人工神经网络与遗传算法在高炉焦比预报中的应用

建立了遗传算法与BP神经网络相结合的高炉焦比预报模型.该模型用于预报在不同操作条件下适宜的焦比,寻求高炉诸多操作参数与焦比之间的映射关系,为高炉操作者提供调整炉况的依据.实际应用表明,该模型具有较好的命中率.     

人工神经网络与遗传算法在高炉焦比预报中的应用

建立了遗传算法与BP神经网络相结合的高炉焦比预报模型。该模型用于预报在不同操作条件下适宜的焦比,寻求高炉诸多操作参数与焦比之间的映射关系,为高炉操作者提供调整炉况的依据。实际应用表明,该模型具有较好的命中率。     

大型高炉布料模型的研究与应用

以无料钟布料过程中物料运动机理为基础,改进了料流轨迹的修正方法,提出了料面形状计算的新方法.高炉布料模型在计算过程中考虑了炉料特性、焦炭塌落等对料面形状的影响,使计算结果更符合实际布料.结合生产实践需求,计算出了各种不同布料制度下炉料的料面形状、炉料径向分布、径向矿焦比等参数,提出了高炉区域焦炭负荷指数,更加直观、形象地对比各种布料制度.利用该模型可解答大型高炉生产上存在的问题,对高炉的实际生产提出了实用性建议,为高炉操作人员调整布料制度提供了理论指导.     

高炉布料过程中焦炭坍塌现象的模型研究

为了精确预测高炉炉料分布，开发了高炉布料数学模型。运用土力学边坡稳定理论，定量表示了焦炭向高炉中心的坍塌量。模拟结果与实测结果比较符合，证明此模型是适用的。结果表明，由于坍塌焦炭的积累，阻碍了矿石滚向高炉中心，明显改变了高炉边缘到中心的矿焦比。焦炭层的坍塌程度受布料模式、焦炭层的料面形状、矿石种类及配比、矿石批重和煤气流速等因素的影响，因此随着炉况的变化，焦炭层的坍塌状况也随之发生变化。     

高炉内料层结构动态追踪的技术开发

炉料径向分布影响着高炉下部所形成软熔带的形状和位置，进而间接决定和控制了高炉燃料比的高低.建立了预测高炉内部料层结构的数学模型，并将其转化为可视化界面的软件，供现场人员在线使用，用于计算不同布料参数下料层结构的详细信息，布料参数包括布料矩阵、料线高度、布料方向、径向下降速度分布，预测结果包括径向矿焦比分布、追踪料层位置、料层厚度变化.计算结果均可为现场布料制度优化提供参考依据.     

高炉炉况判断神经网络专家系统

在深入分析高炉冶炼特点的基础上,提出泛化特性和自适应特性是高炉炉况判断系统稳定有效运行的2个重要特性.设计了增进系统泛化特性和自适应特性的方案,并相应开发出一套炉况判断专家系统.开发的系统在高炉上运行获得了满意效果.     

基于SPC的高炉炉况异常检测研究

针对高炉冶炼过程复杂多变,影响高炉炉况的因素众多且运行过程复杂,为保证高炉炉况稳定顺行,开发了一种基于主元分析(PCA)和统计过程控制(SPC)的高炉炉况异常检测模型。由于高炉运行参数具有高耦合和非高斯的特点,该模型首先采用主元分析算法对高炉实际生产的历史离线数据进行聚类分析,然后应用基于T²统计量的多元控制图和单值控制图对聚类后的新变量和相关参数进行监测,从而达到监测高炉出现异常炉况的目的。该模型可以实时监测高炉炉况的异常波动,其中PCA算法将高炉本身的高维数据降到低维,大幅去除数据中的噪声和不重要特征,在实际生产和应用中,节省了大量的成本和时间。选取马钢某高炉炼铁过程为应用场景,结合数据特点调整和改进算法,通过历史数据模拟和实时在线运行验证模型的可靠性和算法的有效性,同时也对指导高炉实际操作技术做出了一定的贡献。     

基于主成分分析的高炉操作炉型评价

针对目前高炉操作炉型管理模型中存在用于评价炉型的指标多且重叠性大的问题,提出一种基于主成分分析的改进方法.该方法能够从传统评价炉型的指标(焦比、煤比、综合焦比、利用系数及铁水硅含量)中生成3个核指标,新的核指标空间相互独立,且能够代表原有的指标,从而解决了指标多且重叠性大的问题.在国丰1号1 780 m3高炉,开发应用了该改进的高炉操作炉型模型,确定了该高炉的主要操作炉型类别并对其进行了评价.     

无钟高炉螺旋布料料面预测与优化控制研究

为实现无钟高炉布料精准化,提出了一种螺旋布料料面预测与优化控制算法。根据炉料在高炉炉喉内的堆积规律,建立了适用于非接触式料面测量技术的炉喉料面预测模型。在螺旋布料工艺特点研究的基础上,建立了螺旋布料操作优化控制数学模型,并设计了粒子群算法进行模型求解。最后,该模型采用有效容积为2 580 m~3的无钟高炉进行了试验验证,结果表明,采用基于粒子群算法的螺旋布料优化控制模型能够准确地获得期望的炉料分布,充分发挥无钟高炉布料灵活的优势。     

人工智能高炉冶炼过程专家系统

为了用现代技术提升传统产业,实现炉况判断自动化和操作标准化,从人工智能、知识工程和模糊数学的理论出发,开发了一个用于高炉各种炉况故障判断与操作指导的综合专家系统.该系统用C Builder实现并与现场生产画面结合,采用菜单操作方式,人-机界面方便灵活.在仿真系统上通过现场生产数据的调试与运行表明,该系统准确可靠,能给出高炉各种故障状态的预报和相应的操作指导.     

高炉专家系统中的基础数学模型

介绍了唐山国丰钢铁有限公司1#高炉专家系统中基础数学模型的特点,主要包括配料模型、理论燃烧温度计算模型、炉热指数计算模型及高炉操作线模型,同时分析了这些模型在高炉生产中的应用状况。结果表明,基础数学模型在高炉专家系统中具有重要的作用,可以有效帮助操作人员了解高炉状况并提供实时指导,从而实现高炉稳定顺行。     

模糊因果聚类模型在高炉焦比预测中的应用

通过通径分析,对高炉现场采集的数据进行处理,在给定的描述高炉系统的诸多变量中,利用最小剩余通径系数确定影响目标函数的主要变量因素·将诸因素关系处理为直接通径和间接通径,并对其进行了排序,找出了影响指定目标函数:焦比的主要直接通径和间接通径·综合直接通径和间接通径效果,确定了高炉炉顶温度、料批、矿批重、焦炭负荷和[Si]既是影响焦比的直接原因,也是其他因素对焦比作用的间接原因·     

高炉密闭环境下雷达料面测量电磁特性仿真

研究了高炉密闭环境下,雷达测量料面和料层厚度的微波电磁特性.利用电磁计算学和CST仿真方法,研究了媒介层介电常数模型,高炉料面和料层模型的微波透射、反射和吸收特性,高炉布料层数、雷达波入射角度和雷达波频段与炉料媒介层介电常数重构关系模型.利用雷达波反射和透射电磁特性,结合高炉雷达的分布式雷达传感阵列,并利用焦矿媒介层存在介电常数差的特征,实现了高炉内料面形状和三层焦矿厚度在线3D重构.     

烧结矿/兰炭混装还原试验研究

为了降低炼铁生产成本、优化炉料结构以及充分利用低品质冶金焦资源,在实验室条件下进行兰炭用于高炉炼铁的矿焦混装初步试验研究。采用综合热分析仪研究兰炭的基础特性,并模拟高炉条件下的矿焦混装程序还原过程。结果表明,兰炭与CO₂的反应性要好于焦炭,兰炭可明显降低烧结矿直接还原的起始温度并加快还原速率;在高炉还原条件下,兰炭可以降低大块焦的溶损率,提高烧结矿的还原度;增加兰炭加入量,烧结矿的还原度相应提高;在兰炭加入量相同的条件下,兰炭和烧结矿分层混装时烧结矿终点还原度较高;过多增加兰炭加入量和改变矿焦混装方式对抑制大块焦溶损率的作用较小。     

利用图像处理界定熔化气化炉软熔区域边界

建立了二维COREX熔化气化炉物理模型.利用石蜡模拟DRI,玉米粒子模拟焦炭和块煤,通过高速摄像仪对炉内软熔区域变化进行记录,根据实验前后炉内物料颜色的变化,提出一种图像处理方法.利用该方法可以得到炉内软熔区域边界,从而得到其位置及厚度.对本实验条件下软熔区域的变化过程进行了分析,所提方法可在进一步研究中分析操作条件变化对炉内软熔区域的影响.     

基于燃料比最优的高炉喷煤设定值多目标优化

为了降低高炉炼铁的能耗,节约成本,将高炉炼铁过程信息、专家经验与智能模型相结合,提出基于燃料比最优的高炉喷煤设定值多目标优化方案。以燃料比最优为优化目标,炉温预测指标为约束条件,喷煤量为决策变量,采用基于K-均值聚类的径向基神经网络建立多目标优化模型,并通过基于NSGA-Ⅱ算法的多目标优化方法,获取尽可能使多个目标同时达到最优的Pareto最优解。结果表明,该优化方案可以在保证炉温良好的前提下,决策出使燃料比达到最优的喷煤设定值,大大降低能耗,节约成本。不仅为高炉实际生产提供操作指导,也为高炉冶炼的优化运行奠定了基础。     

基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。     

人工免疫系统及人工免疫遗传算法在优化中的应用

叙述了人工免疫学的概况及免疫系统的组成，提出了一种新的优化算法——免疫遗传算法，该算法突出了免疫系统中抗体群合作进化思想。将该方法用于以高炉焦比为优化目标的优化问题，取得较好的效果。     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.