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。     

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。     

基于变量聚类分析的烧结矿还原性能预测模型

对60组烧结矿还原性能指标(Reduction Index,RI)和化学成分的训练集进行变量聚类，通过最佳子集回归，建立烧结矿RI预测模型并进行异常值检验和误差分析，得出影响烧结矿RI最主要因素是SiO₂、MgO、TiO₂、R、FeO和CaO/TFe。模型R²达到99.88%，相对误差均在3%以下，精确度较高，能够实现烧结矿RI快速精准预测。     

基于RFE-DNN的烧结矿性能预警模型

针对某钢厂铁前数据库中烧结物料的预警空值与预警模型不完善问题，提出了一种烧结矿性能预警模型。将传统烧结工艺理论与大数据技术相结合，对原厂烧结生产数据进行预处理并搭建相应的烧结数据仓库，运用RFE(递归特征消除)对生产参数进行特征选择、重要性排序与相关性分析，然后运用DNN算法构建烧结矿化学成分与质量指标的预测模型，预测V₂O₅、CaO/SiO₂、TFe和FeO的R²分别达到0.965 8、0.824 7、0.846 2和0.871 1,预测筛分指数和转鼓指数的R²分别达到0.899和0.875,满足预测精度需求，并将预测结果结合预警区间对烧结矿性能进行预警。     

烧结矿化学成分的超前预测模型

本文提出一种针对鞍山钢铁公司新三烧结厂的烧结矿化学成分超前预测策略,为稳定成分的控制莫定基础。以采集的现场数据为基础,采用系统辨识方法建立多个SISO和MISO时间序列模型,在此模型基础上建立超前预测模型。比较烧结矿化学成分的测量值和预测值验证模型,结果是令人满意的。     

包钢烧结矿的化学成分及显微结构对其冶金性能的影响

通过对包钢近三年的烧结矿质量检测数据进行多元回归分析研究，找出了包钢生产条件下，烧结矿化学成分及其显微结构对烧结矿的冶金性能的影响规律。该规律可有效地用于提高烧结矿质量，并用来指导烧结生产。     

运用ARIMA模型预测烧结矿成分

利用目前广泛应用的自回归积分移动平均法（Auto Regressive Integrated Moving Average）建立ARIMA（p，d，q）模型，用以预测烧结矿化学成分。由于其建模过程复杂，特别是模型结构阶次识别与检验繁琐，故使用专业软件EVIEWS5．0完成建模过程，构建了TFe，FeO，Ro的ARIMA模型。通过严格检验，模型拟合度高，拟合效果特别显著，残差为白噪声序列。用模型超前12步（24小时）预测烧结矿成分，其预报结果完全适合生产要求，实际应用取得了明显效果。     

基于神经网络的烧结矿化学成分自适应预报系统的开发

将多层前向人工神经网络应用于烧结矿化学成分预报，改进后的BP算法可以实现网络结构的自组织。应用该技术开发的烧结矿化学成分自适应预报系统能够快速，准确地预报烧结矿的化学成分，可用于在线操作指导或作为自动控制的依据。     

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。     

人工神经网络在烧结矿指标预测中的应用

应用误差反向传播方式建立了烧结矿性能指标预测的神经网络模型,并用实际烧结生产数据对模型进行了训练,训练后的模型可以对烧结过程进行分析,并可对烧结矿的FeO含量和烧结矿转鼓指数进行预测。     

基于烧结大数据预测小于10 mm烧结矿含量模型

为了给高炉提供合格的烧结矿，提出基于烧结生产线各个环节的大量数据，将XGBoost算法、因子相关分析与深度学习算法相结合的大数据技术对烧结矿小于10 mm粒级含量进行预测。首先，对烧结厂数据库的数据进行搜集、整合和预处理；其次，进行因子分析，筛选出适合建模的14个相关变量并进行变量之间的相关性分析；最后，建立深度神经网络算法模型。通过测试并与传统算法模型进行性能比较，结果表明，模型预测效果很好，达到了精确预测烧结矿小于10 mm粒级含量的目的，对烧结实际生产具有很好的指导意义。     

Charging composition and structure optimisation in the sintering process (Part I)

In this paper, an optimisation system for charging composition and structure in the sintering process was established in order to reduce the sinter cost in the ironmaking process. The system comprised four modules: sinter metallurgical performance testing and analysis, sintering burdening design and optimisation, sintering matching calculation, and sinter component and property prediction. The data for the first module came from actual production values of a steelworks and from testing in the laboratory. Based on material balance theory, the second module used a linear programming method to optimise sinter cost, quality and quantity. The third module was built to predict the sintering production data. The fourth module can be used to predict some composition and properties of the sinter based on a Back-Propagation neural network. The system integrated all of these modules using Visual Basic and MATLAB. As the result, the optimum charging composition and structure of sinter which satisfies all constraint conditions can be obtained. Compared with traditional production testing and hand calculation in the sintering process the system can reduce the sinter cost and greatly decrease the production risk. Industrial application proves that the system is very useful and efficient in reducing sinter cost while ensuring output quantity and quality.     

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。     

Production of Sinter of a Prescribed Chemical Composition

Improving the quality of the iron-ore-based materials used in blast-furnace smelting is an effective means of reducing coke consumption and improving the other technical-economic indices that characterize the production of pig iron. One important factor in solving this problem is narrowing the range of fluctuation of the iron content and basicity of the sinter. The chemical composition of sinter can be stabilized by carefully averaging the iron ores used to make the sinter. However, since such averaging is precluded by the limited storage space available at the sinter plant of ISPAT-Karmet, the combine has developed a technology to make sinter of stable chemical composition. The key elements of the technology: obtaining representative samples of the materials; forming piles of mixtures of ores; calculating the chemical composition of the planned piles; determining consumption factors for the components of the charge, in order to obtain sinter of the prescribed chemical composition; using an express method to determine the losses incurred during sintering; statistically analyzing the quality of the charge components and the sinter. The use of this technology for multicomponent charges in the sinter shop at ISPAT-Karmet has appreciably stabilized the chemical composition of the sinter – the standard deviation is now 0.295–0.311% for iron content and 0.031–0.037 for basicity.     

基于神经网络的烧结矿化学成分超前预报

本文利用前馈神经网络，建立了烧结矿化学成分超前预报的模型；通过对现场实际运行数据分析表明，预报模型具有良了的预报结果和实际应用前景。     

烧结矿化学成分控制专家系统的开发与应用

采用基于改进BP算法的人工神经网络模型,提前预报了烧结矿的R和TFe、SiO2含量,将模型的预报结果转化为规则的输入,设计了基于经验规则的专家系统,结合R、TFe的变化趋势和配料计算提前调整原料的配比.系统正式投入运行后,烧结矿碱度(R)预报命中率达到91%,全铁(TFe)预报命中率达到94%,操作指导建议采纳率为92%,实现了对烧结矿化学成分的稳定控制.     

烧结矿TFe,碱度稳定性影响因素的探讨

本文分析了安钢烧结厂各种原料的主要成分及配料量对烧结矿ＴＦｅ、碱度稳定性的影响，并通过对临界值的比较，确定了主要影响因素以及稳定ＴＦｅ和碱度的主要工作方向。     

基于综合神经网络的优化配矿系统模拟模型及应用

针对烧结配矿的复杂性，建立了综合神经网络模拟模型，用以仿真烧结配矿与烧结矿产质量指标问的关系，并利用生产数据对模型进行了检验。综合神经网络的应用能大大提高预报的命中率。同时，对在其他领域的应用，也有很好的参考价值。