30t转炉的溅渣护炉工艺

通过与30t转炉几何相似比为1∶10的水模实验,研究了炉衬不同部位溅渣量的分布以及氧枪高度、留渣量和气体压力对溅渣量的影响,确定了各参数的最隹值。将水模实验得到的溅渣工艺参数应用到实际生产后,炉龄由1600炉提高到19000炉以上。

基于改进人工神经网络的LF钢水终点温度预报

采用改进的人工神经网络算法,开发了40t钢包炉精炼时钢水终点温度预报模型。与传统BP网络算法相比较,改进算法可提高预测速度和精度。生产现场实验表明,传统BP神经网络算法,钢水温度预测误差±5℃的炉次仅为77%,用改进的BP神经网络算法,其误差±5℃的炉次为90%。

基于粒子群优化算法的钢铁企业铁路车辆调度

给出了求解铁路车辆调度问题的粒子群算法流程;分析了求解不同调度问题的3种粒子表示法,即基于粒子位置次序(Particle Position Sequence,PPS)的粒子表示法、基于粒子位置取整操作(Particle Position Roun-ding-off,PPR)的粒子表示法和基于PPS-PPR的混合粒子表示法;讨论了PPS-PPR混合粒子表示法与调度解空间的映射关系和解码方法。将第3种方法应用于实际车辆调度系统中,求解出机车送货作业行驶的最短路径,建立了基于粒子群优化算法的企业铁路优化调度模型。

基于PSO和BP网络的LF炉钢水温度智能预测

研究将粒子群优化算法与BP神经网络相结合,建立新的钢水终点温度预报模型.确定加热功率、初始温度、精炼时间等8个影响钢水终点温度的主要因素作为神经网络的输入量.用粒子群优化算法优化神经网络参数,改善神经网络温度预测模型的收敛性能.实验结果表明,该算法可以提高预测速度和精度,预测结果误差不大于±5℃的炉次大于90%.