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。     

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。     

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.     

高炉铁水含硅量神经网络预测模型

按现代控制理论,将高炉视作多输入-单输出系统。引入人工神经网络(ANN)方法,选定若干参数作为硅含量的相关变量,建立标准的三层BP网络铁水硅预报模型。用该模型对津西5#高炉的生产数据进行离线预报,允许误差为±0.1％时命中率达到81％。     

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.     

高炉铁水含硅量神经网络预测模型

按现代控制理论,将高炉视作多输入-单输出系统.引入人工神经网络(ANN)方法,选定若干参数作为硅含量的相关变量,建立标准的三层BP网络铁水硅预报模型.用该模型对津西5#高炉的生产数据进行离线预报,允许误差为±0.1%时命中率达到81%.     

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.     

高炉铁水含硅量预测的计算机在线实现

本文给出了铁水含硅量预测模型的三种在线辨识的方法，讨论了数据库的建立和多种预测模型的计算机在线实现。     

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。     

An Improved Artificial Neural Network Model for Predicting Silicon Content of Blast Furnace Hot Metal

Based on the skills of initializing weight distribution, adding an impulse in a neural network and expanding the ideal of plural weights, an artificial neural network model with three connection weights between one and another neural unit was established to predict silicon content of blast furnace hot metal. After the neural network was trained in the off-line state on the basis of a large number of practical data of a commercial blast furnace and making many learning patterns, satisfactory testing and simulating results of the model were obtained.     

利用神经网络外推预测干燥过程降水率

利用神经网络所具有的捕捉过程输入－输出之间的非线性关系的能力和强大的学习推理能力,给出了一种基于神经网络的外推预测垂直对撞流干燥过程降水率的方法．为提高预测的快速性和准确性,针对ＢＰ算法学习参数难以确定的缺点,给出了一种基于目标函数的一阶和二阶导数同时优化学习率和确定动量系数的方法,并将此法应用于外推预测物料降水率的过程之中．仿真结果表明,对于运动规律十分复杂、目前仍无法从其内部的运动机理和传热传质特性出发建立干燥特性预测模型的一类高强度的干燥方式而言,文中所提出的神经网络模型能够较正确、快速地预测干燥过程中物料降水率的变化．     

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.     

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.     

改进BP网络在铁水预脱硫终点硫含量预报中的应用

针对本溪钢铁集团有限公司的铁水罐喷吹CaO+Mg复合粉剂脱硫过程,采用BP神经网络建立铁水预处理终点硫含量预报模型.在模型建立过程中,为了克服标准BP算法迭代次数多、收敛速度慢的缺点,采用新的自适应调整学习率方法和最大误差学习法对标准BP算法进行了改进.用1 900炉数据进行模型训练,经100炉数据现场验证表明,有12%的炉次预报值与实际值完全一致,有89%的炉次误差≤0.003%,平均误差为0.002 0%.