共查询到20条相似文献,搜索用时 203 毫秒
1.
2.
3.
4.
5.
基于神经网络的烧结矿化学成分超前预报 总被引:12,自引:2,他引:10
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。 相似文献
6.
7.
8.
9.
利用人工神经网络预测钢板性能 总被引:1,自引:0,他引:1
基于神经网络原理,采用BP算法训练网络,建立热轧控制参数(轧制温度,化学成分,变形量等)对描述产品力学性能的参数的映射关系。离线仿真表明,将神经网络模型应用于热轧控制预报,具有一定的现实意义。 相似文献
10.
介绍了安钢烧结厂利用BP神经网络进行多传感器数据融合的烧结矿碱度的预报模型。通过对现场实际数据进行仿真,表明该方法鲁棒性强,准确性高,泛化能力广,具有很强的实用性和推广价值。 相似文献
11.
《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
12.
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
13.
《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
14.
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
15.
16.
工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。 相似文献
17.
工艺绿色化、装备智能化、产品高质化已成为当前钢铁行业主要发展目标。作为影响烧结矿性能的重要指标之一,FeO的含量不仅影响烧结矿还原性的高低和烧结过程的能耗,而且在一定程度上影响高炉间接还原、燃料比等指标。针对目前研究过程中存在的数据量少、工艺结合不紧密、特征选择方法针对性不强等问题,提出了基于MIV-GA-BP算法的烧结矿FeO含量预报模型。以承钢3号烧结机1年的生产数据作为研究基础,首先选取BP神经网络作为深度学习模型,然后利用遗传算法的特点解决了网络调参难等问题,成功构建了基于遗传算法优化的BP神经网络模型。在特征选取阶段将MIV算法的优越性与工艺理论相结合,选取了拥有更好解释性的参数作为模型的输入,此方法提高了模型预测准确率,成功实现了烧结矿FeO含量的预测。上线测试结果表明,误差允许范围内模型命中率达到87.9%,对现场烧结生产具有更好的指导性。 相似文献
18.
建立一个三层BP神经网络模型,利用冶炼过程的化学成分预报20CrMnTiH钢的J9端淬值,实现±3HRC误差范围内96%的准确率,同时分析了误差存在的原因. 相似文献
19.