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.     

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.     

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.     

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。     

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.     

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.     

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。     

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.     

锌在高炉内渣铁中溶解行为计算分析

通过分析锌在高炉下部的行为,结合高炉物料平衡和锌平衡计算,建立锌在高炉内渣铁中溶解行为计算模型.定义高炉炉腹煤气锌含量指数,表征锌在高炉内的循环富集程度.运用某钢厂的实际生产数据进行计算,得出该高炉炉腹煤气锌含量指数为568;高炉炉渣、铁水中的锌均处于饱和状态,炉渣、铁水中的锌含量分别为最终冷态下炉渣、铁水中锌含量的316倍和10倍;同时分析了锌在高炉炉底砖衬的堆积机理和锌对高炉风口的侵蚀机理,提出减缓锌对高炉破坏作用的防治措施.     

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。     

基于数据挖掘的铁水硅质量分数SVM预测方法

提出了一种基于蚁群聚类算法数据挖掘预处理的支持向量机(SVM)预测方法.利用其在处理大数据量、消除冗余信息等方面的独特优势,寻找与预测炉况同等的多个历史铁水硅质量分数,由此组成具有高度相似炉况特征的数据序列,将此数据序列作为SVM的训练数据.这种处理方法可减少数据量,提高预测的速度和精度.将该系统应用于铁水硅质量分数预测中,与单纯的SVM方法相比,具有较高的预测精度.     

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.     

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。     

操作制度对邢钢2#高炉铁水含硅量的影响

对与邢钢2反复的一元和多元回归处理.结果表明,在目前的生产条件下,提高炉渣的碱度,将二元碱度控制在1.10～1.20之间,三元碱度控制在1.45～1.50之间;在维持高炉炉况稳定顺行前提下,进一步提高利用系数、煤比、富氧率、热风温度和炉顶压力有利于降低铁水含硅量.     

高炉铁水降硅的实验研究

从理论上分析了降低铁水中硅含量的三个途径:控制硅源;降低滴落带的高度;增加炉缸渣中的氧化性.在实验室进行了降低铁水中硅含量的实验,得到了铁水中硅含量的影响因素:提高二元碱度有利于降硅;增加渣中氧化物可降低SiO2的活度有利于降硅;Al2O3和SiO2不利于降硅;冶炼时焦炭中SiO2的挥发量随温度的升高而增多,使铁水中硅含量增加;随着滴落带高度的增加,铁水中硅含量不断增加.根据实验室研究针对唐山建龙公司高炉特点提出降低铁水中硅含量的措施,降硅效果明显,铁水中硅的质量分数由原来的0.55%左右降到了0.40%左右.     

含钛物料中护炉有效钛含量的控制模型

研究了含钛炉料在高炉炉缸内的还原行为及其对炉缸的保护机制,在此基础上建立了渣铁中有效钛含量的控制模型.根据高炉的实际生产参数实时计算炉渣中的有效TiO2含量、铁水中TiC析出的临界Ti含量及对应的析出温度,从而指导生产实践,为护炉过程参数的选取提供理论依据.在文中给定的生产参数条件下,计算出炉渣中有效TiO2含量(质量分数)应控制在08%~10%,能达到护炉效果的铁水中Ti含量(质量分数)应控制在011%~014%,并分析了铁水成分对TiC析出的影响.     

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.     

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.     

高炉铁水硅含量的智能预测

文章提出了一种基于T-S模型的自适应模糊神经推理系统的高炉铁水硅含量智能预测模型,采用模糊聚类算法对样本数据进行分析归类,自行生成模糊规则库,实现模型结构简化和参数优化,特别适用于高炉冶炼这类复杂的非线性系统的预测系统建模;仿真结果表明,该方法预测命中率高,具有很好的实用性.