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。

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.

高炉铁水硅含量的神经网络时间序列预报

利用ＢＰ网络实现了高炉铁水硅含量的时间序列预报，并以高炉铁水硅含量的历史数据对下一炉铁水的硅含量进行离线预报。结果表明，本模型具有较好的预报效果。

神经网络在梅山高炉铁水硅含量预报中的应用

对高炉铁水硅含量预报的统计模型、神经网络模型和神经网络方法加统计方法的综合模型三种预报模型作了对比 ,结果表明 :用神经网络方法和统计模型综合预报的效果较好 ,离线模型预报结果± 0 .1命中率达到 86 .6 7 。

大型高炉铁水硅含量变化趋势的智能预报

针对铁水硅含量趋势的研究仅局限于利用前后历史数据的差值来量化下一炉次趋势的变化,无法量化未来一段时间内铁水硅含量的变化趋势,且对铁水硅含量变化趋势划分不完全的问题,通过在对现场数据预处理的基础上,结合现场操作制度、专家经验和变量的滞后时间确定趋势变化周期,采用回归拟合确定硅含量趋势的变化信息,利用复合差分进化算法来优化随机权神经网络的参数,建立高炉铁水硅含量变化趋势智能预报模型,实现大型高炉铁水硅含量变化趋势的五分类预报,现场数据验证了所建模型的有效性和可行性,为高炉操作者提前判断炉况变化趋势以及调控方向与幅度提供了可靠的参考依据。

唐钢二炼铁厂3号高炉铁水硅含量神经网络预报模型

根据唐钢二炼铁厂 3# 高炉的生产情况和技术水平 ,建立了高炉铁水硅含量神经网络预报模型。模型采用BP网络 ,仿真试验结果表明 ,该模型具有较好的命中效果。同时 ,基于预报的铁水硅含量 ,结合部分专家知识 ,指导操作决策。

梅山3号高炉(1250m^3)铁水硅含量在线预报

通过对影响高炉铁水硅含量的各变量分析和分类,在初步判断炉热发展趋势的基础上预报高炉铁水硅含量。用本模型在线预报梅山三号高炉铁水硅含量,预报结果表明:当允许误差为±0.1％时的命中率达到81.67％,在没有炉顶煤气连续分析装置的条件下取得了较好的效果。

基于神经网络的高炉铁水硅和硫含量预报模型

采用基于自学习的参考炉次法,建立了反应高炉炉温和铁水质量的预报模型,对炼铁过程铁水硅含量和硫含量进行预报,建立了基于BP神经网络的高炉铁水硅含量和硫含量预报模型。用国内某高炉的生产数据进行模型训练,经预报结果数据验证,想要通过现有直接获取的高炉参数很难准确同时预报铁水硅含量和硫含量,但基本能准确预报铁水硫含量的变化趋势。

神经网络方法在高炉铁水硅含量预报中的应用

将神经网络方法引入高炉铁水硅含量预报模型 ,并在BP算法的基础上根据实际情况进行改进。用此模型对梅山3号高炉1998年的生产数据离线预报结果表明 :用神经网络方法预报效果良好 ,在未使用煤气连续分析数据的条件下 ,当允许误差为(±0.1) %时命中率达到85 %。

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。

神经网络高炉铁水含硅量预报模型

研究了基于神经网络的高炉铁水含硅量预报模型，运用高炉生产过程中工艺参数，实现了铁水含硅量的中短期预报．仿真结果表明。

带知识库的高炉铁水含硅量的自适应预报系统

本文讨论自校正预报器与知识库系统配合使用时,对高炉铁水含硅量的在线预报问题.自校正预报器按Box和Jenkins的原理构成,预报模型参数用递推近似极大似然法进行在线估计.当炉况稳定时,自校正预报器的精度是满意的,而炉况不稳定时,由知识库系统的输出对自校正预报进行检验和修正.实验表明,综合预报系统的预报精度超过熟练工长.因此,上述系统可作为工长的操作指导.

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 。

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.

神经网络模型与时差方法结合预报铁水硅含量

针对以ＢＰ算法为代表的监督学习神经网络在直接多步预测中不能渐进计算的问题，建立了一个三层简单反馈递归的神经网络模型，提出了将神经网络模型与时差方法相结合在高炉铁水硅含量预报中应用的策略。结合现场采集的实时数据进行实验，并与采用ＡＲＭＡＸ模型的预测结果相比较，具有较高的命中率。

基于小波神经网络的高炉铁水含硅预报

采用结合小波包分析的特征提取及神经网络的非线性映射等特性的小波神经网络系统,实现高炉铁水中Si含量的预报和控制。原始操作信息采用灰关联分析预选,网络结构设计采用剪除法确定隐含层节点,采取自适应和加动量项调整学习速率等措施。结果表明,系统具有更高的学习精度和更快的收敛速度,当允许误差为±0.02时,命中率达到87.5%,并且减少了系统参数特征量,优化了系统辨识和模型建立过程。