基于偏最小二乘回归的高炉铁水硅含量模型

在高炉炼铁过程中,常用铁水硅含量[Si]来衡量铁水的质量和表征高炉的热状态,即用铁水硅含量反映高炉炉温.将偏最小二乘回归方法应用于预测硅含量[Si]中,在高炉炉况相对稳定的条件下,得出影响硅含量[Si]的因素为风量和喷煤,与冶炼专家的经验相符.利用包钢6号高炉的数据,建立铁水硅含量[Si]的回归模型,该模型对高炉炉温预测的准确度达到87.61%,对在线监测高炉硅含量具有一定的实用价值.     

高炉铁水硅含量序列的支持向量机预测模型

基于包钢6号高炉的在线生产数据,首先建立铁水硅含量序列的自回归AR(p)模型,分析其滞后阶数;然后对硅含量的自回归项及影响因素进行主成分分析,找到多元变量相互独立的有效信息作为输入变量;最后建立铁水硅含量的支持向量机回归预测模型。该模型对炉温预测的准确度达到88.2%,对在线监测高炉炉温具有一定的实用价值。     

人工免疫的神经网络预报方法及其应用

针对RBF(radial basis function)神经网络在预测铁水含硅量中出现的预测精度低,收敛速度慢的问题,提出了一种基于免疫识别原理的径向基函数神经网络的学习算法.该算法利用人工免疫原理确定高斯基函数的中心和宽度参数,同时将所识别的数据作为抗原,抗体作为抗原的压缩映射并作为神经网络的隐层中心,利用递推最小二乘法(recursion least square, RLS)确定连接权值,提高了RBF神经网络的收敛速度和精度.应用该模型于某大型钢铁厂高炉铁水硅含量预报的实例中, 实验结果表明, 该模型具有更高的预测精度和更短的训练时间.     

高炉主要操作参数与铁水含硅量滞后关系分析

随着钢铁工业生产的进步,炼铁和炼钢工艺均对铁水硅含量提出了越来越高的要求。降低高炉铁水硅含量不仅是高炉的冶炼方向,也是现代炼钢工艺的必然要求。文中以高炉炉温预报和操作指导模型的开发为背景,对影响模型的主要操作参数与铁水含硅量滞后关系进行了相关性和滞后时间的分析,为准确实现高炉炉热判断奠定了基础。     

人工神经网络预测高炉铁水硅含量

提出了BP神经网络预测高炉铁水硅含量的几种网络优化方法,指出了神经网络预测硅含量的可行性与局限性.     

高炉铁水含硅量的模糊预测函数控制

在高炉炼铁过程中,铁水含硅量既是衡量铁水质量的重要指标,也是表征高炉热状态的关键参数.设计了一种比较新颖的预测函数控制模型,计算了影响铁水含硅量变动的几个关键参数的时滞.通过所设计的预测函数控制模型确定了铁水含硅量与这些参数之间的近似函数关系,应用该函数就莱钢1号高炉所采集的数据对铁水含硅量进行了局部的预测控制,效果很好.     

唐钢二炼铁厂3号高炉铁水硅含量神经网络预报模型

根据唐钢二炼铁厂3#高炉的生产情况和技术水平,建立了高炉铁水硅含量神经网络预报模型.模型采用BP网络,仿真试验结果表明,该模型具有较好的命中效果.同时,基于预报的铁水硅含量,结合部分专家知识,指导操作决策.具有很强的实用性.     

基于分类回归树的高炉铁水硅含量预测模型

针对高炉铁水硅含量的预测问题,作者探索出基于分类回归树算法的建模策略,为高炉炉温控制提供了新的可选思路.针对某高炉的在线生产数据,分别建立了分类回归树预测模型和支持向量机预测模型,并从命中率、均方根误差对模型的性能进行了分析.结果表明:分类回归树模型的预测精度整体优于支持向量机模型,尤其在炉况波动较大时预测效果较好.     

基于自回归分布滞后模型的高炉铁水硅含量的预报

高炉冶炼过程中,铁水硅含量是评定高炉炉况稳定性和生铁质量的重要指标,其预测和控制对高炉的稳定顺行有重要意义.基于包钢6号高炉的生产数据,建立差分时间序列的自回归分布滞后模型对高炉铁水硅含量进行预测.结果表明:在炉况波动较小的情况下,该模型的预测命中率能达到87.5%,对实际的生产操作过程有一定的指导意义.     

高炉炉温预报方法研究

由于合理的高炉炉温是高炉稳定生产的重要因素之一,所以对高炉炉温控制方法进行探讨,并针对实际生产过程中各个钢铁企业对高炉炉温预报方法,分析得出对高炉炉温预测的有效方法是利用回归模型,时间序列模型、神经网络模型进行数值预报,由高炉专家系统进行宏观炉温发展趋势预报,多种方法相结合,才能达到较高的预测准确率。     

IGA-BP网络模型在高炉铁水硅含量预测中的应用

文章针对BP网络收敛速度慢和易于陷入极小值的问题,采用免疫遗传算法全局寻优和BP网络局部寻优相结合的方法,提高了BP网络的计算精度和收敛速度;应用IGA-BP网络模型对高炉铁水硅含量进行了预测,数值结果对比发现,该模型提高了预测精度的同时,迭代次数比一般BP网络模型也大大减少;仿真结果证明了方法的有效性。     

唐钢二炼铁厂3号高炉铁水硅含量神经网络预报模型

根据唐钢二炼铁厂3^#高炉的生产情况和技术水平，建立了高炉铁水硅含量神经网络预报模型。模型采用BP网络，仿真试验结果表明，该模型具有较好的命中效果。同时，基于预报的铁水硅含量，结合部分专家知识，指导操作决策。具有很强的实用性。     

高炉铁水硅含量预测系统

高炉铁水中的硅含量不仅是衡量产品质量的一个重要指标,而且反映了高炉能量利用的好坏.铁水硅含量的准确预测,能够指导高炉配料和高炉冶炼操作,实现降低铁水硅含量的目的.根据硅还原的机理从热力学和动力学方程出发,经推导得出了铁水中硅含量的预测模型,并结合高炉物料平衡及热平衡计算,编制成高炉铁水硅含量的预测系统.将实际高炉的原料条件及操作参数输入系统,得到了高炉铁水硅含量的预测值.该预测值与实测值相比,误差范围小,命中率高.从而表明该预测系统在实际运用中具有可靠性.     

基于RBF神经网络整定的热风炉温控系统设计

为了提高热风炉的燃烧效率,改善热风炉温控系统的自动化程度,提出了一种基于RBF神经网络整定的PID控制策略。首先,通过RBF神经网络算法和增量式PID控制器的结合,将神经网络强大的自学习能力应用于对增量式PID参数的调整。然后,在常规热风炉温控系统的基础上,将其外环改为采用RBF神经网络整定的PID控制。热风炉温控系统中内环以煤气阀门开度为变量,外环以拱顶温度为控制变量,通过改进的串级控制来实现热风炉的燃烧优化调整。Matlab仿真分析和实际应用效果表明,RBF神经网络整定的PID控制曲线几乎无超调量,系统抗干扰能力相对传统的PID控制提高了50%。与传统的手动控制相比,所提出的控制策略使得原系统的抑制干扰能力明显增强、鲁棒性更好,在热风炉温控方面具有良好的研究和应用价值。     

氧化锰对高氧化铝含量高炉渣性能影响的实验

南京钢铁集团公司高炉炉渣中氧化铝含量高达19%,因此炉渣流动性变差,高炉被迫采用高温操作,铁水硅含量偏高,影响了高炉的强化.针对这个问题,实验测定了由分析纯化学试剂配制的南钢高炉模拟渣样在加入氧化锰后的粘度,并根据实验结果分析了氧化锰对高氧化铝含量高炉渣性能的影响,得出南钢高炉降低铁水硅含量的措施.结果表明：在高Al2O3含量炉渣中,添加MnO对其降低粘度的作用效果非常大,同时炉渣粘度的降低将允许适当降低高炉操作温度,有利于降低铁水硅含量.     

神经网络高炉铁水含硅量预报模型

研究了基于神经网络的高炉铁水含硅量预报模型，运用高炉生产过程中工艺参数，实现了铁水含硅量的中短期预报，仿真结果表明，本模型具有良好的预报效果。     

湘钢铁水含硅预报模型的开发和应用

分析了原燃料条件较差、炉况稳定程度较低和检测仪表不多的湘潭钢铁公司２号高炉铁水含硅量数据的统计学特征。按照现代控制论的观点，将高炉视作多输入－单输出系统。当系统处于相对稳定的状态时，可以用若干个操作变量和模型预报偏差的多项式预报下一铁次的含硅量；根据赤池法则确定模型中包括的自变量及其阶数。应用该模型对９１５炉铁次的含硅量作离线预报研究，结果证明了模型的适用性。     

神经网络模型与时差方法结合的应用

将时差方法与人工神经元网络方法有机地结合起来，提出了一种在高炉铁水含硫量预报中的应用策略、并基于鞍钢10高炉操作过程．建立了高炉铁水含硫量预报专家系统。     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。