基于动态注意力深度迁移网络的高炉铁水硅含量在线预测方法

铁水硅含量是反映高炉冶炼过程中热状态变化的灵敏指示剂,但无法实时在线检测,造成铁水质量调控盲目.为此,提出一种基于动态注意力深度迁移网络(Attention deep transfer network, ADTNet)的高炉铁水硅含量在线预测方法.首先,针对传统深度网络静态建模思路无法准确描述过程变量与铁水硅含量之间的关系,提出一种基于注意力机制模块的输入过程变量与输出硅含量之间的动态关系描述方法;其次,为降低硅含量预测模型训练时对标签数据的依赖,考虑到铁水温度与硅含量数据之间的正相关性,利用小时级硅含量标签数据微调基于分钟级铁水温度数据预训练好的深度模型的结构,进而提高基于动态注意力深度迁移网络的硅含量预测精度;同时,为增强预测网络的可解释性,实时给出了基于动态注意力机制模块计算的每个样本各过程变量对铁水硅含量的贡献度;最后,基于某钢铁厂2号高炉的工业实验,验证了该方法的准确性、有效性和先进性.

基于神经网络的高炉铁水硅含量预报模型的研究

根据RBF神经网络具有收敛速度快和全局优化的特点,建立了RBF网络模型,并将其应用对高炉铁水硅含量预报。监于铁水硅含量与炉缸温度之间的密切相关性,通过铁水硅含量来间接地反映炉内温度变化。采用MATLAB中的Newrbe函数进行函数逼近,对高炉一段连续时期内正常生产的数据的归一化处理后进行训练和仿真,提高了铁水硅含量预报的命中率。高炉冶炼运用先进的RBF人工神经网络预报模型,能预报铁水硅含量的高低,判断炉温走势,实现炉温调控,有利于节能降耗,并可监测多个主要控制对象,为高炉操作提供指导。

贝叶斯网络在高炉铁水硅含量预测中的应用

应用贝叶斯网络对高炉铁水硅含量进行预测。首先阐述了贝叶斯网络的数学描述,在此基础上给出贝叶斯网络预测公式的一种简化形式。然后建立高炉铁水硅含量的贝叶斯网络预测模型,对山东莱钢1 号高炉在线采集的2 000炉数据进行网络学习,离线预测取得了较好的效果。与神经网络等其他方法相比,它更适合解析高炉过程,而且透明的推理过程对高炉工长判断炉温变化趋势具有指导意义。

铁水硅含量的混沌粒子群支持向量机预报方法

提出一种基于混沌粒子群优化(CPSO)的支持向量回归机(SVR)参数优化算法,并使用该算法建立高炉铁水硅含量预测模型(CPSO–SVR),对某大型钢铁厂高炉铁水硅含量的实际采集数据进行预测,结果表明基于混沌粒子群优化算法寻优的参数建立的铁水硅含量支持向量回归预测模型具有良好的预测效果.与最小二乘支持向量回归机(LS–SVR)、使用粒子群优化算法训练的神经网络(PSO–NN)进行比较,CPSO–SVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO–NN,且比LS–SVR稳定性更强,可用于高炉铁水硅含量的实际预测,表明混沌粒子群优化算法是选取SVR参数的有效方法.

基于复合差分进化算法与极限学习机的高炉铁水硅含量预报

针对铁水硅含量无法直接在线检测的问题,本文提出了一种基于优化极限学习机(ELM)的高炉铁水硅含量预报方法.该方法利用复合差分进化算法(CoDE)的快速定位全局最优解的能力来优化极限学习机的输入权值和隐层节点阈值,在此基础上建立了基于复合差分进化算法优化极限学习机(CoDE-ELM)的高炉铁水硅含量预报模型.以某钢铁厂2650 m^3的高炉为例,利用实际采集数据进行模型检验,结果表明,当绝对误差小于0.1时,铁水硅含量的预报命中率为89%,均方根误差为0.047,实际目标值序列与预报值序列的相关系数为0.851.所建模型的预报结果优于支持向量机(SVM)、前馈神经网络(BP-NN)、极限学习机以及差分优化极限学习机(DE-ELM),对高炉炉温的实际调控具有较好的指导意义.

基于改进灰狼算法和多核极限学习机的铁水硅含量预测建模

针对高炉铁水硅含量难以在线检测的问题,本文提出一种基于改进灰狼算法(IGWO)优化的多核极限学习机(MKELM)高炉铁水硅含量预测建模方法.首先,针对灰狼算法(GWO)寻优能力的不足,将最优-最差正交反向学习(OWOOBL)策略应用于灰狼算法的位置更新,得到一种改进灰狼优化算法.通过10种标准函数对所提算法进行仿真测试,结果表明此算法具有更好的寻优能力.其次,针对单核极限学习机(KELM)回归能力不足,将不同种类的核函数加权组合,并采用改进灰狼算法对多核极限学习机中的加权系数等参数进行优化.最后,基于某钢厂的实测数据对高炉铁水硅含量进行预测建模,仿真结果表明,本文所提方法的预测效果优于反向传播神经网络(BP-NN)、极限学习机(ELM)、KELM和GWO-MKELM,对高炉炼铁具有较好的指导意义.

基于k-means++的高炉铁水硅含量数据优选方法

优质数据集是实现高炉铁水硅含量准确预报的基础。针对铁水硅含量数据记录不均衡,特别是部分样本周期内存在多个硅含量值且波动较大,难以与输入变量进行合理关联等难题,提出了一种基于k-means++聚类算法的铁水硅含量数据优选方法。该方法首先利用k-means++的快速聚类能力,将样本分簇,用以表征不同的炉况;其次统计各簇硅含量频数直方图,由此确定高频区间;最后以高频区间为标准,遴选与样本关联的最佳硅含量值。以某钢铁厂2650 m^3的高炉为例,分别建立基于多层感知器和LSTM的深度学习模型进行预测,结果表明,该优选方法处理的数据与传统均值法相比,均方误差可减少0.003,命中率提高10%以上,对铁水硅含量数据的预处理具有较好的指导意义。

基于偏最小二乘回归的高炉铁水硅含量模型

在高炉炼铁过程中,常用铁水硅含量[Si]来衡量铁水的质量和表征高炉的热状态,即用铁水硅含量反映高炉炉温.将偏最小二乘回归方法应用于预测硅含量[Si]中,在高炉炉况相对稳定的条件下,得出影响硅含量[Si]的因素为风量和喷煤,与冶炼专家的经验相符.利用包钢6号高炉的数据,建立铁水硅含量[Si]的回归模型,该模型对高炉炉温预测的准确度达到87.61%,对在线监测高炉硅含量具有一定的实用价值.

基于最优工况迁移的高炉铁水硅含量预测方法

高炉铁水硅含量是铁水品质与炉况的重要表征,冶炼过程关键参数频繁波动及大时滞特性给高炉铁水硅含量预测带来了巨大挑战.提出一种基于最优工况迁移的高炉铁水硅含量预测方法.首先,针对过程变量频繁波动问题,提出基于邦费罗尼指数的自适应密度峰值聚类算法,实现对高炉冶炼过程变量的工况划分,并建立不同工况硅含量预测子模型.其次,针对冶炼过程的大时滞特性,定义相邻时间节点间的硅含量工况迁移代价函数,并提出多源路径寻优算法,实现冶炼过程中硅含量最优工况迁移路径及当前时刻硅含量最优预测值的求解.最后,基于工业现场数据验证了所提方法的有效性与准确性.

基于RBF神经网络的铁水硅含量预报模型

文章利用 RBF神经网络的全局搜索能力 ,结合梯度学习算法和专家系统 ,建立了高炉铁水硅含量预报 RBF神经网络模型。该系统解决了 BP神经网络局部的收敛 ,学习时间过长的问题。实际应用表明 ,该系统可以提高硅含量预报命中率 。

应用小波分析方法改进铁水硅含量预测

应用小波分析方法对高炉铁水硅含量进行预测。通过小波变换将铁水硅含量的时间序列依三重尺度分解成不同的层次,并对不同层次上的序列分别运用合适的自回归模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为实际预测案例,与原始时间序列的自回归模型预测结果比较,小波预测方法显著提高了预测命中率。

基于支持向量机的高炉铁水硅含量多类别分类

支持向量机是基于统计学习理论发展而来的一种机器学习算法,本文介绍了非线性软间隔分类机、最小二乘分类机和加权最小二乘分类机的算法.以山东莱钢1号高炉在线采集数据作为应用案例,使用C-均值算法对[Si]做聚类分析将其分成5类,改进M-ary分类方法实现对铁水硅质量分数[Si]的多类别分类,并对各分类机的性能作出评价.

基于混沌粒子群支持向量回归的高炉铁水硅含量预测

参数的优化选择对支持向量回归算法(SVR)的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO)寻优一种改进支持向量回归算法(v-SVR)参数的新方法,在此基础上建立高炉铁水硅含量预测模型(CP-SO-vSVR)用于对某钢铁厂3号高炉铁水硅含量的实际数据进行预测,研究结果表明,基于CPSO确定的最优参数建立的铁水硅含量粒子群支持向量回归预测模型的预测效果最佳,平均相对误差为5.32%。与使用粒子群优化算法训练的神经网络(PSO-NN)、v-SVR、最小二乘支持向量回归(LS-SVR)进行比较,CPSO-vSVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上,预测效果明显优于PSO-NN,且比v-SVR稳定性更强,可用于高炉铁水硅含量的实际预测。

基于BP神经网络的高炉铁水硅含量预测模型研究

建立了基于BP神经网络的高炉铁水硅含量预测模型,给出了学习参数的确定方法,BP网络的学习算法和步骤,并利用湘钢4#高炉一段连续时期内正常生产的数据经过时序化、归一化处理后进行训练和仿真,结果表明,高炉冶炼在运用了先进的BP人工神经网络预测模型后,能预测[Si]的高低,判断炉温走势,调控炉温;并能同时监测多个主要控制对象,对于了解高炉各方面的状态具有指导性的作用。

基于模块化神经网络的铁水硅含量预测系统

目的提出基于模块化神经网络的铁水硅含量预测方法,改善系统控制性能指标.方法采用模块化神经网络预测控制策略,建立模块化神经网络预测模型,按输入物理量的性质构成4个神经网络模块,再由预测神经网络输出铁水硅含量的预测值,从而控制炉温.结果提高了学习效率和泛化能力,有效地改善了模型的预测精度.结论模块化神经网络铁水硅含量预测模型,将同类量进行了模块划分,通过对铁水硅含量预测,可提高炉温的控制精度和动态跟踪能力,具有结构简单、实时性好、预测精度高等特点.

铁水硅含量预报模型的设计与实现

本文以炉料装入情况、高炉综合煤气成分分析和渣铁温度作为基本参数,建立铁水硅含量预报模型,导出生铁硅含量的计算公式,并采集现场生铁硅含量实测数据,计算出的硅含量.结果表明,该模型预测的硅含量与实测硅含量一致。该模型可以实现早预报、快预报和准确预报,有助于实现高炉冶炼过程的控制。

预测铁水硅含量的神经网络初探

本文采用神经元网络方法，依据生产过程中的实测数据，建立反映铁水中硅含量与各输入参量之间关系的数学模型，并对硅含量进行较为准确的预测。

基于GA-BP网络的铁水硅质量分数预测系统

提出将BP神经网络与遗传算法(GA)相结合,建立了三层GA-BP神经网络模型,模型利用遗传算法来修改网络的连接权值,构筑进化型的神经网络模型,缩短网络学习训练时间,提高模型预测精度。炉温预测主要是高炉铁水硅质量分数的预测,当要求硅质量分数预报的绝对误差为±0.05%时,命中率为90%。结果表明,GA-BP网络模型比传统的BP网络模型能够获得更高的精度。

人工神经网络预测高炉铁水硅含量

提出了BP神经网络预测高炉铁水硅含量的几种网络优化方法,指出了神经网络预测硅含量的可行性与局限性。

基于粗糙集约简的模块化神经网络铁水硅含量预测系统

本文对影响炉温预测的数据进行了深入分析,利用粗糙集理论能够有效地降低特征的维数,同时采用模块化神经网络能将复杂问题分解为相对较为简单的若干子问题。利用粗糙集理论简化模块化神经网络的训练样本,消除冗余的数据,提供网络的收敛性,从而提高整个融合系统的效率。