高炉冶炼过程计算机控制系统优化

钢铁是城市建设不可或缺的基础资源,随着我国经济社会的快速发展,对钢铁产品的需求量不断扩大,促使我国钢铁工业快速发展。高炉冶炼过程是钢铁生产的重要环节,其生产效率和产品质量直接影响钢铁企业的经济效益和市场竞争力,目前我国高炉炼铁技术在不断更新,以低污染、低消耗、低成本作为主要目标,向着高效化、自动化、大型化前进。本文提出了一种基于大数据分析的智能高炉性能控制系统。该系统利用了高炉多年运行统计数据中的隐藏关系,通过聚类分析确定高炉的运行模式。采用了Kohonen神经网络作为聚类分析的工具。根据高炉参数,得出了不同的运行模式,并提出了专家系统的设计思路。该专家系统可以根据最高生产率和最低焦炭消耗的目标,评估和优化高炉的效率。此外,该系统还可以在规划车间在特定时间段内的工作提供计算支持。

高炉炉况判断神经网络专家系统

在深入分析高炉冶炼特点的基础上，提出泛化特性和自适应特性是高炉炉况判断系 统稳定有效运行的２个重要特性．设计了增进系统泛化特性和自适应特性的方案，并相应开发 出一套炉况判断专家系统．开发的系统在高炉上运行获得了满意效果．

神经网络专家系统及其数据挖掘技术的探讨

知识发现是目前数据库和机器学习研究中的热门方向 .本文在讨论了神经网络专家系统技术的基础上 ,探讨了如何在神经网络专家系统中融入知识发现的过程 ,给出了一个系统框架及其中的一些算法 。

高炉异常炉况神经网络专家系统

采用神经网络来表达高炉专家系统的模糊规则及其隶属函数，生成的网络用于实现模糊推理，从而实现自动修改隶属函数，模拟模糊规则。采用本系统可实现快速的无匹配模糊推理并具有较强的学习能力。

神经网络高炉炉况预测与判断专家系统

将神经网络与传统专家系统有机地结合，建立了用于高炉炉况预测与判断的神经网络专家系统。该系统命中率高、适应性强，且具有良好的自学习功能。

专家系统及神经网络在高炉炼铁中的应用

借助于专家系统实现对高炉炉况的描述和控制，是当今高炉实现计算机控制技术的发展方向。神经网络可以解决高炉专家系统最困难的知识获取与推理能力弱等问题，并适合于对高炉分布数据进行模式识别。专家系统与神经网络有互补的作用。

基于神经网络的高炉异常炉况判断专家系统

采用反向传播网络作为推理机，构造了高炉异常炉况判断专家系统，该系统具有良好的自学习功能和联想记忆功能。系统采用离线学习方式，在线运行时，可将高炉操作实绩存入知识库，作为进一步学习的样本。

基于知识发现技术的神经网络专家系统

为了克服传统专家系统的 3大缺陷 ,在讨论专家系统新技术的基础上 ,探讨如何在专家系统中融入知识发现的技术 ,提出一个新的系统框架 ,在其中使用的一些知识发现算法包括历史数据库中的数据挖掘及知识库中的知识发现 .对此新的专家系统框架给予了实验 ,结果是 :系统运行后 ,既可以发现新知识 ,又可以改进原有规则 .这样大大提高了系统知识获取的能力 ,而且也求精了知识库 .

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。

磁选管回收率智能混合预报方法

针对衡量竖炉焙烧过程焙烧矿质量好坏的关键工艺指标磁选管回收率难以在线测量、化验结果滞后的难题,采用神经网络、案例推理和专家系统技术,提出了由神经网络预报模型、案例推理预报模型、自校正模型组成的磁选管回收率智能混合预报模型,讨论了模型的结构、主要功能和实现算法,并成功应用于赤铁矿选矿厂竖炉焙烧过程.应用效果表明,在工况正常与异常两种情况下,所提出的方法均能准确预报磁选管回收率.将磁选管回收率预报模型应用于竖炉焙烧过程的优化控制,使磁选管回收率保持在最优工艺指标范围之内,取得了明显的成效.*

人工智能在高炉控制中的应用

应用于高炉控制的人工智能模型主要有:高炉专家系统、神经网络模型及神经网络专家系统。高炉专家系统虽然具有知识推理的透明性,但却不具备自学习功能;神经网络模型虽然具有很强的自学习功能,但又不具备知识推理的透明性;神经网络专家系统则同时具备两者的优点。

电网故障诊断研究方法

介绍了电网故障诊断的研究目的和意义,对国内外电网故障诊断的研究方法进行了叙述,并分析了各种研究方法的特点和适用场合,最后指出了该领域的主要问题和未来发展的趋势。

高炉专家系统技术展望

从知识工程角度阐述了高炉专家系统技术发展的趋势，介绍了数据库、神经网络、专家系统分布式及协同式、机器人、多媒体及专家系统开发工具等技术对高炉专家系统的影响，并提出基于多种技术集成的高炉智能控制的思想。

专家系统与人工神经网络在小型高炉控制系统中的应用

本文根据中小高炉实际情况,提出了小型高炉控制专家系统的设计方案,并对硬件选型和软件设计作了介绍。

先进制造系统中的智能诊断技术

随着制造系统设备及其功能的集成化、智能化和复杂化 ,保证制造系统安全高效运行的智能诊断技术发挥出越来越大的作用。文章就制造系统智能诊断的主要技术方法作了简要的说明和归纳 ,并指出各种智能诊断技术的相互融合是进一步提高诊断效率和准确性的有效途径。

神经网络状态方程在强爆炸冲击波数值模拟中的应用

强爆炸数值模拟的主要挑战在于如何准确地描述爆炸产物状态方程。利用BP神经网络和强爆炸产物状态数据对神经网络产物状态方程进行训练,并将得到的状态方程植入自编的一维球对称数值模拟程序,对强爆炸冲击波参数进行了计算。结果显示,计算得到的冲击波峰值超压、冲击波到时、正压时间与标准值吻合较好,证明将神经网络状态方程应用于强爆炸冲击波数值模拟是可行的。研究结果对确定强爆炸数值模拟方法具有很好的借鉴意义。

CNN-GRU模型预测高炉煤气产生量

为了更好的利用海量数据中蕴藏的隐藏规律,对数据更好的挖掘,提高对钢铁企业高炉煤气产生量的预测精度,针对钢铁企业实际生产作业所采集到的非平稳非线性的数据,这里提出一种将卷积神经网络(CNN)和门结构循环单元(GRU)网络相结合的预测模型。模仿词向量方法,将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入,采用CNN对输入进行特征提取,将得到的特征向量构造为时间序列,并作为输入数据给GRU网络进行高炉煤气产生量预测。这里所提出的方法,对唐山某钢铁企业的实际生产中数据进行预测实验,结果表明,这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度。

小波神经网络在高炉铁水温度预测中的建模研究

针对铁水硅含量预测高炉炉温的不科学性,本文以高炉铁水温度为研究对象,建立基于小波神经网络的预测高炉炉温模型。首先利用数理统计的方法对海量的样本数据进行预处理和特征提取,然后利用相关分析的方法归纳出影响炉温的关键变量,进而建立以出铁批次为时间序列的高炉铁水温度小波神经网络预测模型。最后,应用某钢厂高炉数据做模型试验,相对传统的BP神经网络模型,小波神经网络模型有较好的命中率和预测精度。

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。