基于改进主观贝叶斯方法识别电熔镁炉异常工况

电熔镁炉熔炼过程信息包含大量的不确定性，基于大数据分析的方法难以应用.为准确识别电熔镁炉熔炼过程的异常工况，提出一种基于改进的主观贝叶斯在线规则推理方法.传统的主观贝叶斯方法参数赋值范围过大，针对这一问题，使用映射函数将参数赋值范围缩小到有限区间，以提高方法的实用性.在规则推理时，使用模糊隶属度函数对观察和证据进行模糊匹配，以提高工况识别的鲁棒性和准确率.仿真分析表明该方法可以有效描述规则中的不确定性信息，准确识别电熔镁炉熔炼过程的异常工况.     

微波消解石墨炉原子吸收法测定丁香中微量元素镍

用微波消解石墨炉原子吸收法测定[1]丁香中的微量元素镍。选择最佳微波消解条件和测定条件,对样品多次测量,回收率为89.6%-110%,样品丁香中镍的含量为1.06μg/g。该方法测定具有灵敏度高,重现性好,简单快速等特点,为丁香的进一步开发提供科学依据。     

Foundation of three—dimensional mathematical models for glass furnace regenerator

This paper presents a practical three-dimensional meathematical model of circulation and heat transfer in generator of glass melting furnaces.The model was based on the heat transfer between the smoke flow and the lattice units,and between the air flow and the lattice units.This model not only bypassed the difficulty of complicated computation of the heat transfer process in the regenerator of glass furnaces,but also avoided the irrationality of fixing the temperature distribution on the surfaces.Use of the model yielded very important data and also the method for the design of the regenerator of glass furnaces in practical production.     

感应加热钢包炉电磁与结构优化

感应加热钢包炉是国外新发展的一种二次精炼及加热设备，具有高效、低能耗、无污染的特点，本文在感应加热钢包炉电磁与结构分析工作的基础上，用电磁场数值模拟方法对感应加热钢包炉的电磁设计和包壳结构进行优化。     

谐波使电能质量异常的分析和对策

文章论述了电力谐波的产生原因和其对供电质量造成的影响,并且结合实际生活中问题,对谐波的产生进行了分析,在分析基础上提出了解决该问题的方案,文章将理论和实际很好的结合起来,对于现实生活中的谐波治理具有较好的参考价值.     

浅谈步进梁式加热炉炉底设备的安装

介绍了新钢厚板厂2#加热炉炉底斜轨座、提升框架、平移框架、水梁及立柱的安装施工过程。     

石墨炉原子吸收光谱法测定泛昔洛韦中痕量钯

采用石墨炉原子吸收光谱法测定泛昔洛韦中痕量钯。用1%盐酸处理样品,氘灯背景校正。3种不同浓度的加样回收率分别为101.3%、105.3%、109.5%、RSD分别为4.3%、0.8%、1.5%。     

分解炉虚拟样机的开发

以水泥生产过程中的分解炉为对象，分析了分解炉内具体的物理化学过程，同时开发了反映分解炉工作过程(流体力学、燃烧学、分解动力学、颗粒动力学)的数学模型，借助数值模拟方法进行了分解炉虚拟样机的开发，为分解炉的设计与开发提供了试验平台。     

运用主成分分析和深度神经网络预测钢包炉合金元素收得率的研究

钢包炉（ladle furnace,LF）精炼的核心任务之一是进行钢水合金化过程,以保证钢包到达连铸平台后满足钢水成分要求。钢水合金化也是较为复杂的物理化学反应过程,其不仅对钢水温度有影响,而且对钢水质量、合金料消耗量均有影响。因此,实现LF精炼过程中合金元素收得率的精准预测具有重要意义。本研究首先采用主成分分析法（principal component analysis,PCA）对模型输入变量进行处理,用于简化实际生产数据结构;然后,融合SGDM算法和L2正则化方法,构建了深度神经网络（deep neural network,DNN）;最后,采用主成分分析和深度神经网络相结合的方法,建立了合金元素收得率预测模型。结果表明,Si元素收得率命中率在±1%, ±3%和 ±5%误差范围内分别为54.0%、93.8%和98.8%;Mn元素收得率命中率在±1%, ±2%和 ±3%误差范围内分别为77.0%、96.3%和99.5%。此外,PCA–DNN模型的预测精度优于参考炉次法、多元线性回归模型、改进BP神经网络模型和DNN模型,有助于实现钢水成分的“窄窗口”控制。本研究中合金元素收得率预测模型的建立,也可为LF智能精炼合金化控制模型的开发提供支撑。