高炉异常炉况判断专家系统及神经网络的实现

提出高炉异常炉况判断专家系统原理及实现方法。针对一般专家系统知识获取“瓶颈”现象，引入神经网络实现高炉异常炉况判断。仿真结果表明，这种方法实用可行，为高炉异常炉况判断采用神经网络实现提供了１个很好的实例。     

基于主元分析的高炉异常炉况检测

针对传统的故障检测方法在高炉异常炉况检测中效果不理想问题,提出了一种基于主元分析的高炉异常炉况检测算法.通过对于高炉冷风流量数据的分析,去除训练集中的热风炉换炉造成的扰动,建立高炉炉况准确的主元模型,进而监控高炉运行状况并检测异常炉况.利用柳州钢铁公司炼铁厂3号高炉的生产数据对算法进行了验证.基于现场历史数据的离线测试表明:算法实现了对于异常炉况的预先检测,预警时间提前于事故报告时间.     

高炉炉况预测模型的研究现状及展望

高炉炉况对高炉冶炼过程具有至关重要的影响,炉况的好坏直接影响生铁成本.高炉炉况预测模型分为基于知识和基于数据两大类,基于知识的预测模型难以应用于在线系统,但加深了人们对高炉冶炼过程的理解;基于数据的预测模型大多可在线应用,但缺少对高炉知识的应用.高炉炉况预测模型的发展方向是建立基于知识与基数据相结合的高炉炉况预测模型.     

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。     

高炉专家系统知识表达方法

分析了高炉炉况知识的特征。对各种知识表达方法进行了具体的分析并给出了实例,提出了采用“产生式规则＋框架＋语义网＋神经网络＋过程”的综合知识表达方法。     

基于神经网络的高炉异常炉况判断专家系统

采用反向传播网络作为揄机，构造了高炉异常炉况判断专家系统，该系统具有良好的自学习功能和联想记忆功能，系统采用离线学习方式，在线运行时，可将高炉操作实绩存入知识库，作为进一步学习的样本，从而提高了系统精度和联想能力。     

异常炉况高炉冷却板及炉衬非稳态温度场

以鞍钢新一号3200m3高炉冷却设备采用的冷却板为研究对象,探讨了异常炉况给冷却板寿命带来的危害,建立了异常炉况高炉冷却板及炉衬三维非稳态温度场数学模型,计算了当渣皮脱落、炉内煤气流温度突然升高、边缘气流发展时冷却板的温度变化,以及冷却水流速和渣层厚度对冷却板最高温度及热量损失的影响.     

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.     

高炉炉况评价系统的设计与实现

利用高炉指数化模型和评分方法来评价主炉炉况的好坏，提出了依据统计的观点，以提高炉况评价的符合率为目标的爬山搜索方法，其符合率为９６．３５％，构造了炉况评价系统中的参数自学习子系统，运行结果，其符合率为９３．７５％。     

Snort规则库在高炉专家系统知识库的移植

知识库及其相关技术为高炉专家系统各个模块提供数据支持和理论依据,组织恰当的知识库对于高炉专家系统是至关重要的。Snort作为优秀的开源入侵检测系统,其规则库的建立和处理方法是其优秀性能的基础,对高炉专家系统中知识库的构建具有很好的借鉴意义。介绍了Snort规则库结构,结合高炉特证参数,将Snort规则库结构重新定义,移植为高炉专家系统知识库三维链表结构,并用图例说明,最后说明基于该结构的推理过程。     

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.     

Snort规则库在高炉专家系统知识库的移植

知识库及其相关技术为高炉专家系统各个模块提供数据支持和理论依据,组织恰当的知识库对于高炉专家系统是至关重要的。Snort作为优秀的开源入侵检测系统,其规则库的建立和处理方法是其优秀性能的基础,对高炉专家系统中知识库的构建具有很好的借鉴意义。介绍了Snort规则库结构,结合高炉特证参数,将Snort规则库结构重新定义,移植为高炉专家系统知识库三维链表结构,并用图例说明,最后说明基于该结构的推理过程。     

氧气高炉多流体数值模拟与分析

为研究不同氧气高炉操作流程及操作参数对高炉内部过程产生的影响,预测氧气高炉流程各参数的变化规律,基于多流体理论、冶金传输原理、冶金反应动力学与热力学理论以及计算流体力学建立了普通高炉多流体模型,并在此基础上修改边界条件及内部相关参数,建立氧气高炉多流体数学模型。通过建立的模型分别对普通高炉和气化炉氧气高炉(GF-FOBF)流程中的氧气高炉进行了模拟计算,得到两种工艺流程下高炉内温度场、浓度场和速度场等典型参数的分布情况。通过对计算结果的对比,分析了氧气高炉操作条件下炉内状态的主要特征和相对于普通高炉发生的变化,发现氧气高炉内部速度场、温度场均发生变化,特别是气相组分的均匀分布问题明显。本模型可为氧气高炉流程试验及流程开发提供参考。     

长钢6号高炉强化冶炼实践

介绍了长钢6号高炉概况，论述了强化冶炼的措施和操作技术，阐述了适应高炉强化冶炼需要的措施。     

烧结矿高温抗压强度

烧结矿是高炉炼铁的主要原料之一,其强度的高低直接影响高炉顺行的程度,最终影响到生铁的产量和质量。高炉冶炼对烧结矿不仅有数量的要求,而更重要的是品质的要求,有了高质量的烧结矿做精料,高炉才能高产、稳产、低耗。