基于BP神经网络的烧结矿性能预报模型

 为解决烧结矿预报模型中未考虑铁矿粉高温基础特性的情况,在预报模型中添加了反应铁矿粉高温性能的同化反应特征数,即流动性特征数。采用BP神经网络建立烧结矿性能预报模型。选择影响高炉生产的烧结矿指标作为输出,分析影响这些指标的烧结操作制度,铁矿粉的高温、物化特性作为输入;通过BP神经网络建立预测模型,并对BP神经网络的算法进行优化。预报模型采用8-17-4的BP神经网络结构,经过训练后,预测精度达到85%以上,具有很好的准确性和自适应性。     

基于BP神经网络的烧结过程预报模型

根据烧结矿化学成分与烧结工艺的预报、控制特点,采用了BP神经网络方法建立了烧结矿化学成分的预报模型。仿真实验的结果表明,模型具有较高的预测精度和较强的自学习功能,用拓扑结构为15-21-4的BP神经网络和0.6×10~(-3)的网络误差进行训练,模型的预报命中率在75%以上,充分验证了基于过程参数控制的烧结矿化学成分预测模型的准确性和有效性。     

基于BPNN和RNN模型的烧结矿质量预测方法对比及分析

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。     

烧结矿质量预测中神经网络的结构优化

利用BP神经网络，建立了烧结矿质量预测模型，预测烧结矿FeO含量和碱度及指标。并采取遗传算法、网络隐含层节点自构性学习等办法优化网络构造。仿真结果表明，模型能取得良好的预测结果。     

基于改进BP神经网络的烧结矿FeO含量预测

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。     

基于质量预测与统计分析的烧结过程性能监控系统研究

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。     

应用优化BP神经网络建立铁水硅含量的预测模型

 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±005时，命中率可达70%；绝对误差为±008时，命中率可达923%。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。     

基于极限学习机(ELM)的连铸坯质量预测

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.      

基于混匀矿烧结基础特性配矿专家系统的开发与应用

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。     

基于BP神经网络钒钛烧结矿低温还原粉化性能预测

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。     

烧结矿碱度的灰色神经网络预测模型及仿真

本文提出了用灰色神经网络对烧结矿化学成分进行预测，并在此基础上构造了灰色神经网络模型，该模型有效地融合了灰色理论可弱化数据序列波动性和神经网络特有的适应非线性信息处理的能力，研究结果证明，本模型能在小样本、贫信息的条件下对烧结矿碱度做出比较准确的预测，此种模型具有预测精度高、所需样本少、计算简便等优点，取得了比较满意的结果。和BP神经网络算法相比，灰色神经网络算法有很大的应用前景和推广价值。     

电弧炉炼钢全过程钢水碳含量动态预报模型

根据电弧炉物料平衡理论与利用BP神经网络的方法,建立了理论模型结合神经网络的电弧炉炼钢全程钢水碳质量分数实时预测模型。通过模型得出冶炼过程中碳质量分数变化曲线,实现对全程钢水碳质量分数的实时监控。在接近冶炼终点时,由于脱碳反应中碳氧积的存在,因此模型对影响终点碳质量分数的因素进行分析,采用BP神经网络方法进行预测,满足了对电弧炉冶炼终点碳质量分数预报准确度的要求。     

基于非线性主成分分析与自适应小波神经网络的球团质量预测模型研究

在链篦机-回转窑法球团生产过程中,成品球团的质量与系统的热工制度的控制和参数调节密切相关。鉴于系统的过程变量多、滞后性大、周期性长的特点,提出并建立了基于非线性主成分分析与自适应小波神经网络的球团质量预测模型,并用实例证明,该模型在质量预测中与传统的BP神经网络模型相比有较好的效果。     

唐山矿瓦斯涌出量动态预测模型

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性.      

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IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

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。     

基于辅料资源运行特性的高炉综合焦比参数优化研究

高炉炼铁系统的辅料资源在配合含铁主料资源的转换过程中,加入方式、设备状态、操作参数等决定了不同的高炉综合焦比。本文在对高炉生产工艺中各辅料资源运行特性进行深入研究和分析的基础上,找出影响高炉综合焦比的主要因素,并采用BP神经网络模型拟合综合焦比与主要影响因素间的映射关系。在此基础上以综合焦比最低为目标,以某钢铁公司6#高炉实际生产数据为依据,采用遗传算法对综合焦比的主要影响因素进行参数优化。结果表明,该方法对降低综合焦比科学、有效。     

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

神经网络与激光诱导击穿光谱技术结合的烧结矿中硅元素定量分析方法探究

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。     

基于BP神经网络的黄金价格非线性预测

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。