基于一类GA—RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题．针对传统的控制方法控制效果差、精度不高，难以达到期望结果的问题，结合RBF神经网络的特点，提出用基于混合编码方式的混合遗传算法训练的RBF神经网络，同时优化网络的结构和参数，并利用RBF神经网络建立转炉炼钢静态模型．仿真结果表明，该模型具有在线调整和学习的功能，比传统模型具有更好的计算精度和适应能力，为提高转炉冶炼过程的控制精度给出了一个有效的方法．     

石灰石转炉炼钢的静态模型

研究了石灰石代替石灰炼钢的新方法.从理论上分析了石灰石代替石灰转炉炼钢的可行性,结合热力学分析,建立了CO2与［C］,［Si］,［Mn］和［Fe］反应的基于吉布斯自由能的分配模型.根据物料平衡和热平衡计算,求解线性方程组,得到不同石灰石替代比例条件下的各种物料消耗,确定了石灰石最大替代比,并重点研究了转炉煤气成分和产量的变化,最后考察了石灰石炼钢的成本.在本研究条件下的结果表明,可以在转炉中使用石灰石炼钢,石灰石最大替代比为71%;随着石灰石替代石灰比例的增加,废钢消耗降低,CO2体积分数降低,石灰石炼钢的成本逐步下降,吨钢铁水消耗提高,CO体积分数增加,转炉炉气质量提高.     

人工神经网络在转炉炼钢控制中的开发

转炉炼钢是一个非常复杂的很难用数学方程精确描述的高温冶金反应过程，人工神经网络因其具有较强的非线性问题处理能力且容错性强而得以在钢铁工业中应用。本文叙述了其开发现状，并最后通过分析增出，神经网络必将在炼钢生产过程中得到广泛的应用并起到不可估量的作用。     

转炉炼钢综合自动化系统

研究设计了转炉炼钢综合自动化系统,介绍了其结构和原理,讨论工业现场经常出现的调试难点及相应的解决方法。     

基于因果关系的CBR模型用于转炉炼钢静态控制

转炉炼钢静态控制是动态控制的基础,准确的静态控制对于改善动态控制质量、提高终点命中率具有重要意义.采用案例推理方法建立了转炉炼钢静态控制模型,计算了吹氧量和冷却剂加入量;并将因果关系分析用于案例属性的确定,增强了属性选择的有效性,降低了模型计算的复杂度.对一座150t转炉的实际生产数据进行仿真,结果表明,因果关系分析能够有效地确定案例属性,基于案例推理的转炉炼钢静态控制模型是切实可行的.     

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。     

企业转炉炼钢过程中烟气外溢控制方法研究

常规的烟气外溢控制方法以排烟能见度为约束条件,终点温度过高,无法有效控制烟气外溢。基于此,文章进行了企业转炉炼钢过程中烟气外溢控制方法的研究。提取企业转炉炼钢的烟气流量变化特征,在转炉内气体流量不变的条件下,分析转炉汽化冷却烟道内的流动、传热状态,从而作出针对性的外溢控制。在吹炼初期选择纯物质作为标准态,控制烟气活度低于低烟气范围内的值,从而平衡烟道内炉烟气反应,控制炼钢过程中烟气外溢的浓度。采用对比实验,验证了该方法对烟气外溢的控制效果更佳,能够应用于实际生产中。     

基于粗糙集的转炉炼钢知识发现模型

针对转炉炼钢知识发现的特点,采用粗糙集理论进行分析,应用数据清洗、标准化及离散等方式对转炉炼钢生产数据进行预处理,以炼钢生产的主要影响因素作为知识发现的条件属性,以转炉冶炼终点控制目标作为知识发现的决策属性,建立了基于粗糙集方法的转炉炼钢知识发现模型,实现转炉炼钢生产知识的自动发现、获取和规则提取。以转炉冶炼终点钢水温度的变化规律做为知识发现的决策属性,采用210 t转炉炼钢实际生产数据进行模型的应用测试,结果表明提取出的铁水硅含量、铁矿石质量、氧气消耗量等影响因素对转炉冶炼钢水终点温度存在重要影响,且模型提取出的转炉炼钢终点钢水温度知识规则与现行转炉炼钢现场的变化规律一致,证明基于粗糙集方法的转炉炼钢知识发现模型的有效性。     

转炉炼钢智能控制系统

采用神经网络作为转炉炼钢的预报模型和控制模型,并将终点温度和终点碳含量作为控制目标值,计算氧气补吹量和冷却剂的补入量,从而实现转炉炼钢的终点控制.仿真结果表明,终点温度和终点碳含量仿真结果很理想,控制策略很有效.     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

转炉炼钢计算机控制系统

采用控制技术、检测技术和计算机技术研制出适用于中小型钢厂的转炉计算机控制系统 .该系统在实际应用中已取得较好的效果     

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。     

利用RBF神经网络实现聚合反应的内模控制

文中研究基于径向基(RBF)神经网络算法的内模控制策略在苯乙烯本体聚合反应相对分子质量分布控制领域的应用。利用神经网络对非线性系统的逼近能力，把内模控制推广到聚合反应过程质量指标控制这一非线性系统中。针对建模过程中存在的稳态误差，在训练数据中增加了部分静态数据，有效的提高了模型的验证精度，大大改善了由神经网络构成的内模控制器的控制精度，消除了系统余差。仿真结果证明，基于神经网络算法的内模控制策略达到了较好的控制质量。     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

不稳定时滞过程的神经网络内模控制方法

不稳定时滞过程在过程工业中较为常见,常规方法难以控制。提出了一种双反馈环控制方法,首先采用内部反馈镇定,然后采用神经网络构造内模控制系统,解决了模型与实际过程存在偏差、不稳定性等问题。仿真结果调节时间短,控制精度高,表明了神经网络内模控制方法的有效性和优越性。     

用混合遗传算法实现神经网络快速训练

快速神经网络训练算法的研究是人们所关注的问题之一。经过分析与研究 ,遗传算法是一种全局并行随机搜索优化算法 ,具有很强的全局搜索能力 ,而 BP算法的局部搜索能力较强。文章将两者结合起来 ,形成一种混合遗传算法 ,并就混合遗传算法的原理及其在实现时所涉及到的许多策略问题进行了分析比较 ,仿真结果表明它具有收敛速度快和不会陷入局部极小的特点。     

转炉终点锰预报模型的开发

探讨转炉炼钢终点锰预报模型的建模技术 模型分为两种 :代数学模型和人工神经网络模型 代数学模型采用多元线性回归方法建模 ,该模型简单、可视 ,但仿真结果并不理想 人工神经网络模型在选取适当输入参数的基础上 ,通过对转炉生产的历史数据进行训练 ,求得合理优化的网络权重 ,可对转炉终点锰含量进行离线预报 ,该模型的仿真结果很好 ,当预报误差精度|ΔMn|≤ 0 .0 2 5 %时 ,预报命中率超过 95 % ,为今后转炉的在线锰预报和快速出钢模型的研制提供依据和技术支持