基于灰箱模型的LF精炼终点温度预测

以国内某钢厂一30 t LF精炼炉为研究对象,通过建立由传热机理模型和黑箱模型相结合的灰箱模型对LF精炼终点温度进行了预测。首先根据能量守恒定律建立了传热机理模型。针对包衬耐材的蓄热以及合金的热效应难以精确计算的问题,采用偏最小二乘黑箱模型对这一部分温度进行了处理,最后将两种模型相结合综合预测了LF钢包精炼的终点温度。结果表明,偏最小二乘法在预测包衬的耐材蓄热和合金热方面的温度误差在±5℃以内的命中率达到97%以上,总的灰箱模型预测LF精炼终点温度误差在±5、±8、±10℃以内的命中率分别达到88%、96%和99%,模型具有较高的预测精度。研究可为该钢厂的LF精炼工艺提供指导。     

转炉冶炼过程中合金成分控制模型

通过对转炉冶炼过程脱氧和合金化过程的分析,采用参考炉次法处理合金元素收得率参数,并采用多元线性规划方法对合金化操作进行最优化计算,得到工程实用的脱氧和合金化控制模型·通过该模型的应用,可以保证按照各钢种成分要求实现准确、经济地进行转炉出钢时脱氧和合金化操作,使钢水成分达到要求范围,实现钢水的窄成分控制·     

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.     

待发表文章摘要预报

转炉冶炼过程中合金成分控制模型龚　伟 ,姜周华 ,郑　万 ,陈念铀通过对转炉冶炼过程脱氧和合金化过程的分析 ,采用参考炉次法处理合金元素收得率参数 ,并采用多元线性规划方法对合金化操作进行最优化计算 ,得到工程实用的脱氧和合金化控制模型·通过该模型的应用 ,可以保证按照各钢种成分要求实现准确、经济地进行转炉出钢时脱氧和合金化操作 ,使钢水成分达到要求范围 ,实现钢水的窄成分控制·冷连轧动态变规格在线过程控制原理与应用王军生 ,矫志杰王军生 ,赵启林王军生 ,刘相华根据国内某 1 2 2 0冷连轧机组生产实际情况采用逆流直接求解…     

基于BP神经网络对脱氧合金冶炼中元素收得率的预测

为了准确地预测炼钢生产中脱氧合金化过程中元素收得率,本研究基于BP与RBF神经网络模型对脱氧合金冶炼中元素收得率预测精度进行对比分析。结果表明:(1)根据预测结果精度确定脱氧合金冶炼中元素收得率预测使用BP神经网络模型;(2)基于BP神经网络模型对脱氧合金冶炼中C、Mn两种元素收得率进行预测分析得出:C元素收得率预测区间为[0.894 9,0.901 2]、 Mn元素收得率预测区间为[0.904 5,0.919 5]。基于BP神经网络模型能够较为准确地预测脱氧合金冶炼中元素收得率区间,从而控制合金用量,达到降低炼钢成本的目的。     

基于因子分析对合金元素收得率的影响因素研究

为了在控制成本的前提下保证成品钢质量,钢铁企业将合金元素收得率的控制作为脱氧合金化工艺的一项关键内容。对钢水脱氧合金化工艺中合金元素收得率的影响因素进行研究,首先根据历史真实数据,按钢种和转炉终点温度分类计算C、Mn元素收得率;其次采用因子分析方法,对C、Mn两种元素分别选取13个可能的影响因素,利用SPSS软件建立C、Mn两种元素收得率影响因素的因子分析模型,分别得到5个和4个因子,并根据相关化学原理,对各因子进行解释;最后得出结论:钢水脱氧合金化工艺中合金元素收得率的影响因素主要为加入物质的脱氧能力、加入物质中对应元素的含量、合金添加剂的量和外部条件。     

钢包精炼LF炉的控制开发和系统优化

随着电弧炉冶炼技术的不断发展,电弧炉炼钢日渐成熟,电弧炉和钢包精炼LF炉得到广泛的推广应用。钢包精炼LF炉作为电弧炉的一个分支,本文以钢包精炼LF炉为基础共同探讨钢包精炼LF炉的控制系统开发和优化。     

出钢过程钢水净化工艺优化研究

介绍了转炉在出钢过程强化钢水净化的工艺,实验结果表明:该工艺能在较短时间内降低钢水及熔渣氧化性,利用出钢过程良好的动力学条件进行脱硫,从而提高了LF精炼炉的精炼效果,显著提高了钢水纯净度.通过对工艺的优化和完善,可使部分钢种不经LF炉处理也能满足品种钢性能的要求,进而缓解LF炉作业压力,减少了LF增碳增硅的几率,提高了低碳低硅钢的成分命中率.     

钢包炉（LF炉）电极控制系统研究

钢包炉（LF炉）是目前炼钢主要的炉外精炼设备之一，LF炉通过电孤加热、炉内还原气氛、气体搅拌等手段。强化热力学和动力学条件，使钢水在短时间内升温、成份调整、脱硫、脱氧、去夹渣、均匀钢水成份和温度，扩大产品品种；并作为转炉，VD／RH与连锋机的中间环节，使钢包精炼炉、VD／RH，连铸协调生产实现多炉连浇，确保连铸机稳定生产。     

基于特征构建的钢包精炼炉元素收得率预报

元素收得率的预报是钢包精炼炉(LF)合金化的难点与关键点.为提高其预报精度,通过机理分析确定了元素收得率的主要影响因素,由于这些影响因素在生产中无法即时获得,因此使用基于文法进化(GE)的特征构建方法间接获得所需影响因素,最后将构建后的数据作为模型输入建立收得率预报模型.依据问题背景对文法进化算法进行了改进,改进后的方法可以充分利用可测数据,解决了冶炼过程中重要数据无法获得的问题.将该方法应用于Q345B钢种Mn,Si元素收得率的预报,实验结果表明使用本方法可以有效提高模型的预报精度.     

LF钢水成分与温度控制模型

以钢水、渣、包衬为研究体系,建立了钢水成分与温度控制模型.温度控制精度在±3℃以内,在补加系数法的基础上考虑了合金的收得率,推导出合金添加计算公式,使计算精度进一步提高.     

基于改进极限学习机的转炉出钢合金化锰收得率预测模型

针对转炉炼钢出钢合金化过程合金的加入量偏差较大的问题,为更精确地控制合金加入量,以某钢厂冶炼HRB400钢出钢过程加入硅锰合金为例,建立基于极限学习机算法的Mn元素收得率预测模型,并引入正则化方法和改进粒子群算法(IPSO)对极限学习机算法进行优化,以提高模型的泛化能力和预测精度.研究结果表明:Mn元素收得率预测相对误...     

LF-RH工艺生产超低硫钢钢水温度预报模型

根据LF-RH精炼超低硫钢的工艺流程,基于冶金热力学、传热和热量平衡等原理,同时考虑钢包的热状态,建立出钢至浇注过程中的钢水温度预报模型。通过该模型可以得到不同时刻钢水温度和钢包内衬温度的分布曲线。实例验证结果显示,模型计算值与实测值的平均误差为5.6℃,误差在±8℃以内的占87.5%。另外,运用该模型分析了钢包热状态、出钢过程、传运时间、RH真空室内壁温度等因素对钢水温度的影响规律,可为超低硫钢精炼工艺的优化提供参考。     

基于模糊线性规划对钢水脱氧合金化配料方案的优化研究

为了确定炼钢中的脱氧合金化的优化方案,减少合金材料消耗的经济成本,通过建立元素收得率模型,并采用遗传算法优化阈值和权值的BP神经网络模型对元素收得率进行预测,然后以三角模糊数确定的隶属函数,构建模糊线性规划模型来计算出合理的材料添加量。结果表明:筛选出的合金配料方案比原先方案节约17.23%的经济成本,对炼钢生产中提高钢种品质和节约生产成本具有一定的参考价值。     

LF炉钢液成分微调合金计算公式推导与解析

为了发挥LF炉精炼优质钢及流程节奏调节能力的作用,开展了LF炉过程优化主要内容之一的钢液成分微调优化的研究.该研究有利于:实现快速准确的合金计算,缩短处理周期,提高流程节奏调节能力;实现自动称量、自动加入,减轻劳动强度;可对钢液成分实现下限控制,尤其对贵重合金,降低合金消耗;可对钢液实现窄成分控制,提高钢质量,实现一材多用,等.为建立LF炉钢液成分微调模型,给出了合金计算公式的推导过程及公式的解析,并给出LF炉钢液合金成分微调模型框图,为LF炉过程优化奠定基础.     

低碳含铝钢LF炉精炼工艺及精炼渣的优化

针对低碳含铝钢转炉生产的粗钢水[O]含量高和钢水[C]低的特点,提出了采用CaO-Al2O3的LF炉精炼渣系.为兼顾脱硫和吸收同化夹杂的需求,可选取(质量分数)CaO=55%～60%,SiO2=4%-7%,Al2O3=28%～32%,MgO=4%～8%,CaO/Al2O3=1.7～1.9作为LF炉精炼终渣组成.出钢过程中采用渣洗工艺向钢包内加入大部分精炼渣、出钢末期对转炉下渣还原处理的造渣模式,结合足够的软吹Ar时间,对16MnR进行精炼,得到了脱硫率为61.8%,铸坯T[O]为22×10-6,铸坯中大型夹杂总量为15.68mg/10kg钢的良好冶金效果.     

基于变异粒子群优化与深度神经网络的航空弹药消耗预测模型

为了提高航空弹药的供应保障效率,将变异粒子群优化(MPSO)融入深度神经网络(DNN),研究航空弹药训练消耗预测问题。通过DNN确定网络各层的最优激活函数,基于MPSO参数寻优得到网络各层最优的权值和阈值,进而构建MPSO与DNN融合的航空弹药训练消耗预测模型。实验研究表明,该文组合预测模型在对5年数据的预测中均方误差为0.000 9,与粒子群优化-深度神经网络(PSO-DNN)模型、DNN模型以及反向传播神经网络(BPNN)模型相比具有更好的预测性能。     

基于多元回归模型分析影响合金元素收得率主要因素

该文针对国内炼钢厂难以实现合金配料的自动优化和成本配置问题,运用多元回归分析判断钢产品C、Mn元素收得率的影响因素主要是转炉终点元素和合金加料量。对钢产品的数据按照钢号不同进行筛选分类后,根据钢水中合金的元素收得率,分别计算出元素C、Mn的收得率,其中C元素历史收得率为0.90,Mn元素的历史收得率为0.93。     

LF炉精炼过程钢水温度预报技术

基于LF炉精炼过程,以钢水和炉渣为研究体系,通过对其能量收入和损失的系统分析与计算,利用热平衡规律,详细推导并建立了钢水升温速率模型·其中钢包包壁的传热机制(包括包侧壁和包底)分别采用圆柱坐标下和直角坐标下的一维非稳态导热微分方程及其初始条件和第三类边界条件来描述,以有限差分方法求解·编制成计算机程序对实际过程模拟仿真·仿真结果与实际值的误差均在±5℃之内     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。