基于GRU神经网络多标签多分类的焦炭质量预测模型

通过关联配合煤中硫、灰分、挥发分的质量分数等主要的煤质指标,利用基于Adma算法为优化器的GRU神经网络模型,不断对模型参数进行调整后,通过sigmoid激活函数判断模型准确率的多标签多分类方法,建立了焦炭质量预测模型。结果表明:当三层GRU网络的隐层神经元数量为(64,64,64);学习率为0.01;样本批次大小为64;样本训练次数为50;丢弃率为0.3时,得到了模型的最优参数,此时模型预测准确率达到97%。采用GRU神经网络多标签多分类焦炭预测模型不仅具有高精度、低损失函数等特点,而且针对小样本配煤数据预测焦炭质量可以达到很好的效果,对实际的配煤炼焦具有一定的参考意义。

基于PCA与RBF的焦炭质量预测模型

针对炼焦生产过程焦炭质量难于实时测量的问题,建立一种主元分析(PCA)和径向基函数(RBF)神经网络相结合的预测模型。通过机理分析确定焦炭质量的影响因素包括配合煤指标和炼焦过程操作参数;采用主元分析减少径向基函数网络的输入;最后采用k-均值聚类算法确定径向基函数隐含层的参数,并用最小二乘法确定线性输出层参数。采用炼焦生产过程现场数据进行仿真,结果表明,该模型具有学习速度快、跟踪性能好以及泛化能力强等优点,实现了焦炭质量的在线预测。

量子遗传算法优化BP网络的焦炭质量模型

为使焦炭预测精度提高,减少不必要的能源损耗,提出基于量子遗传算法优化BP网络的焦炭质量预测模型。在算法中应用量子位概率幅、量子旋转门、量子非门对种群中的染色体进行编码、相位更新、变异的操作。仿真结果表明,该模型相较于传统的BP网络模型预测精度更高,同时大大提升了效率与可靠性。

基于BP神经网络和遗传算法的智能配煤系统开发与应用

针对炼焦煤品种繁多,同一矿点来煤的煤质波动较大,混煤现象严重的问题,宁波钢铁有限公司通过搭建煤焦数据库,开发智能配煤系统,实现全流程监测煤焦数据变化。智能配煤系统结合历史生产数据分析提取影响焦炭质量的关键指标,采用多元线性回归和BP神经网络的建模方法,建立焦炭质量关键指标预测模型。同时,智能配煤系统结合焦炭质量预测模型、配煤专家系统和炼焦单种煤库存信息,采用优化后的遗传算法进行配煤模型的构建,从而实现快速实时调整配比、合理利用炼焦煤资源、稳定焦炭质量并且有效降低炼焦成本的目的。智能配煤系统运行稳定,实现了对炼焦煤资源的合理利用和降本增效的目的。