基于多传感器数据融合技术的烧结矿碱度预报模型的研究

烧结矿碱度的测量是钢铁工业中的关键和难点,况且又容易受到烧结几乎每一个操作环节的影响。据此提出利用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。     

烧结矿碱度预测中的多传感器信息融合技术

烧结矿碱度的测量是钢铁工业中的关键和难点,况且又容易受到烧结几乎每一个操作环节的影响;据此提出利用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。     

烧结矿质量预报神经网络模型

基于烧结机尾图像,采用神经网络模型,对烧结矿质量进行预报.经现场应用,预报精度满足了现场要求,控制系统可以根据预报出的质量及时调整控制参数,不断提高烧结矿质量.     

基于LS-SVM的烧结矿化学成分软测量模型研究与应用

由于烧结过程所具有的大时滞性和动态时变性,采取一些依赖于对象数学模型的传统控制理论和方法难以解决烧结矿化学成分的波动问题;因此,烧结矿化学成分的预测和控制长期以来一直是钢铁企业中的一个难点;为此,根据烧结过程所具有的特点,提出了基于最小二乘支持向量机的烧结矿化学成分的软测量模型的研究,利用支持向量机建立烧结矿化学成分的预报模型;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。     

基于灰色神经网络的烧结矿碱度组合预测

针对钢铁生产过程中烧结矿碱度检测的难题,利用灰色预测的GM(I,1)模型与BP神经网络进行组合,建立了灰色神经网络的烧结矿碱度组合预测模型,选取10W与矿碱度有关的输入变量,对这些变量分别进行灰色GM(1,1)预估,再进行BP神经网络预测,获得烧结矿碱度预测结果,仿真结果的相对误差小于0.005%.     

基于BP神经网络的优秀教练选择问题

本文建立了一种基于BP神经网络的优秀教练选拔模型,通过设定出教练的输出评价指标,运用BP神经网络工具箱来仿真结果,把得到的结果与设定的评价指标相匹配就可以得到教练员的评价等级,即可评选出最优秀的教练。     

基于人工蜂群的 BP 神经网络算法

传统BP神经网络存在容易陷入局部极小点、收敛速度慢等缺点。人工蜂群算法是基于蜜蜂群体的觅食行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。它为全局优化算法,该算法简单、实现方便、鲁棒性强。针对BP神经网络算法的不足,提出利用人工蜂群算法交叉优化BP网络参数的权值和阈值,实验证明该优化算法确实提高了解的精度,加快了网络收敛速度。     

基于灰色关联分析的烧结矿碱度应用研究

在现代钢铁企业中,高炉原料的烧结过程是其中重要的生产工序.烧结矿碱度稳定性直接影响到烧结矿的质量和产量,但由于烧结生产过程非常复杂,很难用一组较为准确的数学模型进行描述.加之过程所具有的大时滞性和动态时变性,采取一些依赖于对象数学模型的传统控制理论和方法难以解决烧结矿碱度的波动问题.因此长期以来,烧结矿碱度的控制一直是钢铁企业中的一个难点.据此提出利用灰色关联分析和BP神经网络建立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.     

基于数据建模的烧结矿成分预测

为减少烧结矿化学成分和质量波动,采用改进的遗传规划算法HGP,建立了2种关键的烧结矿化学成分的预测模型.HGP算法利用在初始种群中加入部分机理经验的方式,融合机理和数据分析进行综合建模;采用反馈校正的思想,对模型多次修正,提高模型的精度.实验表明建立的烧结矿化学成分预测模型的有效性.     

基于局部权值阈值调整的BP算法的研究

文章针对BP算法收敛速度慢的问题,提出一种基于局部权值阈值调整的BP算法。该算法结合生物神经元学习与记忆形成的特点,针对特定的训练样本,只激发网络中的部分神经元以产生相应的输出,而未被激发的神经元产生的输出则与目标输出相差较大,那么我们就需要对未被激发的神经元权值阈值进行调整。所以该论文提出的算法是对局部神经元权值阈值的调整,而不是传统的BP算法需要对所有神经元权值阈值进行调整,这样有助于加快网络的学习速度。     

一种开发烧结过程专家系统的新方法及其应用

在研究烧结过程专家系统的结构和特点的基础上,提出了用面向对象的方法来建造烧结过程专家系统骨架,实现了骨架系统的两大功能:外壳功能和语言功能。系统提供了原型系统的生成平台和用于专家系统开发的类代码。并应用骨架系统,开发了由化学成分控制、烧结过程状态控制、能耗控制、异常诊断四个子系统组成的烧结过程控制专家系统,取得了良好的效果。     

基于知识与AW-ESN融合的烧结过程FeO含量预测

氧化亚铁(FeO)含量是衡量烧结矿强度和还原性的重要指标, 烧结过程FeO含量的实时准确预测对于提升烧结质量、优化烧结工艺具有重要意义. 然而烧结过程热状态参数缺失、过程参数波动频繁给FeO含量的高精度预测带来巨大的挑战, 为此, 提出一种基于知识与变权重回声状态网络融合(Fusion of data-knowledge and adaptive weight echo state network, DK-AWESN)的烧结过程FeO含量预测方法. 首先, 针对烧结过程热状态参数缺失的问题, 建立烧结料层最高温度分布模型, 实现基于料层温度分布特征的FeO含量等级划分; 其次, 针对烧结过程参数波动频繁的问题, 提出基于核函数高维映射的多尺度数据配准方法, 有效抑制离群点的影响, 提升建模数据的质量; 最后, 针对烧结过程数据驱动模型缺乏机理认知致使模型预测精度不高的问题, 将过程数据中提取得到的FeO含量等级知识与AW-ESN (Adaptive weight echo state network)结合, 建立DK-AWESN模型, 有效提升复杂工况下FeO含量的预测精度. 现场工业数据试验表明, 所提方法能实时准确地预测烧结过程FeO含量, 为烧结过程的智能化调控提供实时有效的FeO含量反馈信息.     

铅锌烧结过程的集成建模方法及智能优化算法

以铅锌烧结过程的集成建模和优化控制为背景 ,首先集成主元分析、神经网络、模糊专家系统等多种方法 ,建立了铅锌烧结过程的综合工况模型 ,然后根据综合工况模型预测的结果 ,采用聚类搜索混沌遗传算法获得最优的操作参数 ,给出操作优化指导 .本文提出的集成建模方法与操作优化算法 ,很好地解决了多输入多输出复杂工业过程的建模和优化控制问题 ,在铅锌烧结过程的生产中产生了显著的效益     

基于过程神经元网络的动态预测模型及其应用

〗针对动态系统过程预测预报问题，提出了一种基于过程神经元网络的动态预测方法．过程神经元网络的输入/输出均可以是时变函数，其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应．基于过程神经元网络的动态预测模型能同时满足对系统的非线性辨识和过程预测，在机制上对动态预测预报问题有较好的适应性．文中给出了基于函数基展开和梯度下降法的学习算法，以电力负荷预报为例验证了模型和算法的有效性．     

用量子化学参数预测烯烃聚合物热容变化

在B3LYP/6-31G(d)水平上对烯烃聚合物单体进行密度泛函理论计算,得到2个量子化学参数,即分子的等容摩尔热容(Cv)和偶极矩(μ),并用来预测烯烃聚合物在玻璃化转变温度的热容变化(Cp,change).从训练集用逐步线性回归方法得到的、物理意义非常明确的结构与性能定量关系模型由测试集进行检验.预测值与实验值的相关系数为0.937.这结果表明由这些量子化学参数所建立的关于性能Cp,change的定量关系模型能用于聚合物Cp,change值的预测,这也证明了量子化学参数能在聚合物结构与性能定量关系研究中能起重要作用.     

基于自组织神经网络的烧结终点自适应预报系统的开发

烧结终点的在线检测和提前预报对于稳定终点,进而提高烧结矿强度和产量、降低能耗有重要意义。文章介绍了烧结终点的软测量方法;提出了一个新的预报参数——风箱废气温度曲线拐点;将多层前向人工神经网络应用于烧结终点的预报,对BP算法做了较大改进,使学习算法可以自组织神经网络的结构。应用这些技术开发的烧结终点自适应预报系统能够快速、准确地判断和预报烧结终点的状态,可用于在线操作指导或作为自动控制的依据。