基于神经网络的期铜价格趋势预测研究

运用X-12-ARIMA季节调整方法,对上海交易所三月期铜月平均价格进行季节性调整,消除了季节因素和不规则因素对铜价的影响.针对季节调整后序列,分另建立了BP、RBF、Elman等神经网络模型,并对期铜价格进行预洲.预测效果比较说明,与传统的神经网络相比,Elman神经网络模型具有收敛速度快、预测精度高的特点,能在期铜价格预测方面取得较好的效果.     

烧结烟气臭氧氧化 半干法吸收脱硫脱硝实践

以梅钢7×105 m3/h烧结机烟气的脱硫脱硝为背景，研究了实际工程应用中臭氧对烟气的氧化和半干法对氧化产物(NOx和SO2)的吸收等问题。结果表明，臭氧喷入点位置对烟道内NOx氧化影响不大，喷射格栅保证了臭氧和烟气的均匀混合。吸收塔出口烟气温度对脱硝影响显著，NOx的吸收效率会随着温度的升高而降低，当温度高于95 ℃时，脱硝效率为0；而脱硫塔出口烟气温度变化对SO2吸收几乎没有影响。优化后的烧结烟气脱硫脱硝系统连续运行数据表明，出口SO2质量浓度均值为16.83 mg/m3，出口NOx质量浓度均值为72.33 mg/m3，均达到了系统设计要求。系统运行成本为10～11元/t，与活性炭烟气净化技术、循环流化床＋SCR工艺技术相比，臭氧氧化 半干法吸收协同脱硫脱硝工艺具有明显的优势。     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

宝钢烧结烟气活性炭净化工艺和装备

介绍了国内首套自主设计和制造的烧结烟气活性炭净化系统各种污染物脱除机理、工艺流程和系统装备,主要包括烟道系统、吸附系统、解析系统、活性炭储运系统等。对各主要系统内部结构、工作原理、相关设计和运行工艺参数进行了详细说明,对该系统的技术特点和投运后实际烟气净化效果进行了详细介绍。该系统具有污染物脱除率高、运行稳定可靠的优点。处理前烟气中SO2质量浓度为412.091~642.811 mg/m3,处理后SO2质量浓度为1.227~7.999 mg/m3,SO2脱除率为98.53%~99.76%;处理前NOx质量浓度为235.451~365.218 mg/m3,处理后NOx质量浓度为92.707~137.663 mg/m3,NOx脱除率为57.63%~69.44%;处理前二英的毒性当量为0.82~5.40 ng TEQ/m3,处理后下降到0.002 3~0.008 9 ng TEQ/m3,二英脱除率为99.43%~99.89%;经过净化后粉尘质量浓度为7.747~11.500 mg/m3。结合生产运行情况对该烧结烟气活性炭净化系统做出了适当评价并对其推广应用前景进行了展望。     

基于机器学习算法的熔渣液相线温度预测

炉渣流动性能是冶金流程高效安全进行的重要因素,由于熔渣成分复杂、高温试验难以精确开展,熔渣液相线温度的准确预测是一个难点。近年来人工智能技术的快速发展,在流程长、工艺复杂的冶金领域得到了广泛应用。通过BP神经网络模型、RBF神经网络模型以及随机森林模型来预测转炉多元渣系CaO-SiO₂-MgO-Fe₂O₃-MnO-P₂O₅-Al₂O₃的液相线温度,通过相关误差值评价模型训练效果。结果表明,三个模型的均方根误差分别为6.114 1、8.834 0、5.111 5℃,所建模型能较好地预测该多元渣系的液相线温度。模型可以在冶金流程中涉及炉渣流动性控制的环节发挥关键作用,为相关工艺优化提供参考,如在转炉智能溅渣护炉控制中,基于随机森林模型预测转炉渣液相线温度,动态改变溅渣护炉工艺参数,为最佳溅渣护炉方案的确定提供理论指导。     

基于BP神经网络的转炉炼钢吹氧量预测

针对转炉的动态吹炼过程,建立了基于BP神经网络的转炉炼钢总吹氧量预测模型和二次吹氧量预测模型.通过相关性分析确定影响转炉总吹氧量和二次吹氧量预测的主要因素;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.并利用历史生产数据对不同拓扑结构的神经网络模型进行了训练和比较,确定了最优网络结构模型,对模型的性能进行了评价,总吹氧量预测模型预测误差小于800 m3的命中率达到87.88％,二次吹氧量预测模型预测误差小于400 m3的命中率为91.99％.     

基于FOA-GRNN模型的转炉炼钢终点预报

目前广泛采用的RBF神经网络具有训练时间长与训练困难等缺陷.本研究结合实际生产数据,建立了FOA-GRNN神经网络预报模型,并对转炉终点温度与碳质量分数进行预报.结果表明:与RBF神经网络相比,FOA-GRNN神经网络可以有效提高命中率并满足实际生产要求.当碳质量分数绝对误差小于±0. 03%时,FOA-GRNN神经网络预报命中率可由91%提高至94%;当温度绝对误差小于±15℃时,预报命中率可由89%提高至97%.同时,FOA-GRNN神经网络训练时间在RBF神经网络基础上分别降低了42. 22%与37. 08%,预报结果与实测值的均方差也有一定的降低,故可为现场生产提供重要的参考.     

基于主成分分析法与RBF神经网络的岩体可爆性研究

为了对岩体可爆性进行更精确的预测分级,建立了主成分分析法与RBF神经网络相结合的评价模型。以某矿山岩石为例,将影响岩石可爆性的容重、抗拉强度、抗压强度和岩体完整性系数作为评价指标,统计矿山13种岩体的样本数据。对样本数据进行主成分相关性预处理,将输出结果作为RBF神经网络的输入变量,岩体的爆破等级作为输出变量,得到的结果精度更高。研究结果表明：预测结果的相对误差均控制在5%以内,与BP神经网络预测误差（16%）相比,所得到实际预测结果与期望值之间的相对误差分别降低了71.94%、86.65%、73.20%和76.62%,预测精度显著提高。该模型为岩体可爆性分级预测提供了一种更为完善的方法。     

基于改进径向基神经网络的中厚板厚度预测

针对中厚板轧制过程中厚度计模型预测轧机出口实时厚度精度不高的问题，提出一种麻雀搜索算法(sparrow search algorithm, SSA)优化径向基(radial basis function, RBF)神经网络的中厚板厚度预测模型。通过SSA对RBF神经网络的参数进行优化，提高模型的预测精度。根据现场实际采集的数据，结合产线的工艺布局，对数据进行时空坐标转换后代入模型进行训练。通过多种规格中厚板厚度数据仿真验证，SSA-RBF模型预测精度可以控制在0.075 mm以内，预测效果好于反向传播(back-propagation, BP)神经网络和广义回归神经网络(generalized regression neural network, GRNN),模型预测精度可以满足实际轧制的精度要求。     

小波RBF神经网络在高炉铁水硅含量预测中的应用

在运用RBF神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对RBF神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水硅含量。仿真结果表明小波RBF神经网络比RBF神经网络更具优越性,预测准确率明显提高。     

GA-BP神经网络模型在稀土矿边坡位移监测中的应用

离子型稀土原地浸矿工艺改变土体力学特性,导致山体滑坡风险提高.针对现有研究在预测稀土矿边坡位移时存在精度不高和误差较大等问题,利用遗传算法对BP神经网络初始权值和阈值进行优化,构建一种新的稀土矿边坡位移预测模型.以江西龙南某离子型稀土矿为研究对象,在矿山布置了位移计实时监测稀土矿开采全过程的位移变化.首先利用125组位...     

运用神经网络预报烧结终点

针对现场烧结终点控制复杂与难度大的实际,开发了神经网路预报系统。预报系统采用4层前向神经网络,进行多因素输入建模,输出采用具有极值特性的二次曲线计算的烧结终点与实际最高废气温度,预报烧结终点与最高废气温度,为现场终点控制的最新可行方法。网络结构设计先进合理、精度高、泛化能力强,训练方差为0000 018 14,用训练样本集测试输出,烧结终点绝对平均误差为0.04,终点废气温度绝对平均误差为4.57 ℃。采用训练后网络预报,烧结终点（风箱号）绝对误差最大仅为0.09,终点废气温度绝对误差最大为3.57 ℃,命中率100％。用预报结果有针对性调节烧结参数可收到明显效果。     

神经网络在高炉铁水硫含量预报中的应用

采用3层BP神经网络来预报高炉铁水硫含量,根据高炉冶炼的实际生产数据,选取风温、风量、炉顶温度、焦炭负荷、喷煤量、矿石硫含量、焦炭硫含量、煤粉硫含量和上一炉铁水硅含量9个因素作为输入变量,为提高神经网络预报的准确率,对输入参数进行时滞处理.采取附加动量项和自适应学习步长的措施,解决了BP神经网络局部收敛和学习时间过长的问题.模型预报结果表明:当允许绝对误差不大于0.001时,预报命中率为70.7%;当允许绝对误差不大于0.005时,命中率为90%,证明了模型的有效性.     

基于BP神经网络的热风炉群煤气消耗量预测

热风炉是副产煤气消耗大户,热风炉群的煤气消耗数据无规律性、波动剧烈,预测难度较大.针对热风炉群煤气消耗量难以直接预测的问题,提出一种基于BP神经网络的热风炉群煤气消耗量预测方法.该方法将热风炉群的煤气消耗数据分解为单座热风炉的煤气消耗数据,利用单座热风炉周期性煤气消耗特性,将利用BP网络模型预测出的各座热风炉煤气消耗数...     

Prediction of Pitting Corrosion Mass Loss for 304 Stainless Steel by Image Processing and BP Neural Network

Pittingcorrosionisafrequentphenomenonen counteredinchemical,petroleumandmechanicalen gineeringandmanyotherindustrialapplication processes.Itcancauseinnumerableenergycon sumptionandeconomicdamage.Inordertoprevent ordecreasethepittingcorrosionofmetallicmate…     

全氧高炉风口喷吹烧结烟气的冶炼特征

摘要：建立了高炉或氧气高炉喷吹烧结烟气的数学模型,实现对烧结烟气利用与处理的目的。模拟结果显示：当烧结烟气喷吹温度为1250℃,全氧高炉的炉缸与炉身处各循环200m3/t炉顶煤气时,烧结烟气喷吹量每增加100m3/t,高炉理论燃烧温度降低约134℃,直接还原度增大0.02。随着烧结烟气喷吹量的增加,煤比逐渐增大,炉顶煤气中氮气含量逐渐增大,SO2浓度逐渐降低。当烧结烟气喷吹量达到894m3/t时,炉顶煤气中的SO2质量浓度为214.28mg/m3,与普通高炉相比,降低约1.48mg/m3;氮氧化物质量浓度为45.42mg/m3,低于普通高炉约6.36mg/m3。     

基于BP神经网络的电力角钢成分优化及生产实践

基于BP神经网络,创建了角钢合金成分与力学性能关系预测模型,所建立的模型绝对误差平均值仅为3～4 MPa,具有较高的可靠性.利用该性能预测模型研究了残余元素Cr含量及VN12合金加入量对强度的量化贡献,并进行工业试制250 mm×250mm×35 mm电力角钢,结果表明:当Cr质量分数大于350×10-6时,可以采用每...     

基于蚁群算法的神经网络冷连轧机轧制力预报

 为提高冷连轧机轧制力的预报精度和预报速度,用蚁群算法和神经网络相结合的方法进行轧制力预报模型设计。根据轧制原理建立了BP神经网络冷连轧机轧制力预报模型,以网络权值和阈值为自变量,网络预报误差为目标函数,通过蚁群多代运算,找出预报误差全局最小值,再将相应的权值和阈值输入网络进行训练。应用某厂1450 mm冷连轧机的实测数据进行离线计算的结果表明,该方法能够防止BP网络陷入局部极小点,且收敛速度快,可作为轧制力预报的新方法在实际应用中加以推广。     

基于模糊滑模方法的不确定机器人神经网络控制

针对不确定机器人轨迹跟踪控制,提出了基于模糊滑模方法下的神经网络自适应控制,其中RBF神经网络集中补偿系统的不确定性,利用带边界层滑模变结构方法消除了神经网络的逼近误差,并通过模糊方法动态确定边界层宽度,很好的解决了滑模控制中的抖振现象。仿真实例表明,该控制律能保证误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性。