转炉冶炼静态控制模型

以物料平衡和热平衡为理论基础,构建了转炉冶炼静态控制模型.根据原料条件和冶炼钢种进行转炉优化配料计算,利用氧步控制转炉的造渣过程,实现了钢液平稳升温、降低钢液喷溅事故、提高钢液收得率等目的.同时,通过优化出钢过程中合金的使用效率,节约了转炉冶炼成本.     

待发表文章摘要预报

转炉冶炼过程中合金成分控制模型龚　伟 ,姜周华 ,郑　万 ,陈念铀通过对转炉冶炼过程脱氧和合金化过程的分析 ,采用参考炉次法处理合金元素收得率参数 ,并采用多元线性规划方法对合金化操作进行最优化计算 ,得到工程实用的脱氧和合金化控制模型·通过该模型的应用 ,可以保证按照各钢种成分要求实现准确、经济地进行转炉出钢时脱氧和合金化操作 ,使钢水成分达到要求范围 ,实现钢水的窄成分控制·冷连轧动态变规格在线过程控制原理与应用王军生 ,矫志杰王军生 ,赵启林王军生 ,刘相华根据国内某 1 2 2 0冷连轧机组生产实际情况采用逆流直接求解…     

转炉冶炼过程中合金成分控制模型

通过对转炉冶炼过程脱氧和合金化过程的分析,采用参考炉次法处理合金元素收得率参数,并采用多元线性规划方法对合金化操作进行最优化计算,得到工程实用的脱氧和合金化控制模型·通过该模型的应用,可以保证按照各钢种成分要求实现准确、经济地进行转炉出钢时脱氧和合金化操作,使钢水成分达到要求范围,实现钢水的窄成分控制·     

基于BP神经网络对脱氧合金冶炼中元素收得率的预测

为了准确地预测炼钢生产中脱氧合金化过程中元素收得率,本研究基于BP与RBF神经网络模型对脱氧合金冶炼中元素收得率预测精度进行对比分析。结果表明:(1)根据预测结果精度确定脱氧合金冶炼中元素收得率预测使用BP神经网络模型;(2)基于BP神经网络模型对脱氧合金冶炼中C、Mn两种元素收得率进行预测分析得出:C元素收得率预测区间为[0.894 9,0.901 2]、 Mn元素收得率预测区间为[0.904 5,0.919 5]。基于BP神经网络模型能够较为准确地预测脱氧合金冶炼中元素收得率区间,从而控制合金用量,达到降低炼钢成本的目的。     

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。     

基于模糊线性规划对钢水脱氧合金化配料方案的优化研究

为了确定炼钢中的脱氧合金化的优化方案,减少合金材料消耗的经济成本,通过建立元素收得率模型,并采用遗传算法优化阈值和权值的BP神经网络模型对元素收得率进行预测,然后以三角模糊数确定的隶属函数,构建模糊线性规划模型来计算出合理的材料添加量。结果表明:筛选出的合金配料方案比原先方案节约17.23%的经济成本,对炼钢生产中提高钢种品质和节约生产成本具有一定的参考价值。     

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.     

钢水“脱氧合金化”配料方案的优化

文章主要讨论了炼钢过程中的脱氧合金化环节的合金配料问题,通过建立多元线性规划模型实现钢水脱氧合金化过程成本的最优配比方案,并通过钢水净重预判出钢量,应用BP神经网络分析对缺失数据进预测,预测结果拟合度高达0.96。     

基于神经网络的转炉冶炼终点锰、磷静态预报模型

我国钢铁企业所使用的转炉多为中小型转炉,因容量小无法采用动态控制技术.而传统的静态控制模型计算精度差,终点命中率低,实际生产中的应用效果不好.所以本文充分利用最近发展起来的人工神经网络技术,以Visual Basic编程语言为工具,建立了基于神经网络的转炉冶炼终点锰、磷静态预报模型.     

基于神经网络的转炉冶炼终点锰、磷静态预报模型

我国钢铁企业所使用的转炉多为中小型转炉，因容量小无法采用动态控制技术。而传统的静态控制模型计算精度差，终点命中率低，实际生产中的应用效果不好。所以本文充分利用最近发展起来的人工神经网络技术，以Visual Basic编程语言为工具，建立了基于神经网络的转炉冶炼终点锰、磷静态预报模型。     

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。     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于时滞BP神经网络的铸坯表面温度预报研究

为了快速准确地计算连铸方坯表面温度,提出了基于时滞BP神经网络的温度预报模型.由于传统的基于机理的模型需要直接求解偏微分方程,导致模型的求解消耗时间过长.为了满足连铸动态控制与优化的需求,研究了连铸方坯的传热机理,根据连铸过程热传导的特点,建立了基于时滞BP神经网络的温度预报模型,以历史时刻的表面温度和当前时刻水量作为神经网络的输入,以下一个时刻表面温度作为神经网络的输出.该模型可以快速预报连铸方坯表面温度的动态变化情况.并且依据某工厂的真实数据进行实验,表面温度的预报最大相对误差小于0.1%,取得了较好的实验结果.该方法可以准确地预报连铸坯的表面温度.     

高炉铁水含硅量神经网络预测模型

按现代控制理论,将高炉视作多输入-单输出系统。引入人工神经网络(ANN)方法,选定若干参数作为硅含量的相关变量,建立标准的三层BP网络铁水硅预报模型。用该模型对津西5#高炉的生产数据进行离线预报,允许误差为±0.1％时命中率达到81％。     

基于神经网络的钢包精炼终点预报

通过改进的BP神经网络,结合炼钢工艺的特点,建立炼钢精炼炉终点模型,对精炼炉终点进行预报,其基本思想是:在对以往的现场数据进行分析和了解及已有的人工神经元网络模型的基础上,结合炼钢的实际工艺特点,确定模型的参数,从而确定预报模型,再根据确定的模型对现场的其他数据进行预报.仿真结果可以表明,应用通过改进的BP神经网络进行炼钢精炼炉终点预报得到了很好的效果.     

Influence of metallurgical processing parameters on defects in cold-rolled steel sheet caused by inclusions

The cleanliness and defects for cold-rolled steel sheet caused by inclusions are greatly influenced by parameters in the metallurgical processing. Good control of parameters during the processing can lead to a better product. In this paper, data mining was used to explore the influence of parameters on defects in steel sheets. A decision tree model was established and it was found that the oxygen content before deoxidation, the end-point temperature of the converter, and the temperature before deoxidation had a great impact on the defects in the cold-rolled sheet that were caused by inclusions. This finding was confirmed by experiments with infrared absorption, scanning electron microscopy(SEM), energy dispersive X-ray spectroscopy(EDS), and automatic inclusion analysis methods. After optimization according to results from the model and experiments, the defect rate caused by the inclusions was reduced from 0.92% to 0.38%.     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

压电振动陀螺温漂性能粒子群算法优化

针对压电振动陀螺的温漂问题,采用基于粒子群的BP神经网络算法对压电振动陀螺的温度漂移现象进行建模。该算法借助粒子群算法帮助BP神经网络越过局部最小解,并通过加入高斯噪声的方式,模拟自然人脑。仿真实验表明,相对于传统的单BP神经网络算法,含有噪声的粒子群-BP神经网络算法,在精度方面提高了至少42.6%,所构建的温漂模型具有更好的非线性描述能力,从而能为压电振动陀螺提供了更高精度的零电位误差补偿;同时,在收敛速度方面快了5.2倍。     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。