义。