运用ARIMA模型预测烧结矿成分

利用目前广泛应用的自回归积分移动平均法(Auto Regressive Integrated Moving Average)建立ARIMA(p,d,q)模型,用以预测烧结矿化学成分。由于其建模过程复杂,特别是模型结构阶次识别与检验繁琐,故使用专业软件EVIEWS5.0完成建模过程,构建了TFe,FeO,Ro的ARIMA模型。通过严格检验,模型拟合度高,拟合效果特别显著,残差为白噪声序列。用模型超前12步(24小时)预测烧结矿成分,其预报结果完全适合生产要求,实际应用取得了明显效果。

基于工业无线以太网的烧结矿成分监测系统

针对我国烧结矿成分检测采样化验实效不足和控制调整时滞严重的现状,在引进新兴的基于PGNAA技术的带式输送式烧结矿物料成份在线检测装置基础上,设计并开发了一种烧结矿成分波动实时监测系统。利用OPC技术和工业无线以太网建立PLC和现场设备、监控中心上位机之间的通讯网络,通过工业组态软件InTouch远程观察并记录烧结矿成分的变化趋势,为烧结矿质量控制和高炉稳定运行提供保障。经过试验安装调试,该系统性能稳定可靠,符合烧结生产实际需求。

基于数据建模的烧结矿成分预测

为减少烧结矿化学成分和质量波动,采用改进的遗传规划算法HGP,建立了2种关键的烧结矿化学成分的预测模型。HGP算法利用在初始种群中加入部分机理经验的方式,融合机理和数据分析进行综合建模;采用反馈校正的思想,对模型多次修正,提高模型的精度。实验表明建立的烧结矿化学成分预测模型的有效性。

烧结矿化学成分控制专家系统的开发与应用

采用基于改进BP算法的人工神经网络模型,提前预报了烧结矿的R和TFe、SiO2含量,将模型的预报结果转化为规则的输入,设计了基于经验规则的专家系统,结合R、TFe的变化趋势和配料计算提前调整原料的配比。系统正式投入运行后,烧结矿碱度(R)预报命中率达到91%,全铁(TFe)预报命中率达到94%,操作指导建议采纳率为92%,实现了对烧结矿化学成分的稳定控制。

基于BP神经网络的烧结矿化学成分预报模型与仿真

烧结矿化学成分的测量是钢铁工业中的关键和难点,并且容易受到烧结几乎每一个操作环节的影响。本文利用BP神经网络建立烧结矿化学成分的预报模型。通过对现场实际数据进行仿真,表明该方法鲁棒性强,准确性高,泛化能力广,具有很强的实用性和推广价值。

基于LS-SVM的烧结矿化学成分软测量模型研究与应用

由于烧结过程所具有的大时滞性和动态时变性,采取一些依赖于对象数学模型的传统控制理论和方法难以解决烧结矿化学成分的波动问题;因此,烧结矿化学成分的预测和控制长期以来一直是钢铁企业中的一个难点;为此,根据烧结过程所具有的特点,提出了基于最小二乘支持向量机的烧结矿化学成分的软测量模型的研究,利用支持向量机建立烧结矿化学成分的预报模型;通过对现场实际数据进行仿真表明,该方法鲁棒性强,准确性高,泛化能力广,具有很强的实用性和推广价值。

基于自适应预报的专家控制系统在烧结矿化学成分控制中的应用

烧结矿化学成分主要包括R,TFe,SiO2,CaO,MgO和FeO等。控制烧结矿化学成分,主要是控制其稳定性。国内外生产实践表明,烧结矿化学成分的波动对高炉影响很大,但是,目前烧结矿化学成分波动大又是高炉原料的一个突出问题,因此,稳定控制烧结矿化学成分非常重要。应用现代控制理论的观点,在观察和分析问题时撇开其复杂的内部机理,根据可采集到的系统大量随时间变化的输入输出数据,利用系统辨识的方法,建立了基于烧结矿化学成分自适应预报模型的专家控制系统。

基于BP神经网络的烧结矿化学成分预报模型与仿真

烧结矿化学成分的测量是钢铁工业中的关键和难点,并且容易受到烧结时每一个操作环节的影响。介绍利用BP神经网络建立烧结矿化学成分的预报模型。通过对现场数据仿真,表明该方法鲁棒性强、准确性高、泛化能力广,具有很强的实用性和推广价值。

配加钢渣对包钢烧结矿指标的影响

文章介绍了包钢一烧车间配用钢渣后对烧结矿指标的影响,结果表明,配用钢渣后,利用系数没有明显变化,烧结矿w(TFe)、w(SiO2)和w(P)均有一定程度的提高,转鼓强度得到提高。

基于神经网络的烧结矿综合性能预测

烧结矿的质量和成分稳定都将直接影响到炼铁生产的产量、质量及能源消耗。稳定控制烧结矿化学成分和科学分析烧结能耗对降低炼铁成本、节能减排具有重要意义。应用MATLAB的m文件编辑器直接编写代码,基于BP神经网络,建立了烧结矿两种重要化学成分(TFe和FeO)、烧结成品率和烧结固体燃耗的预测系统。利用取自现场的生产数据对预测模型进行了训练。现场应用结果表明,预测系统准确率高,稳定可靠,进一步提高了烧结生产率,降低了生产成本。

榆钢公司烧结矿低温还原粉化指数影响因素研究

结合烧结配料结构、烧结矿成分、工艺生产操作参数与低温还原粉化指数数据的对比分析,研究影响烧结低温还原粉化指数的影响因素。结果表明:烧结矿SiO_(2)、CaO、FeO、MgO的升高有益于低温还原粉化指数的升高,另外生产过程工艺参数(点火温度、主管温度、主管负压、煤气质量)对烧结低温还原粉化指数也有较大影响。

提高铝含量对烧结矿质量的影响研究

利用烧结杯设备,通过改变配矿主要是含铝较高的褐铁矿品种,在试验条件下研究其不同铝含量和配比条件下烧结矿物理性能、低温还原粉性能变化,在确保烧结矿产质量前提下,为后续提铝扩大高铝折扣褐铁矿的使用提供指导。

低硅900mm厚料层慢机速烧结的生产实践

目前出现高炉铁水硅高和烧结矿的成分指标波动等问题,主要是烧结矿中的硅高和料层厚度不够的原因造成的。根据高炉的生产需求和现实原燃料的实际情况,通过调整配比、加强一混、二混制粒效果、减少漏风率和降低机速等措施,将料层厚度增加到900 mm,烧结矿的质量得到明显改善。

基于EEMD和机器学习的烧结矿FeO成分长短期综合预报

炼铁讲“七分原料,三分操作”,烧结矿是高炉炼铁的主要原料,FeO成分是影响烧结矿还原性、强度和粒度的重要指标,也是影响高炉铁水产量和燃料比的重要因素。因此,及时精确地掌握烧结矿FeO含量对于指导高炉炼铁的顺利生产具有显著作用。针对烧结矿FeO成分检测结果延时、精度差的问题,提出并建立一种集合经验模式分解EEMD和机器学习的FeO成分长短期综合预报模型。针对烧结数据进行探索性分析,挖掘了烧结数据存在的特性,有根据地采用箱线图和滑动窗口处理数据,保证了数据价值,为建模夯实了数据基础。综合模型包含2个模块。长期预报模型应用EEMD分解波动型FeO成分数据,降低输入数据的复杂性,以双向长短期记忆神经网络Bi-LSTM进行3 h内FeO成分的提前预报;短期预报模块融合EEMD、特征选择和提取方法构造衍生特征,增强模型对于输入和目标数据的学习能力,以极限树ET对下1 h的FeO成分进行预报。在未知烧结数据测试集的验证下发现,EEMD辅助机器学习建模能够大幅提升FeO成分预报精度和稳定性,EEMD-Bi-LSTM和EEMD-ET模型的平均绝对百分比误差M_(APE)为1%左右、均方误差M_(SE)为0.027左右,误差接近零值。预测区间命中率最高能达到94%以上,FeO成分预测趋势与真实情况一致。此结果有助于现场实现FeO成分趋势和数值的精准提前把控。

基于BP神经网络的烧结矿化学成分预报模型与仿真

烧结矿化学成分的测量是钢铁工业中的关键和难点,并且容易受到烧结几乎每一个操作环节的影响。利用BP神经网络建立烧结矿化学成分的预报模型。通过对现场实际数据进行仿真,表明该方法鲁棒性强,准确性高,泛化能力广。

基于SVM的烧结矿智能预测关键技术研究

研究了烧结矿化学成分智能预测的若干关键技术,包括非线性支持向量回归估计算法、核函数与参数选取、样本数据的标准化处理,研究了基于区间优化的烧结矿化学成分控制方案。设计和实现了一种新的烧结矿化学成分智能预测系统,能够较好地实现预测值和化验值的拟合,预测效果显著。