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。     

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,并最后通过分析指出,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.     

260吨转炉自动化炼钢模型开发与应用

近些年来,随着国家的发展,科技的进步,大量的自动化技术广泛应用于生产中去,本文将就鞍钢股份的260吨转炉中的自动化炼钢系统进行阐述。     

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．     

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.     

转炉静态机理模型与节能降耗

分析了转炉冶炼过程中的质量平衡与热平衡,建立了转炉静态机理模型,利用此模型预侧各典型钢种在各种冶炼条件下合适的原料加入量,并对技术经济指标的影响因素进行了分析,提出了节能降耗的有效措施.     

转炉静态机理模型与节能降耗

分析了转炉冶炼过程中的质量平衡与热平衡,建立了转炉静态机理模型,利用此模型预侧各典型钢种在各种冶炼条件下合适的原料加入量,并对技术经济指标的影响因素进行了分析,提出了节能降耗的有效措施。     

25t转炉自适应静态模型动态化控制

针对中小转炉不宜增设副枪检测,无法进行动态控制的实际状况,提出了自适应静态模型动态化控制的思想;首先建立自适应终点静态控制模型;然后根据枪位－加料模型进行吹炼并自动动态化控制知识库,修正枪位－加料模型及控制量,最后启动预报模型进行终点预报指导出钢。根据实际吹炼数据验证,终点控制模型具有良好的跟踪性,终点预报模型的终点Ｃ,Ｔ命中率分别达到６８％和６３％。     

应用COMI炼钢工艺进行转炉全铁水冶炼基础研究

基于二氧化碳与氧气混合喷吹(简称COMI)炼钢工艺热力学理论计算及实验研究,建立了转炉全铁水COMI炼钢工艺物料与能量模型.研究发现:应用COMI炼钢工艺进行转炉全铁水冶炼工艺研究不仅能解决转炉全铁水常规冶炼过程中存在的大渣量及大喷溅问题,而且在提高转炉煤气热值,降低转炉吨钢氧耗及石灰消耗、调节矿石加入量方面有显著效果.     

数学模型在转炉中的研究与应用

转炉炼钢静态控制是转炉计算机的基本控制方式,副枪动态控制以静态控制为基础。针对转炉炼钢过程中复杂因素的影响,通过数学方法研究开发出一套转炉炼钢数学模型。静态模型包括终点控制模型、供氧模型、造渣模型、底吹模型;动态模型包括脱碳速度模型、钢水升温模型和冷却剂加入量模型。     

转炉炼钢的物料结构优化

利用60 t转炉研究了采用不同含铁物料及不同比例石灰石炼钢时的钢铁料消耗、氧气消耗量和煤气产生量的变化规律.研究发现：当采用铁水作为原料,渣钢和块矿作为冷却剂时,钢铁料消耗最低,仅为1072.07 kg·t-1;当采用铁水和废钢作为原料,配有磁选渣铁时,钢铁料消耗最高,达到1092.91 kg·t-1;随着石灰石加入量的增加,钢铁料消耗增加,氧耗略有降低,吨钢煤气产生量增加.研究结果为炼钢过程优化物料结构、降低生产成本提供了新的方法.     

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     

硅铝钡钙复合脱氧剂在转炉炼钢中的应用

本试验采用钢液直接定氧的方式对硅铝钡钙与硅铝铁 硅钙两种脱氧工艺进行了比较 ,结果表明前一种工艺的脱氧效果明显强于后者。对使用复合脱氧剂前后钢的质量亦作了相关定量分析 ,结果表明部分质量检测数据得到改善。     

形式概念分析在基于事例推理中的应用

目的形式概念分析(Formal Concept Analysis,简称FCA)在基于事例推理(Case-basedReasoning,简称CBR)中的应用为完善领域知识的分类提供了一种有效的方法;FCA提供了一种事例的组织方式,使对事例库的直接访问变得容易。方法把原来的事例表示与组织方式转换成FCA所要求的形式。结果FCA可以提取嵌入在事例库中的隐含知识,这些以描述事例属性间的依赖规则形式的隐含知识可以用来帮助完成CBR的查询过程。结论FCA在CBR中的应用提高了事例检索的速度和结果的准确性。     

基于案例推理的磨矿分级系统智能设定控制

针对磨矿分级过程的关键工艺指标磨矿粒度难以用常规控制方法进行有效控制的难题,将智能设定方法与常规控制相结合,提出了基于案例推理的磨矿分级系统智能设定控制方法.以粒度指标的区间控制为目标,依据边界条件和运行工况等信息,由智能设定模型自动更新各基础控制回路的设定值,避免了人工设定的主观性及随意性,各控制回路跟踪更新的设定值,从而将粒度控制在目标范围内.该方法已成功应用于某赤铁矿选厂的磨矿分级过程,应用效果表明提出的方法是有效的.     

一种基于改进CBR模型的LF钢水温度预测方法

In the prediction of the end-point molten steel temperature of the ladle furnace, the influence of some factors is nonlinear. The prediction accuracy will be affected by directly inputting these nonlinear factors into the data-driven model. To solve this problem, an improved case-based reasoning model based on heat transfer calculation (CBR-HTC) was established through the nonlinear processing of these factors with software Ansys. The results showed that the CBR-HTC model improves the prediction accuracy of end-point molten steel temperature by 5.33% and 7.00% compared with the original CBR model and 6.66% and 5.33% compared with the back propagation neural network (BPNN) model in the ranges of [?3, 3] and [?7, 7], respectively. It was found that the mean absolute error (MAE) and root-mean-square error (RMSE) values of the CBR-HTC model are also lower. It was verified that the prediction accuracy of the data-driven model can be improved by combining the mechanism model with the data-driven model.