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。     

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。     

考虑时滞因素的RBF神经网络模型在高炉铁水硅预报中的应用

在高炉炼铁生产过程中,铁水硅含量反映高炉炉温,预测和控制炉温对高炉生产的节能、降耗、顺行至关重要.基于包钢6号高炉生产数据,建立了RBF神经网络铁水硅含量预测模型.研究表明:考虑时滞因素的RBF神经网络模型,当误差范围＜±0.10时,预报准确率达到了85％,其准确度高于不考虑时滞因素的RBF神经网络模型,对在线预测高炉铁水硅含量具有实用价值.     

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.     

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.     

铁水含硅量预报神经网络模型

针对我国高炉的检测水平，采用人工神经网络的方法建立了一种用于铁水含硅量预报的神经网络模型，该模型具有良好的适应性和自学习功能。     

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.     

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。     

温度预测模糊控制系统

将预测控制与模糊控制结合起来,形成一种预测模糊控制算法,并将该算法用于工业电阻炉的实时温度控制,获得了良好的控制效果。算法中,预测控制负责提高控制精度,模糊控制负责为实时控制提供预测模型未收敛时的控制量及模型收敛后的修正前控制量。     

基于T-S模型的模糊预测控制在列车速度控制器中的应用研究

针对列车的速度控制特点,提出了基于Takagi-Sugeno(T-S)模型的模糊预测函数控制方法.设计了一种列车速度模糊预测函数控制器,并针对不同运行状况以及列车在启动、停止以及运行过程中的特点采取相应的控制策略,将整个控制过程分为多个子空间,每个子空间对应一个线性预测模型,通过仿真研究,验证了该控制器具有良好特性曲线跟踪能力.     

基于模糊模型的大范围预测平均控制器

将预测控制思想推广到模糊模型，导出一一类基于模糊模型的大范围预测平均控制算法，仿真结果表明，当被控对象为一复杂动态过程时，此类算法明显优于单独模糊控制器和单独的预测控制器。     

步长自调整的预测模糊控制器的研究

在介绍灰色模型(GM)建模的基础上,把预测控制的思想引入到模糊控制器中。模糊控制器的两个输入变量为设定值,与灰色预测模型的输出值之间比较得到预测误差及其预测误差的变化率。并根据过程状态提出了一种预测步长自调整的模糊决策机制,进一步改善系统的控制性能,即把由模糊决策器得到的预测步长作为灰色预测模型的一个输入来控制。仿真结果表明,该方法具有良好的控制性能和实用价值。     

高炉生产过程的智能预测建模

针对高炉生产过程的复杂性、非线性以及强耦合、多变量、难测量等特点,提出铁水硅含量的智能复合多变量预测模型对高炉生产过程进行建模.整个系统分为两部分:首先离线建立不同工况下铁水硅含量的多变量预测模型:然后运用模糊逻辑推理建立各模型输出、实际输出与模型权重之间的对应关系,进行多模型智能融合,生成复合模型,并对其进行在线调整以优化预测过程.研究结果表明:采用此方法计算周期短,对被控对象的变化有较强的鲁棒性:该系统预测误差小,能够快速适应工况的变化,实用性好.     

模糊预测控制的实现形式

对模糊预测控制的实现形式进行了论述和分析。指出预测控制和模糊控制是复杂系统的两种控制策略,预测和模糊集合理论结合在一起,相互促进,可以进一步提高性能,文末对模糊预测控制进行了展望。     

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.     

基于预测--模糊联合控制的分布式驱动车辆路径跟踪方法

为研究分布式驱动车辆（4wid）路径跟踪中的跟踪精度和稳定性的问题,提出了模型预测-模糊(Mpc-Fuzzy)的联合控策略, 缓解了单一模型预测控制下车辆跟踪精度与控制器计算压力间的冲突。采用模型预测控制设计了上层路径跟踪控制器,旨在利用模型预测“滚动优化”的优点降低跟踪误差的同时保证车辆的稳定性。下层采用模糊控制,将转向过度和转向不足量化为“方向偏差”和“位置偏差”,利用四轮转矩独立控制的优点进一步优化转矩输出,旨在降低模型预测控制器对参考模型线性化后带来的跟踪误差。为验证控制策略的可靠性,基于Carsim和Simulink.、Driving Scenario搭建联合仿真模型,将联合控制器和单运动学模型预测控制器进行对比研究。仿真结果表明联合控制器可在完成对给定路径跟踪的基础上,减少转向不足和转向过度的发生,降低了方向误差和位置误差。     

Hammerstein-Wiener非线性系统的模糊预测控制

针对输入和输出受约束的Hammerstein-Wiener型非线性系统,提出一种基于T-s模糊模型的非线性预测控制算法,并用Lyapunov函数分析系统稳定性.通过建立T-S模糊模型,将预测控制器设计中的非线性优化问题转化为相应的线性优化问题;通过离线设计状态反馈控制律,在线实施符合条件的反馈控制律,极大程度地提高了在...