基于稀疏化鲁棒LS--SVR与多目标优化的铁水硅含量软测量建模

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性.      

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

基于卡尔曼滤波与机器学习的激光诱导击穿光谱钢铁多元素定量分析探究

针对钢铁冶炼过程中微量元素定量分析问题，对钢样中的Mn、P、S和C元素进行离线定量分析，并为熔融状态下钢水成分在线检测进行前期离线预研工作。通过激光诱导击穿光谱(LIBS)技术研究钢铁的光谱特性，提出使用卡尔曼滤波(KF)对光谱进行降噪处理，并将其与偏最小二乘回归(PLSR)、支持向量回归(SVR)、随机森林(RF)机器学习模型结合，建立各元素的定量分析模型，采用K折交叉验证和网格搜索法对模型的结构参数进行调优，在LIBS技术基础上实现钢铁元素的定量分析。结果显示，KF-SVR预测模型对Mn和C元素的预测性能最优，其测试集的决定系数(R²)均高达0.999 9,均方根误差(RMSE)分别为0.020 8%、0.021 3%;KF-PLSR预测模型对P和S元素的预测性能最优，其测试集的R²值分别为0.999 8、0.999 9,RMSE分别为0.006 0%、0.002 8%;结合KF后3种机器学习模型的R²值均高于0.996。研究结果表明，将KF用于LIBS光谱数据的预处理可有效提高光谱的信噪比，改善光谱质量，并将其与机...     

支持向量机在铁水硅含量预报中的应用

支持向量机是基于统计学习理论发展而来的一种机器学习算法,它能较好地解决非线性、高维数、小样本、局部极小点等实际问题。本文提出了使用最小二乘支持向量机模型预测高炉铁水硅含量的方法,以山东莱钢1号高炉在线采集数据作为应用案例。结果表明最小二乘支持向量机模型预测高炉铁水硅含量命中率可达到85%以上。     

岩溶地下河日流量预测的小样本非线性时问序列模型

针对岩溶含水系统高度的非线性特征,在小样本时间序列条件下,引入了能较好解决小样本、非线性问题的支持向量回归方法,利用偏最小二乘回归对影响地下河流量的诸多因素进行综合分析,并提取主成分作为支持向量机的输入变量,采用遗传算法优化模型参数,建立了地下河日流量预测的偏最小二乘-遗传-支持向量回归模型;将该模型用于后寨典型岩溶地下河流域日流量模拟和预测,并与BP人工神经网络、多元线性回归模型预测结果进行对比.偏最小二乘-遗传-支持向量回归模型模拟期的均方误差(MSE)、平均绝对百分比误差(MAPE)分别为0.25%、6.89%,预测期为0.65%、6.03%;BP神经网络模拟期的MSE、MAPE分别为0.24%、7.30%,预测期为0.84%、7.39%;多元线性回归模型模拟期的MSE、MAPE分别为0.28%、9.30%,预测期为1.10%、10.54%.结果表明,偏最小二乘-遗传-支持向量回归模型预测精度明显优于BP人工神经网络和多元线性回归模型.     

小样本贫信息条件下高炉冶炼烧结终点组合预测法

由于烧结过程具有不确定性、多变量耦合、时变时滞的特点,并且烧结终点受多种因素的影响,采用传统控制方法难以将烧结终点控制在要求的范围内,提出应用支持向量机优良的时序预测性能,以及贝叶斯理论能够利用样本信息和先验知识来简化预测模型和优化参数的特性,建立了贝叶斯支持向量机烧结终点的预报模型.首先对烧结终点的机理分析,后分别叙述贝叶斯框架理论和LS-SVM算法,并将贝叶斯证据框架应用于最小二乘支持向量机模型参数的自动选择,建立起时间序列的烧结终点非线性预测模型.在贝叶斯推断的第一层,进行模型参数的选择;在贝叶斯推断的第二层,进行模型超参数的选择;在贝叶斯推断的第三层,估计模型核参数,然后利用贝叶斯最小二乘支持向量机算法(LS-SVM)对烧结终点进行预测,并在此基础上构造了烧结终点的贝叶斯最小二乘支持向量机模型.仿真结果和多种模型比较表明,本模型能在小样本贫信息条件下对烧结终点做出比较准确的预测,并具有预测精度高、所需样本少、计算简便等优点,取得了令人满意的结果.     

基于样条变换的非线性PLS的反应高炉炉温的参数预测

 高炉冶炼过程是一个大时滞、强非线性的系统,现有的高炉炉温预测模型不够准确,因此,建立了基于香农熵的广义相关系数时滞分析模型和基于样条变换的非线性偏最小二乘回归(ST-PLS)的反应炉温的参数预测模型,得出影响高炉炉温的主?问闹秃笫奔洌げ獬瞿芄蛔酆戏从Ω呗碌?个参数(［Si］,［S］,铁还原速率及铁水温度)。试验证明,模型具有较高的预测精度,当相对误差分别为0.11和0.18时,模型预测［Si］的命中率分别为0.7143和0.9184,［S］的命中率分别为0.7347和0.9184,铁还原速率的命中率分别为0.6122和0.8163,铁水温度的命中率分别为1.0000和1.0000。     

基于PSO优化LS-SVM的钨离子交换穿漏时间预测研究

针对钨离子交换穿漏时间频繁检测、检测滞后、相对误差大、工人劳动强度大的问题,基于神经网络学习预测的思想和结合钨冶炼厂实际生产情况,以交前液的pH值、波美度、电导率、流速为输入量,以穿漏时间为输出量,建立最小二乘法支持向量机(LS-SVM)穿漏时间预测模型,并用粒子群算法(PSO)选取核参数γ和误差惩罚参数c。仿真分析表明该模型能够很好地对离子交换穿漏时间进行预测,预测精度高,最大绝对误差为8 min,最大相对误差为1.538 5%,符合钨离子交换工艺要求,可取代人工检测,降低工人劳动强度,减少钨资源浪费,有利于实现整个离子交换过程的自动控制。     

基于最小二乘支持向量机的结晶器液面预测控制

 针对连铸过程的结晶器液面控制问题,提出了基于最小二乘支持向量机技术的预测模型的预测控制方法。利用最小二乘支持向量机对非线性过程建立预测模型,采用非线性预测控制方法进行控制。以结晶器液面控制过程为控制对象进行仿真,仿真结果表明,最小二乘支持向量机的建模方法可以有效地建立预测模型并且具有较好的泛化能力,基于这种预测模型的预测控制具有很好的控制性能。     

基于泡沫视觉特征的浮选精矿品位的软测量

针对矿物浮选在线检测X荧光分析仪缺失、人工检测严重滞后的问题,依据泡沫视觉表面特征对浮选精矿品位具有直接指示作用的原理,采用最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)实现浮选精矿品位的软测量。工业运行数据仿真结果表明,建立的软测量模型能够实现精矿品位的预测精度,满足工业要求。     

神经网络与激光诱导击穿光谱技术结合的烧结矿中硅元素定量分析方法探究

烧结矿中二氧化硅的含量对高炉炉渣产量以及冶炼能耗有重要影响,因此探索一种能够快速、准确地分析烧结矿中硅元素含量的方法具有重要的研究意义。拟采用激光诱导击穿光谱技术(LIBS)对30个烧结矿实际样品进行快速分析,收集其190～300 nm范围的光谱信号,先建立特征线(Si 288.16 nm)的标准曲线,分析特征线信号强度与元素浓度之间的关系;再以不同数量的特征作为输入,建立神经网络预测模型,分析不同模型的预测性能。实验结果表明,标准曲线法预测性能较差,相关系数为0.230 9;以55个特征建立的神经网络预测模型出现了过拟合现象,无法满足检测需求;以5个特征建立的神经网络预测模型为3个模型中最优,针对测试集,相关系数为0.886 3,均方根误差为0.209 0,相对误差为1.42%。此外,随着特征数的减少,模型平均训练时间从11.9 s缩短至0.3 s。LIBS技术结合神经网络方法能够有效地分析烧结矿中硅元素的含量,将为冶金过程快速调整配料提供数据支撑。     

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。     

A BP neural network based mathematical model for predicting Si content in hot metal from COREX process

The high and fluctuation property of ??Si?? content in hot metal (HM) is always a problem in COREX process. The precise prediction of ??Si?? content in HM from COREX process can provide a theoretical basis and technical reference for stabilizing and reducing the ??Si?? content in HM. A back propagation (BP) neural network was established to predict the ??Si?? content in HM from COREX process. The input parameters of the model were determined by correlation analysis, and the hysteretic heats corresponding to each parameter were determined by calculating the Deng??s relevancy. The results show that when the prediction error is ??0. 1%, the hit rate is 80%. The method of continuous updating the training samples was used to improve the prediction accuracy of the model. The prediction results show that the hit rate is 90% in absolute error range of ??0. 1%, and the prediction accuracy has been greatly improved compared with previous model. The improved model can provide a theoretical basis for judging the change of ??Si?? content in HM and subsequent operations.     

转炉炼钢用铁水的硅质量分数分析

转炉炼钢用铁水硅质量分数过高会影响脱磷率,增加脱磷剂及造渣剂的用量,同时硅质量分数还起着调整炉渣碱度的作用,因此,铁水中的硅质量分数既不能过高也不能过低。通过计算脱磷量与渣量的关系,确定了人炉铁水硅质量分数的合理值,为铁水脱硅提供了理论依据,为转炉炼钢提供优质铁水。     

高炉加钛护炉时铁水钛硅比的控制

为了探析高炉加钛护炉时的钛含量控制,结合钛硅比(w([Ti])/w([Si])),对实际钛分配比的影响因素进行总结。利用炉渣活度、铁水元素活度,分别计算铁水碳和硅还原渣中(TiO₂)平衡时的成分,并讨论平衡时钛硅比随铁水温度、炉渣二元碱度、铁水硅含量和铁水硫含量的变化。结果表明,硅还原钛硅比<实际钛硅比<碳还原钛硅比。硅还原理论钛硅比受各项参数的影响较小,碳还原钛硅比受铁水温度和铁水硅含量的影响较大,导致铁水钛含量在高温时有发散现象。因此,护炉时期,需着重关注铁水温度和钛硅比。     

基于Kmeans–BP神经网络的KR工序终点铁水硫含量预测模型

针对KR工序终点铁水硫含量预测问题,提出一种基于Kmeans聚类分析和BP神经网络（BPNN）相结合的建模方法。首先,通过Kmeans聚类对KR工序生产数据进行模式识别和分类,构建不同工况特征的数据集;然后,基于BP神经网络,针对不同数据集训练预测模型;最后,将不同数据集的预测模型进行集成,形成最终的终点铁水硫含量预测模型,实现对不同铁水条件和工况条件的预测。利用某钢铁企业实际生产数据,分别用基于脱硫反应动力学、BP神经网络和Kmeans–BPNN方法建立的预测模型,对KR工序终点铁水硫含量进行预测。结果表明,Kmeans–BPNN的KR工序终点硫含量预测模型的精度显著高于脱硫反应动力学和BP神经网络的预测模型。      

高炉-转炉铁钢界面铁水温降预测建模和分析

摘要：针对高炉 转炉铁钢界面间铁水在受铁、运输及预脱硫过程中的散热问题，以铁水温降为研究对象，分析铁钢界面铁水在运输过程温降的影响因素，建立基于极限学习机的铁水温降预测模型。实例研究结果表明，建立的预测模型能够很好地预测铁钢界面铁水运输过程温降，连续预测100罐铁水温降，当绝对误差小于10℃时，铁水温降命中率为87%，预测均方根误差为6.932。对铁水温降的各主要影响因素定量分析表明，铁水温降对受铁温度最为敏感。     

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。