基于聚类分析和神经网络的高炉焦比预测模型

为降低高炉生产焦炭的消耗,对高炉操作参数和燃料比指标进行关联性分析,提出了一种组合聚类分析与神经网络进行高炉焦比指标预测的方法。聚类分析将数据集聚划分为几类,数据的相似度比较高,分类训练相应的神经网络模型,实现高炉焦比指标的预测。结合聚类分析构建的神经网络模型,用某高炉生产数据进行仿真学习,并跟传统的神经网络模型进行比较。结果表明,加入聚类分析的神经网络模型平均绝对误差降低3.13 kg/t,平均相对误差降低5.19%。     

基于BP神经网络的高炉焦化预测方法

焦比是高炉生产过程中的一个重要技术经济指标，也是实际生产中需要进行控制的目标之一。因为高炉反应的复杂性，采用传统的经验方法对焦比进行预测存在较大的误差，文章采用一个9－9－1改进的BP网络对高炉焦比进行预报，实验结果证明，经过训练的神经网络对高炉焦比有良好的预测效果，其预测误差小于2％，并根据生产实际探讨了将神经网络和专家系统相结合，对高炉焦比进行在线预报的可能性。     

基于辅料资源运行特性的高炉焦比预测

高炉冶炼过程运行具有非线性、大时滞、参数分布广等特征,是一个高度复杂的过程。其中焦比是高炉生产过程中最重要的技术经济指标之一,是高炉生产效率和能耗的集中体现。冶炼过程中煤、焦炭、氧气、石灰石、耐火材料等辅料资源在配合铁矿石等含铁主料资源转换成铁水的过程中,影响整个系统的资源消耗和环境排放,并形成不同的资源的转化效率。本文从辅料资源运行特性的角度对高炉综合焦比进行分析,采用拓扑结构为16-20-1改进的BP神经网络对高炉综合焦比进行预测。实践证明,该模型在对高炉生产数据进行学习后,其预测误差率低,具有一定的准确性和有效性。     

炼铁生产入炉焦化等指标的时间序列预测方法

研究了生产过程的时间序列预测方法,并对某厂炼铁生产的入炉焦比等指标进行预测,得到了较好的结果.文中阐述的基于BP神经网络的混沌时间序列预测方法,Box_Jenkins的自回归移动平均模型方法和混沌预测方法既有理论意义,也有实用价值.     

炼铁生产入炉焦化等指标的时间序列预测方法

研究了生产过程的时间序列预测方法 ,并对某厂炼铁生产的入炉焦比等指标进行预测 ,得到了较好的结果 .文中阐述的基于BP神经网络的混沌时间序列预测方法 ,Box_Jenkins的自回归移动平均模型方法和混沌预测方法既有理论意义 ,也有实用价值     

人工神经网络与遗传算法在高炉焦比预报中的应用

建立了遗传算法与BP神经网络相结合的高炉焦比预报模型.该模型用于预报在不同操作条件下适宜的焦比,寻求高炉诸多操作参数与焦比之间的映射关系,为高炉操作者提供调整炉况的依据.实际应用表明,该模型具有较好的命中率.     

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.     

高炉炼铁过程多目标优化模型的研究及应用

基于高炉炼铁过程的物质与能量守恒,采用多目标优化方法,建立了以能耗、成本及CO2排放为目标的高炉生产过程优化数学模型,并将该模型应用到某大型钢铁企业.编制程序得出优化结果,经与实际生产数据比较,验证了模型的正确性.优化结果表明:能耗、成本和CO2排放量均有不同程度降低.同时,利用模型分析了焦比、煤比、烧结矿品位等因素对...     

人工神经网络与遗传算法在高炉焦比预报中的应用

建立了遗传算法与BP神经网络相结合的高炉焦比预报模型。该模型用于预报在不同操作条件下适宜的焦比,寻求高炉诸多操作参数与焦比之间的映射关系,为高炉操作者提供调整炉况的依据。实际应用表明,该模型具有较好的命中率。     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.