高炉铁水含硅量的混沌局部线性预测

对莱钢1号高炉(750 m3)、临钢6号高炉(380 m3)铁水含硅量([Si])进行了混沌局部线性预测.结果表明,两 座高炉[Si]的一步预测的命中率在[Si]±0.1％的范围内均达到80.0％以上,对莱钢1号高炉(b)类样本甚至达89.1％,且预 测精度在10-2数量级,对实际生产具有很好的指导作用.

高炉铁水含硅量的动态神经网络多步预报

本文提出一种基于主成分分析法的动态神经网络模型实现高炉铁水含硅量多步预报。本方法将经主成分分析法处理后的高炉数据样本作为改进型Elman网络的输入,减少变量个数,简化网络结构；同时采用动态递归算法进行高炉铁水含硅量多步预报,具有较强的适应性。采用该方法对宝钢某高炉现场采集的数据进行预报实验,以±0．05作为预报误差,预报命中率达到89．12%。

神经网络方法在预报高炉铁水硅含量上的应用研究

讨论了人工神经元网络（ＡＮＮ）方法在铁水含硅量预报上的应用策略。选定若干参数作为硅含量的相关变量，建立一个三层ＢＰ网络结构，结合现场数据进行学习和预报，取得良好效果。

高炉铁水含硅量和含硫量动力学预报研究

将高炉过程考虑为非线性动力学系统。分别以四座高炉铁水成分的历史数据对下一炉铁水的［Ｓｉ］、［Ｓ］进行了动力学离线预报。讨论了提高动力学预报效果的途径。

应用混沌粒子群优化训练的BP神经网络预报高炉铁水含硅量

应用混沌粒子群优化(Chaos Particle Swarm Opti mization,CPSO)算法训练BP神经网络(Back-Propagation Neural Network,BPNN)并对高炉铁水含硅量进行预报。针对BP神经网络收敛速度慢和易于陷入极小值的问题,在粒子群优化算法中引入混沌思想,提出混沌粒子群优化算法,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度。系统分别选用料速、透气性指数、炉顶温度、风温、风量、喷煤量、上一炉铁水硅含量作为BP神经网络的输入层神经元,中间层(隐含层)有13个结点(用经验公式确定),输出层有一个结点,为铁水硅含量。应用CPSO算法训练BP神经网络建立的铁水含硅量预报模型对江苏永钢炼铁一厂1号高炉铁水含硅量的实际数据进行网络学习和预报。结果表明,此模型预报命中率高达91.2%,证明了方法的有效性。

模拟退火免疫算法及其在铁水含硅量预报中的应用

本文提出了一种模拟退火免疫算法,该算法借鉴生物免疫系统的免疫识别、多样性及学习功能,利用基于模拟退火的浓度调节抗体多样性保持机理克服遗传算法易早熟收敛的缺点。将此方法用于优化铁水含硅量神经网络预报模型中的连接权值和阈值,可避免陷入局部极小,从而得到最佳神经网络,提高铁水含硅量预报精度。仿真结果证明了方法的有效性。

高炉炉温与铁水硅含量的推算及其应用

在既定冶炼条件下,依据炉缸内硅还原反应平衡的热力学原理,导出炉温定量推算式及铁水中硅含量解析式,其结果与实际数据具有良好的对应关系,该式可用于现场推算炉温、硅量调控时参考。

EMD-SVM非线性组合模型对高炉铁水含硅量的预测

提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的非线性组合模型的预测方法.该方法运用EMD将原始铁水含硅量的时间序列分解成若干个频率不同的平稳分量,分解后的分量突出了原序列的局部特征.通过Lempel-Ziv复杂度分析选用不同的核函数,并利用10-fold交叉检验方法取定相应的参数,从而对各个分量构建不同的支持向量机模型,并对各分量进行预测.仿真结果表明,EMD-SVM非线性组合模型预测命中率达到90%.

随机模糊神经网络模型预测铁水硅含量

该文在考虑了具有模糊化和非模糊化的模糊逻辑系统用于高炉铁水含硅量[Si]时各种噪声干扰的同时,把模糊数学理论和随机系统理论结合在一起,建立了一种新的高炉铁水含硅量[Si]的智能预报模型,该模型是由非单值模糊化、模糊规则库、模糊推理机、特殊非模糊化构成的随机模糊神经网络逻辑系统.通过结合莱钢1号高炉实时在线采集的生产数据,进行仿真研究,结果表明,该套模型能够很好地预测高炉铁水含硅量[Si].

双层自校正预报方法及其在高炉铁水含硅量预报中的应用

针对象高炉这样复杂的 MISO 系统,本文提出了一种双层自校正预报方法,将快时变部分的递推辨识和慢时变部分的迭代修正相结合,较好地解决了各子模型时间常数大小和时变性快慢相差较大所带来的问题,并在高炉铁水含硅量预报的实际应用中获得了满意的结果.

铁水含硅量预报与控制模型的研究

以高炉的综合煤气成分、渣铁温度及炉料装入情况作为主要参数 ,建立铁水含硅量预报与控制的数学模型 ,提出了生铁含硅变动量的计算公式 该模型取用参数较少 ,易于掌握操作 ,可以做到早预报、快预报和准确预报 。

高炉铁水含硅量组合预报模型

利用模糊贝叶斯网络模型和小波时间序列模型进行高炉铁水含硅量预报,预测命中率(预测值与实际值误差±0.1)分别为84%和76%,基本反映高炉生产实际.对比分析两个模型的预报结果以及高炉内部反应机理的特点,结合两个模型优势,提出组合预报模型,把预报命中率提高到92%,具有生产应用价值.

高炉炉温与铁水含硅量工程推算法及应用

在既定冶炼条件下,依据炉内反应平衡学原理,导出了炉温定量推算式及铁水[Si]量推算式,其推算结果与实际数据具有良好对应关系,可用于现场操作推算与调控参考。

高炉铁水含硅量预测的计算机在线实现

本文给出了铁水含硅量预测模型的三种在线辨识的方法 ,讨论了数据库的建立和多种预测模型的计算机在线实现 .

高炉铁水含硅量预报自适应数学模型的研制与试验

本文介绍了应用自适应原理跟踪高炉炉温变化的铁水含硅量预报自适应数学模型。模型由两部分组成,自适应主模型和专家系统子模型。应用该模型的铁水含硅量实时预报计算机系统已在鞍钢9号高炉试运行,效果良好,连续764炉的统计表明,预报命中率达82.3％。

石钢高炉铁水含硅量神经网络预报模型

按照现代控制理论,利用人工神经网络方法,把高炉视为多输入—单输出系统,结合高炉生产实际建立了石钢高炉铁水含硅量神经网络预报模型。通过引入动态步长和惯性项系数提高了网络收敛速度。采用不断更新学习样本集的方法提高了铁水含硅量预报的命中率。结果表明:在允许误差为0.1%时,命中率达到了86.67%,可以为高炉操作提供指导。

基于最小二乘支持向量机的铁水含硅量软测量

提出一种基于最小二乘支持向量机的铁水含硅量软测量模型,采用遗传算法确定模型参数的优化组合。用某钢管厂高炉的实际生产数据经过预处理后作为模型的训练和测试样本,进行软测量实验。实验结果表明,与神经网络模型和时间序列分析模型比较,所提出的软测量模型的软测量精度更高。

高炉铁水含硅量神经网络预测模型

按现代控制理论,将高炉视作多输入-单输出系统。引入人工神经网络(ANN)方法,选定若干参数作为硅含量的相关变量,建立标准的三层BP网络铁水硅预报模型。用该模型对津西5#高炉的生产数据进行离线预报,允许误差为±0.1％时命中率达到81％。

石钢高炉铁水含硅量神经网络预报模型

本文按照现代控制理论,把高炉视为多输入———单输出系统,利用人工神经网络方法,结合高炉生产实际建立了石钢高炉铁水含硅量BP神经网络模型。通过引入动态步长和“惯性项系数”提高了网络收敛速度。采用“修正式”预报模式提高了铁水含硅量预报的命中率。结果表明:在允许误差为0.1%时,命中率达到了86.67%,可以为高炉操作提供指导。

基于GA优化LSSVM高炉铁水含硅量预报

铁水含硅量是表征高炉生铁质量的重要指标,也是反映高炉内部热状态的重要参数。为了提高铁水含硅量测量精确度,保证高炉顺行,提出一种基于最小二乘支持向量机(LSSVM)的铁水含硅量预报模型,采用遗传算法(GA)确定模型参数的优化组合,以改善模型性能。将某钢管厂高炉的实际运行数据经过预处理后作为模型的训练和测试样本,进行模型预报实验,并与神经网络模型和时间序列分析模型的预报性能进行了比较。基于GA优化参数的LSSVM模型对铁水含硅量预报的最大相对误差为5.8%,相关系数为0.926 375,预报精确度比直接LSSVM模型提高了2.1%,比前向神经网络模型提高了4.3%。