基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型。通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP和RBF神经网络模型进行了对比研究。结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导。     

基于MATLAB神经网络的复吹转炉终点氧含量的预报模型

钢水终点氧含量是转炉炼钢的控制目标，它与钢水碳含量、钢水温度等多个变量之间存在着严重的非线性关系。利用MATLAB环境，提出基于BP神经网络的转炉炼钢终点氧含量预报模型，并结合某钢铁企业一座90t转炉的实际数据进行了模型验证。结果表明，该方法收敛速度快，预报精度较高。     

LF精炼终点钢水温度灰箱预报模型

LF精炼工序在炼钢过程起着调节温度的关键作用,准确预报LF精炼终点钢水温度对实际生产有重要意义.传统的LF精炼预报模型包括机理模型与黑箱模型.机理预报模型能够体现各工艺因素对终点钢水温度的影响,但由于LF精炼传热机理研究尚不完善,依靠机理模型预报终点钢水温度,难以达到预期效果;黑箱预报模型能够准确预报终点钢水温度,但不能反映精炼过程各工艺因素对钢水温度的影响,尤其当生产工艺条件发生改变时,黑箱模型在应用上会受到限制.本文以方大特钢LF精炼炉为研究对象,建立一种机理预报模型与黑箱预报模型(BP神经网络预报模型)相结合的LF精炼终点钢水温度灰箱预报模型.该模型既能反映各工艺因素对终点钢水温度的影响,又能准确预测终点钢水温度,其终点钢水温度预测误差在±5℃以内的命中率可以达到95%以上.     

基于神经网络的转炉冶炼终点磷和硫含量预报模型

通过研究转炉冶炼终点磷、硫含量的影响因素.确定了影响冶炼终点的控制变量,根据人工神经网络技术,对常用BP算法进行改进,建立了基于神经网络的转炉冶炼终点双节点输出模型,实现了对终点钢水磷、硫含量同时进行预报,选取现场实际生产数据为样本,对模型进行训练,使模型对磷、硫含量的预报误差在±0.003%的命中率均达到了85%以上,预报精度达到了炼钢工艺的要求。     

基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型

氧气转炉炼钢的控制目标是终点温度和碳含量,但由于不能对其进行在线连续测量,直接影响了出钢的质量.针对该问题,提出一种基于膜算法进化极限学习机(ELM)的抗干扰终点预报模型.利用进化膜算法的全局寻优能力调整ELM网络参数,不仅避免了ELM网络受异常点影响出现过拟合现象,还可以寻找最优复杂度的ELM模型.将找到的ELM模型应用到转炉炼钢领域并建立终点碳含量和温度的预报模型.在仿真实验中,分别使用含有高斯噪声的标准sin C函数和氧气转炉炼钢实际生产数据进行仿真,结果表明所提模型在含噪声的数据中具有较好的预报精度和鲁棒性.     

基于RBF神经网络的热轧碳钢变形抗力预测

以凸轮式高速形变试验机得到的实验数据为基础,利用Matlab人工神经网络工具箱,建立了碳钢的变形抗力与其化学成分、变形温度、变形程度及变形速度对应关系的RBF神经网络预测模型.通过对函数newrb()中宽度系数的调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.结果表明,与传统的BP网络模型相比较,RBF网络模型具有更高的精度和较强的泛化能力.     

唐钢1700加热炉钢坯温度神经网络预测模型

根据唐钢1700生产线加热炉的实际生产数据,提出了三种神经网络的钢温预测建模方法,即分别采用BP神经网络、RBF神经网络、RBF-BP组合神经网络建立了钢坯出炉温度的神经网络预测模型,并利用MATLAB软件分别对三种模型进行了仿真。研究表明,RBF神经网络模型相比较BP有较快的学习速度,但是识别精度稍低。而RBF-BP网络模型结合了二者优点,并具有更好的泛化能力,识别精度更高。     

转炉优化配料与冶炼静态控制模型

在分析转炉炉料结构优化及 BP 预报模型特点的基础上,针对某厂50 t 转炉生产条件,构建了由优化配料、静态预测、过程控制、脱氧合金化和成本计算等模块构成转炉冶炼静态控制系统。以机理模型为基础、采用增量模型校正的优化配料模块,用以精确计算入炉料结构;以 BP 神经网络为基础构建了静态预测模块,对转炉冶炼终点碳和温度进行预测;以操作经验为基础构建了过程控制模块,动态给出冶炼过程控制的枪位曲线、加料时机和加入量;基于终点预测和全氧计算模型构建了脱氧及合金化模块,进而对转炉冶炼成本进行计算,构建了成本计算模块。通过本系统的开发,建立了全过程指导的炉料结构优化与冶炼静态控制,为现场生产提供了指导。     

基于主成分分析的短期PV/T组件温度预测

为进一步提高光伏/光热(photovoltaic/thermal,PV/T)综合利用系统中PV/T组件温度预测精度,该文采用主成分分析法对原始输入样本数据进行预处理,提取主成分,并利用遗传算法优化BP神经网络结构,对组件温度数据建立预测模型。仿真结果表明,相对于未经主成分提取的神经网络,该方法使得网络模型在晴天和多云天气条件下的预测精度分别提高了7.68%和4.97%,使得网络模型预测精度更高,泛化性能更强。     

基于ELM新方法的LF终点温度软测量混合模型

针对LF精炼炉冶炼过程中物理化学反应过程及传热过程的复杂性,采用混合模型对钢水温度进行软测量,将传统的机理模型与ELM新方法相结合,利用ELM智能算法校正机理模型中难以准确获得的参数,再用机理模型进行预测.这种混合模型既克服了传统机理模型难以准确实现的不足也避免了"黑箱"模型过分依赖数据的缺陷.同时ELM新方法也克服了传统BP算法的不足,使预测精度得到了提高.仿真结果表明,此混合模型具有较好的预测结果,终点温度预测误差不大于±5℃的炉次大于90%.