基于贝叶斯公式的炼钢厂天车调度方法

针对炼钢厂天车任务具有时序性、冲突性和不确定性的特点,提出一种基于贝叶斯公式的天车调度方法. 首先,解析炼钢厂内天车任务的产生规律,构建天车调度过程的贝叶斯网络;然后,计算各类天车任务产生的时空概率分布;最后,根据可用天车数量匹配运输任务,动态生成天车调度方案.基于天车调度仿真系统,利用某炼钢厂10900条实际的天车任务数据,对该天车调度方法测试表明,所提出方法可在规定时间内有效地完成所有天车任务;与人工调度方法相比,完成任务总时间、天车避让次数、由于天车避让导致额外的运输时间均明显减少.在提高 天车运行效率的同时,减少天车碰撞的安全风险.     

基于改进遗传算法的蒸汽管网压降系数辨识

为提高蒸汽管网仿真计算、辅助调度、故障诊断等理论的实用性,基于管网水力热力联合计算模型,提出了一种基于改进遗传算法的蒸汽管网压降系数辨识方法。实例验证表明,该方法有效提高了管网计算模型的计算精度,增强了其解决实际工程问题的能力,对提高企业节能效果、加快流程工业节能减排建设具有一定的指导意义。     

贝叶斯神经网络在蒸气管网预测中的应用

蒸气管网是具有典型大时滞特点的非线性网络系统结构,提高管网运行预测能力,对管网的安全高效运行有很好的指导意义。贝叶斯神经网络具有良好的泛化能力和准确计算能力,在网络目标函数中引入表示网络结构复杂性的惩罚项,以便能够在训练优化过程中降低网络结构的复杂性,达到避免网络过拟合的目的。实例验证表明,模型计算结果和泛化能力均有良好表现,优于传统BP算法计算性能,可提高企业蒸气管网运行管理水平,对流程工业节能减排建设有一定的帮助。     

钢铁企业多汽源蒸汽管网的仿真模拟

对钢铁企业蒸汽管网稳态下的水力和热力工况进行了分析,根据流量连续方程、温降和压降的环路平衡方程以及管段压降和温降计算公式等,建立了多汽源蒸汽管网的水力热力联合计算模型。通过迭代校正节点压力、温度的方式,采用牛顿-拉夫逊法求解各独立节点的蒸汽压力、温度,各参考节点的蒸汽流量以及各管段的蒸汽流量、凝结水流量。通过模拟计算某钢铁企业蒸汽管网,表明该模型具有较高的计算精度,可用于指导工程实践。     

基于机器学习的炼钢-连铸生产调度方法

近年来,机器学习作为人工智能最活跃的分支得到突飞猛进的发展。炼钢-连铸作为钢铁制造全流程中的关键环节,其生产调度问题具有约束复杂和强不确定性等难点。在回顾数据驱动的生产调度方法的基础上,探讨了基于机器学习计算的炼钢-连铸调度方法涉及的主要研究内容,并提出了一种集成算法框架。该框架基于机器学习算法,通过期望指标预测器、调度规则挖掘器、滚动优化算法等模块实现调度过程智能化寻优。最后,对本文工作进行了总结,针对炼钢-连铸调度特点,对强化学习方法的应用提出展望。     

基于Keras深度学习框架下BP神经网络的热轧带钢力学性能预测

研究了Keras深度学习框架下的BP神经网络在热轧带钢力学性能预测中的应用。首先采用主成分分析PCA对原始数据进行降维,再利用Keras深度学习框架下优化函数及参数对BP神经网络进行优化,最终建立原始化学成分和热轧生产工艺参数与带钢力学性能之间的关系。验证结果表明,模型取得了较高的预测精度,对于抗拉强度,预测值与实际值的相对误差绝对值在10%以内的样本占比93. 4%;对于屈服强度,预测值与实际值的相对误差绝对值在10%以内的样本占比92. 1%;对于伸长率,预测值与实际值的相对误差绝对值在10%以内的样本占比90. 5%。因此,通过验证,预测结果对热轧现场具有较好的指导意义。