转炉炼钢智能控制系统

采用神经网络作为转炉炼钢的预报模型和控制模型,并将终点温度和终点碳含量作为控制目标值,计算氧气补吹量和冷却剂的补入量,从而实现转炉炼钢的终点控制.仿真结果表明,终点温度和终点碳含量仿真结果很理想,控制策略很有效.     

基于MATLAB神经网络的复吹转炉终点氧含量的预报模型

钢水终点氧含量是转炉炼钢的控制目标，它与钢水碳含量、钢水温度等多个变量之间存在着严重的非线性关系。利用MATLAB环境，提出基于BP神经网络的转炉炼钢终点氧含量预报模型，并结合某钢铁企业一座90t转炉的实际数据进行了模型验证。结果表明，该方法收敛速度快，预报精度较高。     

基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型.通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP 和RBF神经网络模型进行了对比研究.结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导.     

基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型。通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP和RBF神经网络模型进行了对比研究。结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导。     

转炉终点锰预报模型的开发

探讨转炉炼钢终点锰预报模型的建模技术 模型分为两种 :代数学模型和人工神经网络模型 代数学模型采用多元线性回归方法建模 ,该模型简单、可视 ,但仿真结果并不理想 人工神经网络模型在选取适当输入参数的基础上 ,通过对转炉生产的历史数据进行训练 ,求得合理优化的网络权重 ,可对转炉终点锰含量进行离线预报 ,该模型的仿真结果很好 ,当预报误差精度|ΔMn|≤ 0 .0 2 5 %时 ,预报命中率超过 95 % ,为今后转炉的在线锰预报和快速出钢模型的研制提供依据和技术支持     

基于粗糙集的转炉炼钢知识发现模型

针对转炉炼钢知识发现的特点,采用粗糙集理论进行分析,应用数据清洗、标准化及离散等方式对转炉炼钢生产数据进行预处理,以炼钢生产的主要影响因素作为知识发现的条件属性,以转炉冶炼终点控制目标作为知识发现的决策属性,建立了基于粗糙集方法的转炉炼钢知识发现模型,实现转炉炼钢生产知识的自动发现、获取和规则提取。以转炉冶炼终点钢水温度的变化规律做为知识发现的决策属性,采用210 t转炉炼钢实际生产数据进行模型的应用测试,结果表明提取出的铁水硅含量、铁矿石质量、氧气消耗量等影响因素对转炉冶炼钢水终点温度存在重要影响,且模型提取出的转炉炼钢终点钢水温度知识规则与现行转炉炼钢现场的变化规律一致,证明基于粗糙集方法的转炉炼钢知识发现模型的有效性。     

转炉炼钢动态过程预设定模型的混合建模与预报

准确预报转炉炼钢动态过程的补吹氧气用量和冷却剂添加量,对于提高终点命中率具有重要意义·采用机理模型及基于数据的自适应神经模糊推理系统混合建模方法建立了转炉炼钢动态过程预设定模型·用减法聚类,最小二乘法及梯度下降法辨识了T S模型并用该模型对机理模型进行补偿建模·对一座180t转炉的实测数据进行了仿真,仿真结果表明该方法是切实可行并有效的·     

转炉终点锰预报模型的开发

探讨转炉炼钢终点锰预报模型的建模技术。模型分为两种：代数学模型和人工神经网络模型。代数学模型采用多元线性回归方法建模,该模型简单、可视,但仿真结果并不理想。人工神经网络模型在选取适当输入参数的基础上,通过对转炉生产的历史数据进行训练,求得合理优化的网络权重,可对转粮终点锰含量进行离线预报,该模型的仿结果很好,当预报误差精度│△Mn│≤0．025％时,预报命中率超过95％,为今后转炉的在线锰预报和快速出钢模型的研制提供依据和技术支持。     

基于案例推理的电弧炉终点预报

在电弧炉(EAF)冶炼生产过程中,出钢温度、碳含量和磷含量等终点参数直接关系到后续生产工艺,甚至影响产品质量.基于增量预报模型的思想,提出采用案例推理方法进行电弧炉炼钢的终点预报,该方法由于建立在已有的炼钢案例基础上,具有方法简单、不需要复杂数学推理的优点,并具有较强的鲁棒性.考虑到电弧炉炼钢影响因素较多、具有较强的非线性,采用支持向量机对案例推理的结果进行增量补偿修整.实践证明,经补偿后的案例推理方法预报精度较高,预报结果接近实际值,该方法是切实可行并有效的,可以用于电弧炉炼钢终点钢水温度、碳含量和磷含量的预报.     

基于氧气脱碳效率预测的转炉炼钢吹氧量计算模型

为精确计算转炉炼钢生产过程中需要吹入的氧气量,提出了基于氧气脱碳效率预测的转炉炼钢静态和动态吹氧量计算模型.首先,采用独立成分分析方法对静态模型输入进行预处理;然后,建立基于支持向量机的氧气脱碳效率预测模型;最后,利用预测得到的氧气脱碳效率结合机理公式计算两阶段吹氧量.利用一座150t转炉的实际生产数据进行仿真计算,结果显示该模型对氧气脱碳效率的预报精度较高,所提方法是有效的.     

A process model for BOF process based on bath mixing degree

The process model for BOF process can be applied to predict the liquid steel composition and bath temperature during the whole steelmaking process. On the basis of the traditional three-stage decarburization theory, the concept of mixing degree was put forward, which was used to indicate the effect of oxygen jet on decarburization. Furthermore, a more practical process model for BOF steelmaking was developed by analyzing the effect of silicon, manganese, oxygen injection rate, oxygen lance height, and bath temperature on decarburization. Process verification and end-point verification for the process model have been carried out, and the verification results show that the prediction accuracy of carbon content reaches 82.6% (the range of carbon content at the end-point is less than 0.1wt%) and 85.7% (the range of carbon content at end-point is 0.1wt%–0.7wt%) when the absolute error is less than 0.02wt% and 0.05wt%, respectively.     

基于钢包运行稳定性的炼钢厂生产计划优化

针对炼钢厂在不满负荷生产的情况下,缺少相应指导原则编排生产计划的问题,提出一种基于钢包运行稳定性的生产计划优化方法.首先,通过对炼钢厂钢包周转过程的分析,提出在线运行钢包个数的计算方法.然后,分别针对单台铸机和两台铸机顺序开浇的两种情况,分析生产计划对钢包运行状态的影响,建立计算模型.以某炼钢厂生产计划为例进行解析,并以钢包运行稳定性为评价参数,利用遗传算法对生产计划进行优化.结果表明,优化的生产计划可以减少钢包使用个数及其温度波动,减少烘烤煤气消耗量和降低转炉出钢温度,提高钢水温度的控制水平.     

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

基于火焰图像信息量度量的钢水碳含量定性分析

钢厂炼钢过程中钢水碳含量的多少与炉口火焰的内部结构信息有着密切的关联.本文基于marr的视觉理论,提出了采用harris角点经典算法来测量火焰等非结构运动目标的内部结构信息,以此来定性分析钢水中碳含量.实验结果表明,该方法不但能准确地判断出炼钢所处的三个阶段,而且因算法简单,时间复杂度较低,适合在线炼钢碳含量预测等实时应用.     

A Heterogeneous Ensemble of Extreme Learning Machines with Correntropy and Negative Correlation

The Extreme Learning Machine(ELM) is an effective learning algorithm for a Single-Layer Feedforward Network(SLFN). It performs well in managing some problems due to its fast learning speed. However, in practical applications, its performance might be affected by the noise in the training data. To tackle the noise issue, we propose a novel heterogeneous ensemble of ELMs in this article. Specifically, the correntropy is used to achieve insensitive performance to outliers, while implementing Negative Correlation Learning(NCL) to enhance diversity among the ensemble. The proposed Heterogeneous Ensemble of ELMs(HE2 LM) for classification has different ELM algorithms including the Regularized ELM(RELM), the Kernel ELM(KELM), and the L2-norm-optimized ELM(ELML2). The ensemble is constructed by training a randomly selected ELM classifier on a subset of the training data selected through random resampling. Then, the class label of unseen data is predicted using a maximum weighted sum approach. After splitting the training data into subsets, the proposed HE2 LM is tested through classification and regression tasks on real-world benchmark datasets and synthetic datasets. Hence, the simulation results show that compared with other algorithms, our proposed method can achieve higher prediction accuracy, better generalization, and less sensitivity to outliers.