A chaos genetic algorithm for optimizing an artificial neural network of predicting silicon content in hot metal

A genetic algorithm based on the nested intervals chaos search (NICGA) hasbeen given. Because the nested intervals chaos search is introduced into the NICGA to initialize thepopulation and to lead the evolution of the population, the NICGA has the advantages of decreasingthe population size, enhancing the local search ability, and improving the computational efficiencyand optimization precision. In a multi4ayer feed forward neural network model for predicting thesilicon content in hot metal, the NICGA was used to optimize the connection weights and thresholdvalues of the neural network to improve the prediction precision. The application results show thatthe precision of predicting the silicon content has been increased.

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。

神经网络在高炉铁水硫含量预报中的应用

采用3层BP神经网络来预报高炉铁水硫含量,根据高炉冶炼的实际生产数据,选取风温、风量、炉顶温度、焦炭负荷、喷煤量、矿石硫含量、焦炭硫含量、煤粉硫含量和上一炉铁水硅含量9个因素作为输入变量,为提高神经网络预报的准确率,对输入参数进行时滞处理。采取附加动量项和自适应学习步长的措施,解决了BP神经网络局部收敛和学习时间过长的问题。模型预报结果表明:当允许绝对误差不大于0.001时,预报命中率为70.7%;当允许绝对误差不大于0.005时,命中率为90%,证明了模型的有效性。

铁水含硅量预报神经网络模型

针对我国高炉的检测水平，采用人工神经网络的方法建立了一种用于铁水含硅量预报的神经网络模型。该模型具有良好的适应性和自学习功能。

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 。

基于神经网络和灰色理论的密闭鼓风炉透气性预测模型

以密闭鼓风炉熔炼过程为研究对象 ,采用自适应组合集成技术将神经网络NN和灰色理论有机结合的方法建立了密闭鼓风炉透气性预测模型。仿真和工业应用结果表明 :所提出的模型能很好地实现密闭鼓风炉透气性的预测 ,并能使铅锌产量得到显著的提高。

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BP神经网络的高炉熔渣黏度预测

建立一种BP神经网络模型来预测多元组分CaO-SiO2-Al2O3-MgO系高炉熔渣的黏度,并对其测量值进行实验验证。结果表明,采用BP神经网络模型对高炉渣黏度预测的总平均误差为2.36%,较好地解决了预测结果与实验结果之间的非线性关系,且预测结果与实验结果相吻合。

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。

基于神经网络的高炉炉温预测模型的研究

文章针对BP网络收敛速度慢和易于陷入极小值的问题,应用RBF网络模型对高炉铁水硅含量进行了预测,通过对高炉一段连续时期内正常生产的数据经过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RBF人工神经网络预测模型后,能预测铁水硅含量的高低,从而判断炉温走势,调控炉温,同时监测多个生产过程控制对象,有利于提高高炉生产艺,实现节能降耗。

改进的BP算法在中小型高炉炉温预测上的应用

本研究应用人工神经网络方法对高炉炉温进行预测,确定了三层前向网络结构。针对基于梯度下降法的BP网络存在的学习效率低、收敛速度慢、易陷于局部极小状态、网络的泛化及适应能力较差等缺陷,采用了附加动量法及自适应学习率、合理选择激励函数等策略对算法中的缺陷给出了改进措施,取得了较好的应用效果。

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。

基于神经网络的高炉硅含量预测的系统开发

高炉炼铁过程中,生铁含硅量的降低和稳定,是高炉冶炼条件和技术水平的标准性指标,也是提高产量、减少燃料、降低生铁成本的重要因素。针对高炉生产中硅含量的检测和控制滞后的问题,介绍基于神经网络的高炉硅含量预测的设计和程序开发。运行结果表明:现场预测效果良好,而且可以随着炉况的变化,可调整样本集,使预测模型做相应调整。开发的系统适应性强,值得进一步推广。

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 %。

基于SSA优化的XGBoost-BP融合模型的高炉压差预测

高炉压差对高炉的正常运行和冶炼效率有着重要的影响。压差过高会导致悬料,破坏高炉顺行;压差过低会引发炉内气流过吹甚至管道气流现象。因此,将高炉压差维持在一定范围内是保证高炉炉况稳定的前提,对高炉压差提前预测可以帮助操作人员了解高炉的工作状态,及时调整操作参数,进而保证炉况稳定。为了提高高炉压差预测精度,首先,以国内某钢铁企业监测的高炉冶炼数据为基础,建立了基于麻雀搜索算法(Sparrow Search Algorithm,SSA)优化的梯度提升决策树(e Xtreme Gradient Boosting,XGBoost)和BP神经网络(Back Propagation Neural Network,BPNN)融合预测模型。该模型以SSA算法对单一模型的优化为核心,并通过误差倒数法加权预测值来降低模型的预测误差。结果表明,基于SSA优化的XGBoost-BP融合模型预测效果明显高于其他模型,该模型拟合优度达到0.842,具有较高的拟合能力,对比结果显示,融合模型较SSA-BP、SSA-XGBoost模型预测误差更小,收敛速度更快,并且在±0.025×10^(5)Pa的误差范围下,其预测准确率达到了96.13%。最后,基于所提的融合模型建立高炉压差预测系统,该系统不仅起到了指导高炉生产的作用,而且对炼铁工业的转型升级具有一定的现实意义。

联合大数据和神经网络的高炉透气性预报模型

高炉的透气性对炉况的顺行至关重要,尤其是对受透气性约束(焦比大幅降低)的低碳高炉,但相关的研究十分有限。在生产实践中,高炉的透气性往往由后验获得,当高炉生产不稳定或炉况异常时,后验方法使得透气性的提高变难,此外,在低碳高炉的设计阶段是不可能通过后验方法获得其透气性的。因此,需建立先验的透气性指数预测模型以解决上述问题。基于现场收集的大数据,通过Pearson系数和灰色关联度分析(GRA)系数的相关性热力图方法对影响高炉透气性指数的变量集进行分析,明确了44个影响高炉透气性指数的特征参数。然后,对这些参数进行了数据清洗和归一化处理,以避免因存在数据值缺失、异常、特征变量间存在数量级差异等而引起的问题,构建了预测透气性指数的数据集。进而基于这些过滤后的大数据,建立并训练了一个用于预测高炉透气性指数的神经网络模型(PI-Net),该模型由输入层、3层隐藏层和输出层构成。研究结果表明,在测试集上PI-Net的均方误差为9.6×10^(-5)、均方根误差为9.78×10^(-3)、平均绝对误差为7.6×10^(-3)、线性回归决定系数为0.9792,表明了建立的模型具有合理的准确性、鲁棒性和泛化能力。最后,应用PI-Net评估了几个典型低碳高炉设计方案的透气性指数特性,并探讨了受透气性约束的低碳高炉设计方案可行性。