基于Matlab的RBF神经网络的一种应用

提出了一种用于预报转炉炼钢终点磷含量的智能方法,在该方法中,采用RBFNN方法,对转炉冶炼过程进行建模与仿真.Matlab中的神经网络工具箱是进行神经网络系统分析与设计的有力工具.RBF神经网络以其计算量小,学习速度快,不易陷入局部极小等诸多优点为系统辨识与建模提供了一种有效的手段.将二者结合起来,解决转炉冶炼中的建模问题,取得了令人满意的结果.     

基于MATLAB的RBF神经网络的应用

提出了一种用于预转报炉炼钢终点磷含量的智能方法,在该方法中,采用RBFNN方法,对转炉冶炼过程进行建模与仿真。MATLAB中的神经网络工具箱是进行神经网络系统分析与设计的有力工具。RBF神经网络以其计算量小,学习速度快,不易陷入局部极小等诸多优点为系统辨识与建模提供了一种有效的手段。将二者结合起来,解决转炉冶炼中的建模问题,取得了令人满意的结果。     

两种转炉炼钢终点控制模型的比较

分析了转炉炼钢静态控制与动态控制模型的方法、作用及功能关系。针对中小型炼钢转炉检测设备受限制的现状,从建模原理、方法特点和应用效果方面对建立的基于遗传算法-神经网络混合算法(CA-BP)的转炉炼钢终点优化控制静态模型和转炉炼钢终点预测的准动态控制模型进行了比较,认为混合算法可以提高静态模型的预测效果,而准动态模型可以反映转炉冶炼的动态操作和加料过程对一次倒炉时间和终点的影响。     

基于IPSO-RELM转炉冶炼终点锰含量预测模型

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义.      

基于自适应模糊神经网络系统的转炉终点磷的预报控制模型

根据冶炼工艺和现场数据 ,对转炉终点磷含量的预报方法进行了研究。采用自组织神经网络模式识别方法对 30 3炉现场数据进行了分类 ,分析了转炉冶炼各变量对终点磷含量的影响 ,确定了终点磷含量的控制变量 ,建立了基于自适应模糊神经网络系统的转炉终点磷含量的预报控制模型。研究表明 ,本模型能够对终点磷含量进行很好的预报和控制。模型计算值与实际值的相关性达到 0 .5 86 7;磷含量 (质量分数 ,% )控制在± 0 .0 0 3范围内的命中率达到 79.2 1%。该模型以低于目标值 0 .0 0 4 %的磷含量来对冶炼过程进行控制 ,冶炼合格率超过 91%。     

转炉冶炼工艺中合金加入量的确定及NN建模

简述炼钢冶炼工艺的特点及其复杂性,分析了冶炼工艺的决策过程,建立了转炉冶炼工艺中硅铁、硅锰合金加入量的神经网络（NN）模型。针对冶炼工艺数据的特点,研究了神经网络输入输出数据的预处理方法,引入基于对数变换的数据预处理算法,测试表明效果较优。所建立的NN模型能真实反映转炉冶炼的工艺特点,模型值和实测值相差较小,能实现在给定成品成分要求下合金加入量的自动选择。     

基于神经网络的转炉冶炼终点锰、磷静态预测算法

在国内重工业领域中,很多钢铁企业所采用的转炉大部分为最小型的转炉,由于容量有限无法对转炉冶炼结束时的锰、磷进行静态预测,进行影响了冶炼的精度。然而,传统算法用于实现锰和磷的冶炼终点。因此,充分利用最近开发的人工神经网络技术,基于Visual Basic编程语言,神经网络模型用于预测转炉冶炼结束时的锰和磷状态。针对半钢炼钢分开建立锰、磷含量、温度预测模型,确定输入层参数有37个,中间隐藏层参数有30个,输出层参数有两个3层BP神经网络。模型在30 000炉样本的基础上做数据训练,对权值、阈值进行修正,并保存100炉未训练过的学习样本作为模型网络训练依据,对转炉冶炼进行在线训练,通过训练的模型可以很好的适应转炉冶炼多变的生产条件。     

基于双输出神经网络的转炉碳温控制模型

分析了转炉终点碳温控制时应采用的控制变量，采用标准差和中位数等方面对转炉冶炼输入变量进行前处理，用主成分分析法对现场数据的神经网络训练样本进行降维处理，建立了基于双输出神经网络的转炉终点碳温控制模型。     

转炉低磷钢水冶炼的研究与实践

介绍了鞍钢第一炼钢厂利用现有的设备技术条件进行转炉低磷钢水冶炼的研究与实践，总结出了一套成熟的转炉低磷钢水的冶炼经验，并应用于的2一l、朋l、x70管线钢等高中低碳钢种上。实践证明，转炉低磷钢水冶炼的控制方法是可行的，并已获得可观的经济效益。     

基于BP神经网络的合金收得率预测模型

脱氧合金化是转炉冶炼工艺的最后一步,钢液内合金成分含量控制是否精确直接影响着精炼工序的冶炼难度与冶炼周期。合金收得率是转炉合金工人配加合金时的重要参考标准,关于合金元素收得率判断的准确性直接影响着钢水成分稳定性与生产成本。应用神经网络算法,建立了以终点温度、终点氧含量、终点硅含量为变量的合金收得率预测模型,对所建立的模型性能进行了研究,对模型预测结果进行了测试,证实模型运行准确可靠,能够为生产冶炼作出指导。     

基于FA-ELM的转炉终点磷含量预测模型

 转炉终点磷含量的预测对实现转炉自动出钢、缩短冶炼周期具有重要意义,为了实现转炉终点磷含量的窄窗口控制,为操作工艺提供指导,需要建立更高精度的终点磷含量预测模型。通过对冶炼工艺以及脱磷热力学的分析,选取12项影响脱磷过程的可观测指标,构建了终点磷含量预测指标体系,然后借助因子分析法(FA)对数据进行降维处理,得到6个派生变量,将其作为模型输入,终点磷含量作为模型输出,建立基于超限学习机(ELM)的终点磷含量预测模型。并将ELM模型预测结果与BP神经网络的进行对比,研究发现,ELM模型拟合度更高,回归系数R2=0.778 7,平均误差MAPE=0.106 0,并且预测误差在±0.003 0%内的炉次所占比例为86.67%。因此,相比于BP神经网络模型,ELM模型具有较高的精度和较好的泛化能力。     

智能制造在梅钢炼钢厂的应用实践

上海梅山钢铁股份有限公司炼钢厂围绕智能制造技术,在不同的生产工序开展了研究,从铁水预处理、转炉冶炼、炉外精炼、连铸4个工序,结合生产操作开展了模型化、智能化、自动化的智能制造技术,并取得了较好的应用实践效果。在铁水预处理工序开展了一键脱硫模型的开发,实现了脱硫操作一键化,对铁水扒渣的判定进行了智能化的研究,实现了对扒渣过程的智能判定,替代了人工判定扒渣等级。在转炉区域开展了转炉冶炼模型的研究,实现了一键炼钢冶炼控制,使得转炉终点控制更加稳定,补吹率在1%以下。在精炼工序开展合金模型的研究和应用,对降低合金总成本、提高钢水成分控制精度也发挥了重要的作用。在连铸工序开展自动浇钢综合研究,实现了无人浇钢控制技术,大大提高了劳动效率。     

基于函数型数字孪生模型的转炉炼钢终点碳控制技术

由于转炉冶炼过程中的热力学和动力学反应复杂,副枪控制模型和传统的烟气分析模型存在很大的局限性,导致了转炉冶炼终点碳含量的预测精度偏低,是实现智能炼钢的主要技术瓶颈. 针对上述问题,提出了基于烟气分析的炼钢过程函数型数字孪生模型. 首先,利用烟气分析得到连续监测的实时数据,以此来实时监控转炉熔池内钢水的碳氧反应状态; 然后,根据熔池反应所处的不同阶段,利用函数型数据分析方法建立吹炼前期和吹炼后期的函数型预测模型; 在此基础上,按照吹炼前期和吹炼后期这两个阶段来分别自动修正模型中的系数函数,从而能在复杂的实际工况条件下完成对熔池碳含量的准确预测. 通过260 t氧气转炉的工业应用实例,证实函数型数字孪生模型具有良好的自学习和自适应能力,对异常冶炼状态具有良好的鲁棒性,可以实现全过程的熔池碳含量动态预测,终点碳质量分数在± 0. 02% 范围内的命中率为95%. 利用函数型数字孪生模型在拉碳阶段对钢水中碳含量的预测值来控制终吹点. 更为重要的是,在保证入炉原料成分、温度、质量等参数稳定的前提下,采用该模型可以有望取消基于副枪的停吹取样步骤,从而降低生产成本,提高产品质量和生产效率,具有广泛的工业应用前景.      

铜转炉吹炼炉口图像智能监测及辅助分析系统

传统转炉炼铜工艺非常依赖个人经验,一般通过人工观察炉口火焰判断炉体内温度、造渣和造铜终点,该过程存在重大的安全与环保隐患,同时粗铜的品位得不到保障且易损坏炉体。随着环保与本质化安全指标要求的提高,各家企业开始转向闭窗吹炼。为应对绿色化与安全性要求,本文基于转炉炉口火焰分析结果并综合吹炼工艺中涉及的多种因素,设计了一种转炉炉口图像智能监测系统,实现了转炉炉口火焰的智能化监测。在此基础上,通过对不同阶段炉口火焰图像的分析,设计了基于自适应曝光阈值的颜色特征计算方法,能够对图像进行预处理并提取到可预测终点时间的关键特征,解决了目前传感器曝光度参数影响图像特征的关键问题。最后设计了基于深度神经网络的终点时间预测模型,实验结果表明造渣一期、造渣二期和造铜期终点的预测误差分别为0.74, 0.83和1.4 min,显示了设计系统的有效性。     

利用人工神经网络系统提高转炉终点碳温双命中率

以神经网络为基础开发出一套转炉冶炼终点控制模型。模型以转炉炼钢基础理论为依据,采用误差后向传播网络——BP网络为原形,对其算法进行改进,建立两个三层BP预测神经网络,选用29个输入参数,分别对终点温度和终点碳含量进行预报。通过采集现场操作数据和实际应用,碳温双命中率达到80%以上。     

基于FA-PSO-RBF神经网络的富氧底吹铜锍品位预测模型

铜锍品位是富氧底吹铜熔炼过程中的一个关键工艺参数,针对铜锍品位实时检测困难、检测结果滞后时间长、指导生产工艺参数优化滞后等问题,基于生产数据深入挖掘及处理,提出了一种基于FA-PSO-RBF神经网络的铜锍品位预测模型。首先为了降低模型的预测误差,利用FA分析方法对原始生产数据进行降维处理,确定主要因子数量为6个,并计算因子得分,然后针对RBF神经网络模型对关键参数依赖性较大的不足,利用改进PSO算法对网络结构中的关键参数进行寻优,最后,以因子得分为输入,铜锍品位值为输出,通过实际生产数据验证模型的准确性,并与RBF、标准PSO-RBF预测模型进行对比,结果表明,本文构建的铜锍品位预测模型预测精度更高,与标准PSO-RBF预测模型相比,RMSE和MAE的值分别降低了17.2%和21.2%,该预测模型对富氧底吹铜熔炼生产过程参数优化控制提供了一种方法借鉴。     

基于神经网络的金属应力状态系数模型

 以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab神经网络工具箱,分别建立了轧制变形区的应力状态系数与轧前厚度、轧后厚度及轧辊直径对应关系的Elman神经网络预测模型和RBF神经网络预测模型。结果表明,所建立的两种网络模型均建立了金属应力状态系数输入和输出关系,RBF神经网络模型比Elman网络模型数据稳定,性能更优,实现了与实测结果的高度拟合。并得出不同轧辊直径对神经网络模型精度的影响规律,对轧制工艺规程的制定提出了合理建议。     

基于RBF的轴承钢变形抗力的预测

以凸轮式高速形变试验机得到的试验数据为基础,利用Matlab人工神经网络工具箱,建立了轴承钢的变形抗力与其化学成分、变形温度、变形速率及变形程度对应关系的RBF神经网络预测模型.分析了变形温度和变形速率对轧制压力网络模型精度的影响.得出随着变形温度的增加,网络的预测误差逐渐增大;随着变形速率的增大,网络的预测误差逐渐减...     

基于机理和数据驱动的转炉输入—输出混合模型

为了实现能量流网络的精细化控制,建立了基于机理和数据驱动的转炉输入-输出模型.对转炉工序进行物质的输入和输出解析,根据实际生产数据,利用数理统计和回归的方法,得到转炉冶炼相关参数,包括:氧气利用率、炉渣碱度、渣中氧化镁含量、钢水终点氧含量、转炉热效率.进而利用冶炼机理以转炉冶炼的铁水和废钢数据,以及目标钢水的成分和温度为输入量,计算得到吹氧量、造渣剂加入等信息作为模型的输出量.根据机理模型计算的部分输出参数,利用神经网络预测钢水终点温度,并与机理模型采用的目标钢水温度进行对比,进而对机理模型进行校正,以提高模型的精确度.采用C#语言将模型程序化,模型计算结果表明,相同误差范围内,混合模型的石灰加入量、轻烧白云石加入量、氧化球团加入量命中率相较于机理模型分别提高了11.1 %、8.3 %、8.3 %.