高炉铁水含硅量的混沌局部线性预测

对莱钢1号高炉(750 m3)、临钢6号高炉(380 m3)铁水含硅量([Si])进行了混沌局部线性预测.结果表明,两 座高炉[Si]的一步预测的命中率在[Si]±0.1％的范围内均达到80.0％以上,对莱钢1号高炉(b)类样本甚至达89.1％,且预 测精度在10-2数量级,对实际生产具有很好的指导作用.     

复杂高炉炼铁过程的数据驱动建模及预测算法

高炉炼铁过程的控制意味着控制高炉铁水温度及成份在指定的范围. 本文以高炉炉内热状态的重要指示剂---高炉铁水硅含量为研究对象, 针对机理建模难以准确预测、控制高炉铁水硅含量的发展变化, 利用数据驱动建模的思想, 建立了基于多元时间序列的高炉铁水硅含量数据驱动预测模型. 实例分析表明, 建立的数据驱动预测模型能够很好地预测高炉铁水硅含量, 连续预测167炉高炉铁水硅含量, 命中率高达83.23%, 预测均方根误差为0.07260. 这些指标均优于基于单一硅时间序列所建立的数据驱动模型, 对实际生产具有很好的指导作用.     

高炉硅含量预测控制的时间序列混合建模

根据时间序列原理，对铁水硅质量分数w(Si)序列的动态特性进行了分析，找出了其主体成分.综合炼铁工艺理论和6号高炉炼铁现场的实际情况，对影响铁水硅质量分数w(Si)的各个因素进行了典型相关分析，确定了w(Si)的主要影响因素为：料速、风量、喷煤、透气性、富氧率、铁水物理温度和渣碱度.建立了由AR(2)、状态变量和控制变量混合构成的w(Si)预测控制的传递函数模型.使用包钢6号高炉生产数据验证表明，此模型克服了以往炉温控制模型把炼铁理论和统计知识分离的缺点，炉温预报的命中率高达84%，预测控制取得了较好的效果.     

基于WASVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WASVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

影响高抗冲聚苯乙烯力学性能的因素

综述了影响高抗冲聚苯乙烯（HIPS）力学性能的各种因素，如苯乙烯均聚物的相对分子质量及其分布、橡胶接枝、橡胶粒子及其分布和橡胶相体积分数等。强调HIPS结构是影响其力学性能的直接因素，其他因素都是通过影响高分子结构来影响其力学性能的。     

基于WA SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WA SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。     

高炉冶炼过程的混沌性辨识Ⅰ.饱和关联维数的确定

以山东莱钢1号高炉和山西临钢6号高炉在线采集的[Si]时间序列为样本空间,容量为1000炉数据,利用相空间重构技术和G-P算法,得出莱钢1号高炉和临钢6号高炉冶炼过程的混沌吸引子的饱和关联维数分别约为3.36和3.12.由高炉冶炼过程混沌吸引子的饱和关联维数存在且为分数,可证明两座高炉冶炼过程存在混沌特性.     

基于隐Markov模型的高炉铁水硅质量分数预测算法

为正确预测高炉铁水中硅的质量分数（［Si］）,提出了一种基于隐Markov模型（HMM）的预测算法.从高炉冶金反应动力学出发,分析了高炉内反应的链接关系,这种链接关系和HMM的原理是一致的.在对系统参数初始化之后,利用重估公式对参数进行训练直至收敛,从而得到系统模型.通过Viterbi算法找出所有训练样本的最大可能状态路径,并计算其似然值.将新样本输入模型得到新的状态路径及其似然值,从训练样本中找出具有相同状态路径或最小偏差似然值的序列,以训练样本下一［Si］值作为新样本下一时刻的预测值.利用该算法对高炉实际生产数据进行仿真,结果表明,与传统的人工神经网络方法相比,该方法能够有效提高预测精度和效率.     

集成数据挖掘知识的可解释最优超球体支持向量机

最优超球体支持向量机(SSLM)是一种典型的黑箱模型,其运行模式不需要考察被研究对象的内部结构和机理,仅利用对象的输入输出数据即能达到认识其功能和作用机制,因此具有响应快、实时性强等优点,但也因此缺乏可解释性和透明性.鉴于此,本文研究从SSLM黑箱模型的输入端加入先验知识的方法,增强其可解释性.本文开发了基于数据的非线性圆形知识挖掘算法以及知识的离散化算法,离散后的数据点不仅包含产生知识的原始数据点,还增加了新的数据点.通过将所挖掘的圆形知识以不等式约束的形式集成至SSLM模型,构造了可解释的SSLM模型(i-SSLM).该模型在训练时要确保知识约束的数据点分类正确,因此对模型结果有一定程度的预知,表明模型具有可解释性;同时,又由于知识的离散化增加了新的数据信息,因此,模型能具有更高的精度. i-SSLM模型的有效性在10组公共样本集和2组实际高炉数据集上得到了验证.