模糊贝叶斯网络应用于预测高炉铁水含硅量变化趋势

贝叶斯网络在高炉铁水含硅量预测中已取得较好效果.本文的进一步改进是利用模糊逻辑方法能很好地将数据分成离散模糊集的优势,对模型参数进行有效的模糊分类,以此作为贝叶斯网络的输入,进行混合建模.对山东莱钢1号高炉智能控制专家系统在线采集数据进行计算证明,对一般高炉混合模型可提高预测命中率到90%.     

基于支持向量机的铁水硅含量的预测

为了准确预测高炉炼铁过程的硅含量,分析了高炉工艺参数对高炉铁水硅含量的时序性影响,以支持向量机理论为基础构建了2类铁水硅含量预测模型,即硅含量模型和硅变化量模型。利用首钢迁钢3号高炉铁水硅含量数据进行模型测试,测试结果表明2类模型预测命中率均可达到80%。     

石钢高炉铁水含硅量神经网络预报模型

本文按照现代控制理论，把高炉视为多输入——单输出系统，利用人工神经网络方法，结合高炉生产实际建立了石钢高炉铁水含硅量BP神经网络模型。通过引入动态步长和“惯性项系数”提高了网络收敛速度。采用“修正式”预报模式提高了铁水含硅量预报的命中率。结果表明：在允许误差为0．1％时，命中率达到了86．67％，可以为高炉操作提供指导。     

石钢高炉铁水含硅量神经网络预报模型

按照现代控制理论,利用人工神经网络方法,把高炉视为多输入—单输出系统,结合高炉生产实际建立了石钢高炉铁水含硅量神经网络预报模型。通过引入动态步长和惯性项系数提高了网络收敛速度。采用不断更新学习样本集的方法提高了铁水含硅量预报的命中率。结果表明:在允许误差为0.1%时,命中率达到了86.67%,可以为高炉操作提供指导。     

铁水含硅量传感器的应用

近年来,为了适应钢材高级化的要求,开发了以炉外脱磷为中心的新的炼钢方法,并对其关键之一的高炉炉前铁水脱硅处理予以了注意。在炉前脱硅过程中,为了使下步工序脱磷处理能够顺利进行,要求把脱硅后的铁水含硅量控制在容许范围内,最近为了使脱磷费用最佳化,脱磷前铁水的含硅量正在接近适当范围。为了使脱硅处理后硅含量达到适当数值,有必要测定铁水含硅量,并控制脱硅剂的投入量。可是,采用以往的发光分析法,从取样到判明要耽搁30～40min 左右,不能适用于控制。其次,饮水含硅量是高炉炉况的重要指标之一,从硅成分的控制和炉况管理两方面考虑,都希望能实现铁水含硅量迅速测定。日本钢管公司福山钢铁厂根据千叶工业大学雀部实教授的方案,与大阪氧气工业公司共同开发了应用氧传感器双层电解质型的铁水含硅量传感器,并在该厂2号高炉顺利使用。     

高炉铁水含硅量预报自适应数学模型的研制与试验

本文介绍了应用自适应原理跟踪高炉炉温变化的铁水含硅量预报自适应数学模型。模型由两部分组成,自适应主模型和专家系统子模型。应用该模型的铁水含硅量实时预报计算机系统已在鞍钢9号高炉试运行,效果良好,连续764炉的统计表明,预报命中率达82.3％。     

高炉铁水含硅量预报自适应数学模型的研制与试验

为了更好地描述高炉生产,鞍钢炼铁厂与北京清华大学合作开发了“铁水含硅量预报自适应数学模型”,试图用自适应原理来跟踪高炉炉温的变化.在9号高炉连续运行后,获得了较高的硅预报命中率.该系统具有操作方便、维护简单等特点,给高炉生产带来降焦、增产、提高质量等好处,如果再增设防尘设备,系统将会更加完善.     

高炉铁水含硅量和含硫量动力学预报研究

把平行工序调整为顺序工序是网络计划图优化调整的中心问题之一。根据网络的特点，本文引入了准值与最小值的概念，彻底解决了从四个平行工序中选择三个工序组成最佳顺序链的优化方法。     

高炉炉温与铁水含硅量工程推算法及应用

在既定冶炼条件下，依据炉内反应平衡学原理，导出了炉温定量推算式及铁水[Si]量推算式，其推算结果与实际数据具有良好对应关系，可用于现场操作推算与调控参考。     

1号高炉降低铁水含硅量探索

叙述了高炉内硅还原机理和降硅途径。1号高炉在降低铁水含硅量方面采取的措施有低焦比操作,大风量和富氧操作,高碱度操作等。还提出了1号高炉今后降低铁水含硅量的设想。     

应用小波分析方法改进铁水硅含量预测

应用小波分析方法对高炉铁水硅含量进行预测。通过小波变换将铁水硅含量的时间序列依三重尺度分解成不同的层次,并对不同层次上的序列分别运用合适的自回归模型进行预测,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实际预测案例,与原始时间序列的自回归模型预测结果比较,小波预测方法显著提高了预测命中率。     

贝叶斯网络在高炉铁水硅含量预测中的应用

应用贝叶斯网络对高炉铁水硅含量进行预测。首先阐述了贝叶斯网络的数学描述,在此基础上给出贝叶斯网络预测公式的一种简化形式。然后建立高炉铁水硅含量的贝叶斯网络预测模型,对山东莱钢1 号高炉在线采集的2 000炉数据进行网络学习,离线预测取得了较好的效果。与神经网络等其他方法相比,它更适合解析高炉过程,而且透明的推理过程对高炉工长判断炉温变化趋势具有指导意义。     

神经网络模型与时差方法结合预报铁水硅含量

针对以ＢＰ算法为代表的监督学习神经网络在直接多步预测中不能渐进计算的问题,建立了一个三层简单反馈递归的神经网络模型,提出了将神经网络模型与时差方法相结合在高炉铁水硅含量预报中应用的策略。结合现场采集的实时数据进行实验,并与采用ＡＲＭＡＸ模型的预测结果相比较,具有较高的命中率。     

BP神经网络在高炉铁水硅预报中的应用

随着现代科技的发展和计算机技术的不断提高,高炉自动化操作显得越来越重要。高炉铁水硅预报能很好地反映高炉内热状态和高炉的成分,对高炉运行状态的判断起到至关重要的作用。在总结前人预报模型的基础上,综合考虑了各种影响因素,建立了BP神经网络模型,并结合现场数据进行计算,模拟结果和实际相符。     

Fuzzy Prediction of Silicon Content for BF Hot Metal

Therearemanyfactorsinfluencingthequality ofhotmetalinBFprocess.Themostimportant threefactorsarehotmetaltemperature,hotmetal siliconcontentandslagbasicity[1].Siliconcontentis animportantfactorreflectingthestateofthelower partofblastfurnaceforblastfurnaceop…     

Model of Hot Metal Silicon Content in Blast Furnace Based on Principal Component Analysis Application and Partial Least Square

 In blast furnace (BF) iron-making process, the hot metal silicon content was usually used to measure the quality of hot metal and to reflect the thermal state of BF. Principal component analysis (PCA) and partial least-square (PLS) regression methods were used to predict the hot metal silicon content. Under the conditions of BF relatively stable situation, PCA and PLS regression models of hot metal silicon content utilizing data from Baotou Steel No6 BF were established, which provided the accuracy of 884% and 892%. PLS model used less variables and time than principal component analysis model, and it was simple to calculate. It is shown that the model gives good results and is helpful for practical production.     

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。     

Chaotic Identification and Prediction of Silicon Content in Hot Metal

For smooth operation of blast furnace,predic-ting and controlling silicon content in hot metal asone of the most i mportant indices to represent thethermal state of the blast furnace is regarded as oneof the most i mportant measures[1].In past years,effor…     

酒钢炼钢铁水适宜硅含量确定

铁水中的硅在转炉内氧化并产生大量的热量,其中仅有 19. 84%的热量用于加热金属。根据脱磷计算出所需的渣量,结合石灰条件,计算出铁水适宜的含硅量。     

高炉铁水硅含量自组织预测中的模式量化

研究了高炉铁水硅含量自组织经验进化预测模型中的模式量化问题。在模式量化方案中,采用高炉过程变量时间序列数据的均值、梯度值和波动值作为数据的特征最来进行特征提取,将可预测率、命中率、趋势命中率等判据用于评判预测效果,并用天津铁厂1号高炉的过程数据进行了离线检验。结果表明：基于过程变量的特征提取方法可用于具有均匀时间间隔的高炉过程数据的特征提取。正确运用该方法可使铁水硅含量自组织预测模型的预测命中率提高10％左右。