Chaotic Identification and Prediction of Silicon Content in Hot Metal

The time series data of silicon content in hot metal were identified to have the chaotic feature because of the positive maximum Lyapunov exponent, and then the time scales to predict future were estimated. Finally a chaotic local-region model was constructed to predict silicon content in hot metal with good performance due to high hitting rate.

小波RBF神经网络在高炉铁水硅含量预测中的应用

在运用RBF神经网络进行预测的基础上,建立了一种应用小波理论对时间信号进行去噪,根据去噪处理对RBF神经网络作相应处理的预测模型,并将所建模型应用于预测高炉铁水硅含量。仿真结果表明小波RBF神经网络比RBF神经网络更具优越性,预测准确率明显提高。

首钢股份1号高炉降低铁水[Si]含量的措施

对首钢股份1号高炉降低铁水[Si]含量的措施进行了总结。1号高炉降低铁水[Si]含量的思路是,从焦炭和炉渣两方面控制硅源,并根据高炉现状,把降低铁水[Si]的目标设为0.35%,且应避免铁水温度过低。通过采取提高炉顶压力、提高富氧率、做好上下部调剂、降低入炉硅量、优化炉渣碱度等措施,将1号高炉铁水[Si]由0.40%逐步降至0.36%左右,同时,将铁水温度稳定在1500℃以上,保持了炉缸活跃及炉况长周期稳定顺行。并且,为避免降硅对高炉影响过大,探索了炉外脱硅,通过在鱼雷罐中配加冷压球(15kg/t),进一步将铁水[Si]降低至0.34%。

复杂高炉炼铁过程的数据驱动建模及预测算法

高炉炼铁过程的控制意味着控制高炉铁水温度及成份在指定的范围.本文以高炉炉内热状态的重要指示剂—高炉铁水硅含量为研究对象,针对机理建模难以准确预测、控制高炉铁水硅含量的发展变化,利用数据驱动建模的思想,建立了基于多元时间序列的高炉铁水硅含量数据驱动预测模型.实例分析表明,建立的数据驱动预测模型能够很好地预测高炉铁水硅含量,连续预测167炉高炉铁水硅含量,命中率高达83.23%,预测均方根误差为0.07260.这些指标均优于基于单一硅时间序列所建立的数据驱动模型,对实际生产具有很好的指导作用.

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。

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.

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。

宝钢1号高炉低硅冶炼操作实践

宝钢1号高炉近几年采用低硅冶炼技术使铁水含硅量一直控制在0.26%～0.35%的较低水平。结合宝钢1号高炉生产操作指标,分析了高炉产量、燃料条件以及冶炼特点对低硅冶炼的影响,为高炉冶炼进一步降低铁水含硅量提供了思路。

基于Lyapunov指数的高炉铁水[Si]预报

通过对国内两座中型高炉冶炼过程的[S i]时间序列的混沌分析,计算出相应的Lyapunov指数谱.由最大Lyapunov指数为正,定量的说明了两座高炉冶炼过程具有混沌性,并估计了两座高炉冶炼过程[S i]可预测的时间尺度.同时根据最大Lyapunov指数,建立了高炉冶炼过程[S i]预报模型,取得了较好的结果.

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。

安钢1号高炉降低铁水含硅生产实践

介绍了安钢1号高炉近几年通过提高入炉品位、采用高风温和富氧喷煤技术、保持适宜炉渣碱度、优化高炉操作等措施,使铁水含硅量从0.74％下降到0.50％的实践经验,增产节焦效果显著。

济钢3~#1750m^3高炉降低生铁含硅标准偏差实践

济钢3#1750m3高炉通过改善原燃料质量,调整煤气流分布,控制合适理论燃烧温度和调节炉渣成分等措施,生铁含硅由0.607%降低到0.48%,生铁含硅标准偏差由0.229%降低到0.11%,产量、质量、消耗等各项指标都得到明显的改善。

高炉铁水硅含量自组织预测中的模式量化

研究了高炉铁水硅含量自组织经验进化预测模型中的模式量化问题。在模式量化方案中,采用高炉过程变量时间序列数据的均值、梯度值和波动值作为数据的特征量来进行特征提取,将可预测率、命中率、趋势命中率等判据用于评判预测效果,并用天津铁厂1号高炉的过程数据进行了离线检验。结果表明:基于过程变量的特征提取方法可用于具有均匀时间间隔的高炉过程数据的特征提取。正确运用该方法可使铁水硅含量自组织预测模型的预测命中率提高10%左右。

自组织经验进化预测软件的设计与开发

针对所建立的具有仿人智能和机器学徒特征的自组织经验进化预测模型，运用软件工程方法学系统分析了预测软件的性能要求与模块组成，设计和开发了相应的软件。使用面向对象设计方法开发的预测软件结构合理、界面友好，具有联机帮助功能。以高炉铁水硅含量预测为案例对预测软件进行了测试。在线测试结果表明：设计的软件运行稳定，在具有一定预测经验的前提下，软件系统的预测效果优于对应条件下的人工预测结果。

铁水硫含量控制技术经济分析

通过对鞍钢炼铁工序和炉外脱硫工序技术经济分析,得出高炉生铁含硫每提高0.001%,则高炉入炉焦比、综合焦比分别下降0.68 kg/t、0_49 kg/t,高炉日产量增加0.16%,但使炉外脱硫成本增加0.27元/t。综合高炉及炉外脱硫的吨铁成本的变化,铁水含硫每提高0.001%,综合效益为0.49元/t。

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。

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%。

京唐高炉低硅高温冶炼操作特点探析

简要分析了大型高炉低硅高温冶炼的机理,并对京唐高炉低硅高温冶炼的生产实践进行了总结。热力学分析表明,高风压、高富氧率会增大煤气中的CO分压,从而抑制了炉渣中(SiO_2)的还原,降低了铁水中[Si]含量,因而高风压、高富氧操作是实现低硅高温冶炼的主要途径。京唐高炉通过调整送风制度,缩小风口面积,鼓风动能控制在115～149kJ/s,逐步实现了低硅高温冶炼,同时炉缸活跃性不断改善。