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。     

基于非线性HBI网络的转炉冶炼终点预测模型

针对前馈神经网络模型的BP算法自身存在的易陷入局部极小和收敛速度慢等缺陷,耦合同伦理论与BI神经网络模型,建立了基于同伦BI神经网络的转炉终点预测模型分别对转炉终点钢水的碳含量及温度进行预测,并在相同构造下同单纯BI网络模型相比较.结果表明:在网络结构相同的条件下,耦合同伦算法后预测模型的精度得到显著提高,各模型命中率的平均提高量分别为8.6%,20.2%,预测误差绝对值的最大值分别下降了48.4%,44.76%;在计算效率方面,完成相同的计算迭代次数,同伦模型所需时间平均减少14%.     

集成IHPO-ELM的转炉终点磷含量预测研究

转炉终点钢水磷含量的预测对控制钢材质量和降低生产成本具有重要意义。为提高转炉终点磷含量的控制精准度和减少原料消耗,提出一种在Stacking集成学习框架下融合多个改进型极限学习机(Improved Extreme Learning Machine, IELM)的转炉终点磷含量预测模型。首先,根据理论基础和相关性分析确定模型的输入特征;其次,针对ELM(Extreme Learning Machine, ELM)的参数选取问题,提出一种改进的猎人-猎物优化(Improved Hunter-Prey Optimization, IHPO)算法对其进行参数寻优得到IELM;最后,在Stacking集成算法框架下,融合多个IELM初级学习器,以高斯过程回归(Gaussian Process Regression, GPR)作为次级学习器,建立Stacking-IELM-GPR集成学习模型。与7种单一模型和2种Bagging同质集成算法进行对比,结果表明,所提出模型在预测精度和误差性能指标方面表现最优,且预测误差在±0.003%间的命中率为92.86%。     

基于无约束小波权重TSVR的转炉炼钢终点静态预测模型

转炉炼钢是一个极其复杂的物理化学反应过程,采用智能方法建立转炉炼钢的数学模型是近些年来的一个热点问题。针对熔池碳含量和温度的终点命中率问题,提出了一种新的静态预测模型的建模方法。在传统的孪生支持向量回归机的基础上,将小波权重矩阵引入到目标函数中,然后将目标函数转换成无约束优化问题求解,提高了算法的性能和运算效率;最后基于某炼钢厂260 t转炉的实际生产数据,建立了转炉炼钢终点静态预测模型。试验结果表明,预测模型的终点碳质量分数(误差±0.005%)和温度(误差±10℃)的单命中率分别为94%和96%,双命中率达到90%。通过与现有的方法比较,所提出的预测模型取得了最优的结果,不仅能够指导实际生产,也可用于冶金行业的其他应用背景的数学建模。     

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FA-ELM的转炉终点磷含量预测模型

 转炉终点磷含量的预测对实现转炉自动出钢、缩短冶炼周期具有重要意义,为了实现转炉终点磷含量的窄窗口控制,为操作工艺提供指导,需要建立更高精度的终点磷含量预测模型。通过对冶炼工艺以及脱磷热力学的分析,选取12项影响脱磷过程的可观测指标,构建了终点磷含量预测指标体系,然后借助因子分析法(FA)对数据进行降维处理,得到6个派生变量,将其作为模型输入,终点磷含量作为模型输出,建立基于超限学习机(ELM)的终点磷含量预测模型。并将ELM模型预测结果与BP神经网络的进行对比,研究发现,ELM模型拟合度更高,回归系数R2=0.778 7,平均误差MAPE=0.106 0,并且预测误差在±0.003 0%内的炉次所占比例为86.67%。因此,相比于BP神经网络模型,ELM模型具有较高的精度和较好的泛化能力。     

基于副枪的转炉终点磷锰控制模型与脱磷优化

  分析了转炉终点磷、锰含量的主要影响因素,建立终点磷、锰含量预报与控制模型,优化转炉脱磷工艺。研究结果表明：根据副枪检测碳含量和温度值,通过数学模型预报终点磷、锰含量,在控制精度为±0.004%和±003%时,命中率分别达到89.5%和94.0%;转炉终点温度为1625～1655 ℃,终点碳w(［C］)≤0.06%的条件下冶炼w(［P］)≤0.010%的低磷钢,应将副枪点测后的供氧比例从9.0%增加到12.0%,矿石比例维持在30%以上,终渣碱度控制在3.0～3.5。     

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%。     

基于图像识别的铜转炉吹炼造渣期渣含Fe预测模型研究

铜转炉吹炼是火法炼铜的关键工序,其终点判断与炉寿、铜产率和直收率紧密相关,目前现有人工经验、仪器测定和物料平衡法等终点判断方法均存在一定的局限性。理论上铜转炉吹炼造渣期终点与渣含Fe是否达标有关,而不同Fe含量渣样呈现不同的图像特征,鉴于此,基于图形识别的特征向量提取原理,分别采用卷积神经网络(CNN)算法与支持向量机(SVM)算法,构建了铜转炉吹炼造渣期渣含Fe预测模型,为图像识别技术在铜转炉吹炼终点判断中的应用奠定数模基础。两种模型的实例分析表明,卷积神经网络的训练集预测准确率98%,测试集预测准确率约50%;支持向量机模型的训练集预测准确率99%,测试集预测准确率62%。     

转炉炼钢加锰矿提高终点锰含量的试验研究

介绍了锰矿还原的机理和转炉吹炼过程中加入锰矿的试验情况和效果,对影响终点残锰含量的因素进行了分析研究,提出了在转炉吹炼过程中加入锰矿来提高终点残锰的技术措施。     

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。     

提高转炉终点残锰效果的探讨

转炉冶炼低碳钢水时终点残锰控制着钢水和炉渣的氧化性,对提高转炉终点残锰进行了工业试验的研究。结果表明在低锰铁水条件下,转炉冶炼终点前5min加入含锰渣料,终点残锰量可达到0.20%（质量分数）以上;终点残锰每提高0.01%（质量分数）,可降低钢水中氧的质量分数为0.0006%~0.0008%;终点钢水残锰量从0.06%（质量分数）提高到0.25%（质量分数）,炉渣中的（FeO）的质量分数下降约5%~7%。     

基于SVM污水处理过程BOD的智能预测

支持向量机是近年发展起来的新兴人工智能技术,在分析最小二乘支持向量机（SVM）理论基础上,以某污水处理厂的氧化沟系统为对象,采用一种改进的粒子群优化算法优化支持向量机的参数．建立了基于竞争机制粒子群算法ICPSO的LSSVM的氧化沟出水水质BOD智能预测模型．并与PSO—LSSVM模型和LSSVM模型比较,研究表明,ICPSO—LSSVM模型预测准确．泛化性能好．且该模型预测结果中相对误差〈10％的样本达到90％,最大相对误差仅为10．3％,均方差MSE为0．0026,模型具有较高的精度,基本可以实现出水BOD值的在线预估。     

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%。     

中高锰铁水对萍钢转炉冶炼影响的探讨

分析中高锰铁水在转炉冶炼过程中的终点锰与渣系碱度、氧化铁间的关系以及中高锰铁水对转炉现有操作水平的影响,针对萍钢二钢厂铁水锰波动大的特点,提出了对中高锰铁水进行冶炼的操作技术指导。