烧结机煤气消耗量预测模型的性能比较研究

针对钢铁企业烧结机煤气消耗量预测精度较低的问题,研究建立差分自回归移动平均模型(ARIMA)、长短期记忆网络模型(LSTM)和极端梯度提升模型(XGBoost),用于预测烧结机的高炉煤气消耗量,利用钢铁联合企业的实际数据对比验证了预测模型性能。结果表明,XGBoost模型的预测精度高于ARIMA模型和LSTM模型。XGBoost模型的MAPE为3.45%,RMSE为703.53 m^(3)/min,R^(2)为99.91%,鲁棒性和泛化能力较强。此外,为了强化预测模型与烧结机不同运行状态间的联系,对烧结机不同运行状态的煤气消耗量进行预测。LSTM模型在烧结机正常生产状态表现出最好的预测效果,XGBoost模型则在烧结机减产和增产状态预测效果最佳。

基于粒度聚类的转炉炼钢氧气消耗量预测

转炉炼钢是钢铁企业的主要耗氧工序,预测转炉炼钢的氧气消耗量对氧气系统合理调度、保证生产安全具有重要意义.考虑到转炉冶炼工况多、钢种数据粒度不统一,提出一种基于粒度聚类的转炉炼钢氧气消耗量预测方法.首先,利用孤立森林异常检测法剔除历史数据库中的异常数据;接着,采用皮尔逊相关性分析和互信息相关系数选取相关影响因子,对不同钢种数据进行信息粒化,实现数据特征提取和维度统一,使用模糊C均值(Fuzzy C-means,FCM)划分工况并建立不同工况下的氧气消耗量预测子模型;最后,利用企业的实际生产数据进行实验,验证所提方法的准确性和有效性.

基于PSO-SVM的航材消耗预测模型研究

航材消耗预测是航材库存精准管理的前提,提高航材消耗量预测精度能显著降低库存管理成本。为解决航材消耗预测中因航材消耗影响因素较多、样本数据量少而造成的预测效果差、精度低等问题,提出一种将粒子群算法及支持向量机相结合的航材消耗预测模型,首先使用粒子群算法寻优支持向量机参数组合,然后结合原始数据优化支持向量机参数组合得到PSO-SVM航材消耗预测模型,结果表明,PSO-SVM模型的预测效果较好,泛化能力较强。

GM(1,1)-MEA-BP组合模型电能消耗预测及应用

为解决传统单一模型泛化能力弱、预测精度低等问题,提出一种GM(1,1)灰色模型和MEA-BP神经网络的组合预测模型,解决了GM(1,1)预测模型对能耗的预测受时间因素影响随机波动大及预测精度较低等问题,融合MEA-BP神经网络并行计算、强容错力以及分布式信息存储等优势,减少了因数据波动而影响预测结果精度的情况,解决了误差无法反馈调整等问题。选取1985—2020年全国电能消耗总量为建模数据,与线性回归、三指数平滑、GM(1,1)、BP神经网络、MEA-BP神经网络等模型的预测结果进行分析比较。结果表明:GM(1,1)-MEA-BP组合模型相较于其他模型,预测精度最高,误差值最小,MAPE值达到0.0065,RMSE值达到977.9961。通过实例证明了GM(1,1)-MEA-BP组合模型对电能消耗量预测具备较高的精度,可为国家在能源方面宏观智能调度提供依据。

基于改进生成对抗网络的国产民机航材消耗预测方法

为解决航材消耗预测影响因素较多、时间相关性复杂、实际消耗样本少等问题,鉴于现有方法难以捕捉小样本航材消耗数据在时间顺序上的逐步依赖关系,提出了基于改进生成对抗网络生成模型和循环神经网络预测模型的航材消耗预测方法。该方法将自回归学习有监督训练与对抗学习无监督训练相结合,进一步挖掘航材消耗数据的潜在静态分布和时态逐步依赖分布,从而生成更加接近真实数据的样本,达到扩充样本量、提高航材消耗预测精度的目的。以某型国产民机部件消耗数据为案例,利用降维可视化方法和预测分数评价模型的生成性能和预测精度。通过与其他方法对比,所提方法预测值的平均绝对误差减少了3%,验证了所提方法解决航材预测问题的有效性。

基于VMD⁃RBFNN模型的冷轧煤气消耗预测

钢铁副产煤气的利用对企业发展与环境保护有着十分重要的意义。针对煤气消耗数据非线性且存在大量随机噪声的问题,提出了一种基于变分模态分解(VMD)与径向基函数神经网络(RBFNN)的煤气消耗预测模型。以某钢厂煤气消耗数据为例,实验结果表明,VMD⁃RBFNN模型预测精度达到90%,具有更高的实用性和可行性。

基于器材分类的维修器材消耗组合预测方法研究

维修器材消耗预测通常采用单一的预测模型,适用范围较为狭窄,同时对整装维修器材消耗预测的精准性不高。综合考虑装备维修器材稳定性消耗特征,采用基于器材分类的组合预测方法,开展装备维修器材消耗预测。组合预测方法融合了指数平滑方法、Croston方法、TSB方法等的优势,分别对消耗稳定和消耗不稳定的器材进行了预测。结果表明,组合预测方法有效避免了单一预测模型的局限性,具有较为广泛的适用性,提高了维修器材消耗预测的精度。

支持向量机在航空兵部队油料消耗量预测中的应用

分析了支持向量机的基本原理及算法,确定了航空兵部队油料消耗量预测模型的样本输入量,构造了航空兵部队作战油料消耗量预测函数,采用LibSVM-Matlab工具箱对模型进行编程求解,选用3个指标对预测结果进行评价。并以某空军航空兵部队油料消耗量为例,运用基于SVM的航空兵部队油料消耗量预测模型,对2009年演习的油料消耗量进行了预测,预测结果与实际值进行比较,预测精度高,为科学预测战场油料消耗量提供了科学定量的分析方法。

战时弹药消耗预测方法研究

弹药,是战争形态演化的关键要素,是作战方式转变的内在本质,是人类文明进步的智慧结晶,是科技创新成就的集中体现。现代作战交战强度高、持续时间短,弹药消耗量急剧增长,提高弹药消耗预测精确度成为增强军队战斗力的重要手段,引起广大学者关注。论文按弹药消耗预测方法不同特性将目前主要的弹药消耗预测方法分为基于案例经验推算、作战模拟与人工智能三大类,通过对比分析得出目前弹药预测方法存在的问题,最后指出未来重点发展方向。

基于小波变换和GM-ARMA的导弹备件消耗预测

针对导弹备件消耗呈现"小样本、非平稳"的特点,为了克服传统预测方法依靠大样本数据进行建模的不足,提出了把基于小波变换和改进GM-ARMA的组合预测方法应用于导弹备件消耗预测的构想.在利用小波分解和其他模型建立组合模型的过程中,提出了先对小波基方程和分解层数2个特征进行参数化,再定量地对所有子模型的特征参数进行统一、综合的评估,以达到建立最佳组合模型的目的;然后对具有平稳特性的高频信息用阻尼最小二乘法优化的ARMA(Autoregressive and Moving Average)模型进行预测,对反映整体趋势体现非平稳的低频信息用背景值优化和数据变换技术改进的GM(1,1)模型进行预测.实例结果表明所提出的组合预测方法大大降低了预测误差,说明了该方法的有效性、可行性和实用性.

基于粗糙集和BP神经网络的导弹备件消耗预测

针对神经网络预测导弹备件消耗时参数过多会导致事件过长并易陷入局部最优的问题,建立一种基于粗糙集和BP神经网络的导弹备件消耗预测模型。在对采集到的导弹备件消耗信息进行特征提取、形成决策表的基础上,用粗糙集理论对原始信息表进行约简,去除冗余的属性和属性值,并将约简的影响因素值输入到BP神经网络中进行训练预测。实例结果表明:该预测方法大大减少了网络的收敛时间,提高了模型的预测精度,为导弹备件消耗预测提供了一个新的思路。

一种基于消耗预测的钢铁企业煤气平衡与数据校正方法

煤气发生与消耗计量的不平衡是钢铁企业普遍存在的问题,传统的平衡方法难以客观、科学的进行煤气平衡与数据校正。本文建立了三种煤气消耗预测模型,能对轧钢类、炼钢类和烧结类用户的煤气消耗量进行预测,提出一种基于消耗预测的煤气自动平衡与数据校正方法,能够对各个用户的煤气用量进行数据校正,并能自动平衡煤气的总发生与总消耗计量。工业应用表明,所提方法能有效提高煤气平衡和数据校正的自动化程度,为企业成本核算和煤气调度提供重要依据。

基于灰色RBF神经网络的炼钢煤气消耗预测

煤气消耗预测是钢铁企业中能源管理重要组成部分之一,以炼钢过程煤气消耗为研究对象,将灰色理论与径向基函数(RBF)神经网络进行组合,建立了基于灰色RBF神经网络的炼钢煤气消耗预测模型,利用灰色理论累加求和特性对样本数据进行预处理,减小了数据的随机性,增强了数据变化的规律;利用RBF神经网络逼近这种数据变化的规律,通过预测误差,动态调整RBF神经网络的结构,使得预测误差在允许的范围内。通过仿真表明,提出的模型预测精度较BP神经网络预测精度高,均方差为2.02%。

基于改进GM(1,1)模型的导弹备件消耗预测

针对导弹备件消耗受多种因素综合影响不易精确表达的问题,提出选用灰色系统理论进行导弹备件消耗预测。备件保障实践证明,导弹备件消耗与装备固有可靠性、战备任务、环境条件等因素密切相关,在GM(1,1)模型基础上,结合导弹备件保障工作实际,建立了加入影响因子的改进GM(1,1)模型。结果表明,该模型考虑了影响备件消耗的主要因素,具有更高的预测精度和重要的实用价值。

一种面向弹药保障的消耗预测方法

结合部队弹药保障 ,在传统兰切斯特理论的基础上 ,采用诸兵种合同作战的兰切斯特方程对弹药消耗预测进行研究 ,为实战指挥提供更准确的作战决策依据 ,并且举例提出具体实现方案 ,采用C +

装备维修器材消耗预测综述

从装备全寿命全系统的角度出发,通过对国内外装备维修器材消耗预测相关文献的研究,分别从研制阶段和使用阶段对装备维修器材的消耗预测方法进行归纳总结,揭示了消耗预测的重点和发展方向.

器材消耗预测方法综述

论述分析了国内外关于器材消耗预测方法,通过对相关文献的研究,归纳总结了现有的各种预测方法,指出了器材消耗预测方法的发展趋势。

基于行驶工况特征的汽车燃油消耗的预测

本文从行驶工况特征参数来进行燃油消耗的预测。首先对典型道路上采集的百公里燃油消耗和行驶工况数据进行划分,获得大量行驶片段。接着用主成分分析法从所有行驶片段的13个特征参数中得到了3个主成分。最后利用BP神经网络对3个主成分的得分进行燃油消耗的预测。结果表明,与一般的BP神经网络相比,采用主成分分析和神经网络相结合的燃油消耗预测模型,简化了网络结构,提高了预测精度,可用来预测城市道路行驶工况的燃油消耗。

基于支持向量机的飞机备件消耗预测研究

针对影响飞机备件消耗的诸多因子难于在模型中体现的问题,采用支持向量机回归模型,应用于备件的消耗预测。该方法将影响备件消耗的主要因子作为支持向量机预测模型的输入因子,对应的备件消耗量作为输出因子,训练模型,然后输入测试样本进行预测。预测结果表明,相比于GM(1,1)模型和神经网络(ANN)模型,该模型具有较高的预测精度和动态适应性,可为相应的备件保障部门提供科学的决策依据。

基于粗糙集和熵权以及改进支持向量机的导弹备件消耗预测

在系统分析武器装备备件预测方法研究现状和导弹备件消耗特点的基础上,提出把粗糙集(RS)、熵权(EW)法、自适应粒子群优化(APSO)算法与加权最小二乘支持向量机(WLS-SVM)的组合预测模型应用于导弹备件消耗预测的构想。阐述了粗糙集、信息熵、自适应粒子群优化算法和WLS-SVM的基本原理,并改进了APSO的搜索方式和最小二乘支持向量机(LS-SVM)的加权方法;建立了基于RS、EW法和自适应粒子群优化WLS-SVM的导弹备件消耗预测模型,并分析了其实现过程。实例结果表明,所建立的组合预测模型在进行导弹备件消耗预测时具有较高的精度和重要的实用价值。