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。     

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%。     

基于数据的高炉铁水硅含量预测

针对铁水硅含量无法直接在线检测的问题,提出了一种基于优化极限学习机的高炉铁水硅含量数据驱动预测模型,该模型利用差分进化算法的全局寻优能力来优化极限学习机的输入权值和隐元偏差,在此基础上建立了基于差分进化算法优化极限学习机(DE-ELM)的高炉铁水硅含量预测模型。所建模型对高炉炉温的实际调控具有较好的指导意义。     

基于EEMD-HW-PSO-ELM耦合模型的排土场边坡位移预测模型

为了准确预测小样本、非线性特点的排土场边坡位移,提出了一种基于经验模态分解法、三次指数平滑法和粒子群优化极限学习机的EEMD-HW-PSO-ELM边坡位移组合预测模型。以伊敏露天矿排土场GPS位移监测数据为例,验证该模型的有效性。研究结果表明：EEMD模型分解后的边坡位移时间序列包括4个IMF分量和1个余量,将分解后的数据重构为趋势项和波动项,物理意义明确。分别选择三次指数平滑法和粒子群优化极限学习机预测趋势项和波动项位移,将分项预测结果的等权叠加值作为最终预测结果,预测值的平均相对误差为0.38%,均方根误差为1.15。选择了BP模型和Elman模型进行对比预测,结果表明组合预测模型的预测效果较好,能够为边坡安全管理提供理论依据。     

基于主成分分析和PSO-ELM算法的排土场稳定性预测模型

针对排土场边坡稳定性分析,提出了一种利用主成分分析法降低数据冗余性、粒子群算法优化极限学习机权值阈值的PCA-PSO-ELM排土场边坡稳定性预测模型。确定了土壤黏聚力、内摩擦角、排土场斜角、地基承载力、地震烈度、降雨和降雪条件、排土工艺以及乱采乱挖状况8个排土场稳定性预测指标,针对100组相应排土场数据,采用训练时间、RMSE值和决定系数R²来评价和对比PCA-PSO-ELM模型与BP神经网络模型、ELM模型和PSO-ELM模型预测结果的有效性。研究结果表明：利用经PCA降维处理过的排土场稳定性样本数据作为输入变量去训练和测试PSO-ELM网络模型,预测值与真实值非常接近,其预测精度和效率不仅高于ELM算法,而且远远优于传统BP神经网络算法。经过PCA法优化的PSO-ELM模型与未经PCA处理过的PSO-ELM模型相比,前者在效率相差甚微的基础上大幅缩短了计算时间,证明了该方法具有一定的实用价值。     

改进训练方法的模糊神经网络模型预报转炉终点磷的研究和应用

根据150 t转炉的冶炼工艺和生产数据及转炉终点磷含量的影响因素,并针对现有BP网络学习算法的不足,基于BP算法提出一种改进网络训练算法,建立了基于模糊神经网络的转炉终点磷含量的预报模型。结果表明,改进后的模型预报转炉终点磷含量误差为±0．002％的命中率达68．69％,预报误差±0．004％的命中率达95．96％,磷含量的最大误差为±0．006％。     

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.      

应用改进的神经网络模型预报转炉冶炼终点

准确预报转炉冶炼终点的钢水温度与碳含量对提高转炉终点命中率具有重要意义。针对现有多层前馈网络学习算法的不足,基于BP模型提出一种改进算法,建立了复吹转炉冶炼终点的预报模型,并与BP模型的预测结果进行了统计比较。研究表明,改进后的模型能够对冶炼终点进行良好的预报。采用单节点输出模型对终点钢水碳含量与温度分别进行预报,预测误差w(Δ[C])<±0.03%的命中率达97.22%,Δt<±12℃的命中率为94.44%。还建立了神经网络双节点输出模型对转炉终点钢水碳含量及温度同时进行预报,误差Δt<±15℃、w(Δ[C])<0.03%的双命中率为76.92%。     

基于混合策略的转炉终点锰含量预测研究

摘要：转炉终点钢水锰含量预测,对原料添加和冶炼成本节约具有重要作用。针对凭经验预估的终点锰含量值与实际值较大偏差导致的生产成本升高的问题,建立了一种基于混合策略的改进型鲸鱼优化算法(IWOA)与最小二乘向量机(LSSVM)的转炉终点锰含量预测模型,引入柯西变异提高鲸鱼优化算法(WOA)跳出局部最优的能力;借助惯性权重增强鲸鱼算法局部搜索能力和收敛精度;提出差分变异以增加鲸鱼算法在探索末期的物种多样性和降低陷入局部最优概率。实验结果表明,IWOA LSSVM锰含量预测模型不仅在全局和局部寻优以及收敛速度有较大的提升,在误差性能指标方面优势明显,且预测误差于±0.01%间的命中率为93.3%。     

80 t转炉终点预报TSVR模型精度

 转炉炼钢是一个复杂的高温物理化学反应过程。在冶炼过程中不能连续检测钢的成分。所以,准确地预报终点的碳质量分数和温度对于提高终点命中率是非常有意义的。基于广西某钢厂80 t转炉炼钢实际生产数据,建立了终点碳质量分数和终点温度的孪生支持向量回归机(TSVR)预测模型,对100个炉次的实际生产数据进行了模型的训练,另外30个炉次的数据用于验证模型的精度。结果表明,预测误差Δω([C])≤ 0.01%的命中率为93.3%,Δt≤15 ℃的命中率为96.7%,双命中率为90%。与BP神经网络模型相比,TSVR模型的终点碳质量分数和终点温度命中率均比BP神经网络模型高。     

BOF→LF→CC流程钢水温度预报

针对炼钢连铸流程的工艺特点和生产数据,建立了基于BP神经网络的"BOF→LF→CC"流程钢水温度预报模型。通过相关性分析筛选模型变量,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,利用生产数据对模型进行了训练和测试。并用Java语言开发了钢水温度预报模型的程序,在某钢厂进行了应用。结果表明,各区段钢水温度预报模型的预报命中率基本可以满足生产的要求。     

Hybrid Model of Molten Steel Temperature Prediction Based on Ladle Heat Status and Artificial Neural Network简

Aiming at the characteristics of the practical steelmaking process, a hybrid model based on ladle heat sta- tus and artificial neural network has been proposed to predict molten steel temperature. The hybrid model could over- come the difficulty of accurate prediction using a single mathematical model, and solve the problem of lacking the consideration of the influence of ladle heat status on the steel temperature in an intelligent model. By using the hybrid model method, forward and backward prediction models for molten steel temperature in steelmaking process are es- tablished and are used in a steelmaking plant. The forward model, starting from the end-point of BOF, predicts the temperature in argon-blowing station, starting temperature in LF, end temperature in LF and tundish temperature forwards, with the production process evolving. The backward model, starting from the required tundish tempera- ture, calculates target end temperature in LF, target starting temperature in LF, target temperature in argon-blo- wiag station and target BOF end-point temperature backwards. Actual application results show that the models have better prediction accuracy and are satisfying for the process of practical production.     

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。     

影响转炉终点碳氧积的因素分析

为了提高转炉终点碳氧质量分数的控制水平,通过对某厂两座转炉现场生产数据的统计,分析了转炉终点碳氧质量分数的分布状态,研究了炉龄、碳质量分数、终点温度等因素对终点碳氧积的影响规律,对完善生产工艺提出了相应建议。     

转炉终点钢水残锰质量分数及其影响因素分析

通过对转炉终点生产数据和铁水成分的统计分析,研究了影响转炉终点钢水残锰含量的因素及其变化规律。研究表明,转炉终点碳含量和铁水硅含量对转炉终点钢水残锰含量及其收得率影响最大;提高转炉终渣碱度和终渣FeO含量对转炉终点钢水残锰含量及锰收得率产生不利影响。铁水初始锰含量升高有利于提高转炉终点钢水残锰含量,但锰的收得率反而下降;在高拉碳条件下转炉终点钢水温度对锰收得率的影响不明显。     

转炉冶炼IF钢终点氧含量控制分析

转炉冶炼终点钢水中的氧是产生钢中夹杂物的根源,对钢的洁净度有着不利的影响。为了加强转炉终点氧含量的控制水平,提高产品的内部质量。通过对某厂转炉冶炼IF钢现场试验研究,分析了转炉终点碳氧含量的分布状态,研究了碳含量、炉龄、终点温度和氧耗量等因素对终点氧含量的影响规律,并提出了降低转炉终点氧含量的技术措施。     

沙钢180t转炉自动炼钢控制工艺的建立与实践

以副枪系统和二级冶金模型为基础,通过优化原材料条件,建立转炉加料、底吹搅拌和供氧等吹炼过程自动控制工艺,以及优化系统操作参数和模型参数等措施,实现了180t转炉自动化炼钢,转炉出钢命中率由25%提高到83%以上,且吹炼过程稳定,转炉生产周期缩短了4min,终渣全铁质量分数平均降低了2.4%,提高了转炉炼钢的金属收得率。     

人工神经网络在转炉炼钢控制过程中的应用

转炉炼钢过程是一个非常复杂的物理化学变化过程,无法用数学方程线性描述。人工神经网络因具有很强的非线性处理能力且具有较强的容错性,从而广泛应用于冶金过程中。本文主要介绍了人工神经网络在转炉炼钢中的应用现状,通过对BP神经网络和RBF神经网络在转炉炼钢中的应用分析,指出人工神经网络技术的应用将进一步提高转炉炼钢过程的自动化水平。