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。

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。

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。

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。