共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
《冶金自动化》2020,(5)
针对钢铁烧结配料工序完成后烧结矿质量难以及时准确判断的问题,提出通过稳定焦炭配比,进而对全铁品位和碱度指标预测实现烧结矿质量控制。依据烧结生产特性,分别建立静态的BP神经网络(BP neural network,简称BPNN)和动态的Elman递归神经网络(recurrent neural network,简称RNN)模型应用于烧结矿质量预测。仿真试验表明,应用工业数据训练建立的静态BPNN预测模型预测精度高于Elman RNN模型。最终,采用BPNN建立的烧结焦炭配比、全铁品位、烧结矿碱度的预测模型预测精度分别达到77.5%、90.0%和82.5%。计算结果对烧结生产具有重要的指导意义。 相似文献
4.
5.
影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系,预测难度较大。针对烧结矿FeO含量难以直接预测的问题,提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率,结合烧结工艺,选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构,Adam算法优化四层BP神经网络的训练过程,进而提高模型的预测精度和泛化能力。试验表明,改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时,命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比,该模型的误差更小,同时预测精度也得到显著提升。 相似文献
6.
《烧结球团》2016,(1)
烧结矿质量是烧结厂生产控制的核心指标,现场一般根据烧结矿检化验的结果对过程工艺参数进行调整,但这种调整方法存在严重的滞后性。本文基于烧结矿质量预测模型与多元统计理论,建立了烧结过程性能监控系统。预测模型以烧结矿Fe O含量与转鼓强度为指标,采用BP神经网络构建,多元统计分析采用质量控制图的方法辨识质量异常的数据点,随后采用故障贡献图的方法分析其主因。所开发的监控系统在现场的运行情况表明:在原料稳定的情况下,烧结矿质量预测值与实际检测值相差5%以内的比例超过95%;质量控制图与故障贡献图能较好地发现质量异常点并分析引起异常的主要因素。系统的使用有助于减少烧结矿质量异常的情况,实现合理稳定的烧结生产。 相似文献
7.
高炉铁水的硅含量是描述铁水质量的一个重要指标。为了在出铁之前了解铁水中硅含量的高低,建立预测模型是必要的。结合遗传算法(GA)和BP神经网络,建立了优化的GA BP预测分析模型,从某高炉选取生产数据进行学习和预测。运行结果表明,模型具有较高的预测精度,当要求绝对误差为±005时,命中率可达70%;绝对误差为±008时,命中率可达923%。同时,应用该模型分析回归了高炉风量、热风压力、富氧量与铁间料批数等参数与铁水硅含量之间的相关关系,其结果与高炉冶炼理论基本吻合,可为高炉生产提供一定的指导。 相似文献
8.
针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法. 相似文献
9.
《烧结球团》2017,(2)
应用BP神经网络技术分别建立混匀矿烧结基础特性预报模型和烧结矿质量预报模型。采用Visual C++2010与Matlab 2008混合编程的方式,开发了烧结配矿专家系统软件。结果表明:同化性温度、液相流动性指数和粘结相强度的预报命中率分别为90%、83.3%和90%,成品率、转鼓指数和低温还原粉化RDI_(+3.15)的预报命中率分别为90%、90%和85%。通过专家系统研究了褐铁矿配比对混匀矿烧结基础特性和烧结矿质量的影响,随褐铁矿配比的增加,烧结矿的成品率、转鼓指数和低温还原粉化RDI_(+3.15)先升高后降低。当混匀矿的同化温度、液相流动性指数和粘结相强度分别为1 259℃、1.22和1 727 N时,烧结矿的质量指标最优。 相似文献
10.
为了改善钒钛烧结矿的低温还原粉化性能,将BP神经网络算法应用于钒钛烧结矿低温还原粉化性能预测中,指标数据的样本分为输入样本和输出样本,其中:输入样本为配碳量、碱度、w(Mg O)以及FMG粉配比,输出样本为钒钛烧结矿RDI+3.15,运用BP神经网络算法探索输入样本与输出样本间的关系。结果表明:BP神经网络模型适用于烧结矿还原粉化性能的研究,可以根据输入样本有效的预测输出样本,且平均相对误差为5.7%,满足工程实践中预测精度的要求,为钒钛烧结矿生产提供了指导。 相似文献
11.
12.
13.
14.
15.
16.
富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。 相似文献
17.
18.
19.
烧结矿中二氧化硅的含量对高炉炉渣产量以及冶炼能耗有重要影响,因此探索一种能够快速、准确地分析烧结矿中硅元素含量的方法具有重要的研究意义。拟采用激光诱导击穿光谱技术(LIBS)对30个烧结矿实际样品进行快速分析,收集其190~300 nm范围的光谱信号,先建立特征线(Si 288.16 nm)的标准曲线,分析特征线信号强度与元素浓度之间的关系;再以不同数量的特征作为输入,建立神经网络预测模型,分析不同模型的预测性能。实验结果表明,标准曲线法预测性能较差,相关系数为0.230 9;以55个特征建立的神经网络预测模型出现了过拟合现象,无法满足检测需求;以5个特征建立的神经网络预测模型为3个模型中最优,针对测试集,相关系数为0.886 3,均方根误差为0.209 0,相对误差为1.42%。此外,随着特征数的减少,模型平均训练时间从11.9 s缩短至0.3 s。LIBS技术结合神经网络方法能够有效地分析烧结矿中硅元素的含量,将为冶金过程快速调整配料提供数据支撑。 相似文献
20.
针对黄金价格的非线性特征和神经网络的自身特点,利用BP神经网络建立了黄金价格的非线性预测模型。实证研究结果表明,BP神经网络模型具有较好的预测精度,可以为黄金投资和宏观经济决策提供一定的参考依据。 相似文献