基于最优组合算法的烧结终点集成预测模型

针对铅锌烧结工艺过程 ,提出一种集成的烧结终点预测模型。首先利用具有自适应能力和逼近任意非线性函数的神经网络技术建立烧结终点预测模型 ;其次利用总结专家知识和操作者经验的模糊逻辑规则建立烧结终点预测模型 ;最后采用最优组合算法综合集成两种模型作为烧结终点的预测模型。实际预测结果表明 :利用集成方法建立的预测模型能够较为准确地反映实际生产过程 。

基于神经网络烧结终点(BTP)预测系统

为解决烧结过程大滞后环节和烧结终点难以测量的困难 ,采用MBP神经网络对烧结过程进行预估、仿真和测试 ,建立了有较好泛化能力的系统模型 ,实现了对烧结终点的提前预报和生产操作指导。

基于热状态参数的烧结终点自适应预报

为解决过程时滞和时变特性给烧结终点控制带来的困难 ,在对烧结过程热状态分析的基础上 ,提出了用废气温度上升点和废气温度曲线面积来提前预报终点的策略 ,用系统辨识的方法建立了时间序列模型。采用自适应技术跟踪系统的时变特性 ,实现了对终点的提前预报。

基于支持向量机预报模型的烧结终点模糊控制

针对烧结过程存在时间滞后和参数不确定问题,在分析烧结过程热状态的基础上,提出应用支持向量机优良的时序预测性能,建立了基于风箱废气温度预报烧结终点的预报模型.结合烧结终点预报模型,将模糊控制策略应用于烧结终点控制系统开发.介绍了控制系统的组成与烧结终点模糊控制器的设计方法.仿真结果和现场应用均证实了烧结终点控制系统的有效性,在存在较大干扰的情况下,能保持较好的控制品质.控制系统可准确、快速地预报烧结终点,具有稳定烧结终点和优化过程操作的作用.

基于遗传规划的铁矿烧结终点2级预测模型

为了解决铁矿烧结过程中烧结终点(BTP)的建模问题,提出改进的混合分类遗传规划(CGP)算法.算法将K-中心聚类算法与遗传规划(GP)相结合,通过K-中心聚类算法对烧结过程工况进行分类.对每一类,采用遗传规划建立风箱温度自回归预测模型.模型为2级温度预测模型,即基于温度拐点的中期模型和临近烧结终点处的短期模型.烧结终点通过预测温度的3次曲线拟合得到.实验仿真表明了所提出的2级温度预测模型的有效性.

烧结过程烧结终点的预测与智能控制策略的研究及应用

针对某烧结厂的烧结过程,建立了基于风箱废气温度的烧结终点软测量模型.提出了基于多元模糊线性回归方法的烧结终点预测模型,在此基础上设计了基于模糊专家规则与预测前馈补偿的烧结终点智能控制系统.介绍了控制系统的组成与设计方法.系统的实际运行取得了较好的控制效果.*

小波分析时间序列算法在烧结终点的预测研究

对烧结过程中烧结终点的难以精确控制问题进行研究;针对烧结终点的单一控制,优化研究远不够深入,烧结终点的判断不够准确,文中结合烧结生产具体实际,综合运用烧结理论、现代控制理论等多学科知识,将小波分析、人工智能技术合理运用于工艺实际,结合小波分析提出新的算法来对风箱温度预测建模,仿真结果表明小波分析时间序列算法进一步优化烧结预测能力,有效地抑制了烧结终点的波动,提高烧结终点的计算精度,在生产实践中具有重要的理论意义和实用价值。

基于烟气温度场分布的烧穿点智能集成预测方法

铅锌密闭鼓风烧结过程具有强非线性、时变和时滞等特性.本文在分析过程热状态的基础上,通过研究烧结机烟气温度梯度分布,建立烟气温度分布烧穿点软测量判断模型,结合烧穿点的动态特性,运用智能集成建模的思想,提出采用神经网络方法建立工艺参数预测模型,采用灰色理论建立烟气温度分布时间序列预测模型,通过模糊组合器综合与协调两个模型来预测烧穿点位置.实际运行结果表明,智能集成预测方法为铅锌烧结过程烧穿点的判断和预测提供了一种可行、有效的解决思路,为实现过程的状态优化奠定了基础.

一种烧结终点模糊滑模控制策略及其在烧结过程中的应用

烧结过程具有强非线性、时滞和时变等特性。在分析烧结过程热状态的基础上,提出了一种烧结终点的模糊滑模控制策略,将模糊逻辑和滑模控制方法结合起来,并将其应用在某烧结厂烧结机的台车速度控制中。这种控制方法能在线调整参数,对烧结过程中大惯性、大滞后对象进行有效控制,在对象参数变化或存在较大扰动的情况下,能保持较好的控制品质。结果表明:这种方法稳定了烧结生产,为实现烧结过程的智能优化控制奠定了基础。

烧结系统终点温度与点火强度最优控制算法

铁矿石烧结是钢铁生产流程的关键环节,烧结矿的物理特性,如强度、粉末含量、粒度,以及化学成分的稳定性直接影响高炉的炉况及铁水质量。通过最优控制算法,建立了烧结过程工艺参数与烧结终点温度之间的最优控制模型,实现了烧结终点温度与点火强度的最优控制。

烧结终点预测的应用研究

针对烧结终点难以检测的问题,提出以烧结矿温升趋势曲线来表征烧结过程,采用时间序列分析方法进行烧结终点预测,运用SPSSR软件建立预测模型。用马钢380m^2烧结机实际生产数据对建立的模型进行了验证。

烧结过程软测量建模综述

现代烧结过程的复杂性、不确定性导致了过程参数检测的困难。软测量技术是针对对象的不精确性、不确定性和近似性推理对系统进行建模,以获得易处理、鲁棒性好和代价小的仿人决策系统解决方案。本文针对烧结透气性、烧结终点和烧结成品化学成分的预测对烧结过程中的软测量建模技术进行了综述,结合实际应用详细讨论了建立软测量模型的方法。给出了软测量技术用于工程实际需要进一步深入研究的问题,对其将来的发展趋势作了简要展望。这些研讨对于促进软测量技术在烧结生产中的应用具有积极意义。

基于人工神经网络的烧结终点预报系统

烧结终点提前预报对于稳定终点,进而提高烧结矿强度和产量、降低能耗有重要意义。为解决烧结过程大滞后环节和烧结终点难以测量的困难,文章介绍了烧结终点的软测量方法;提出了一个新的预报参数——风箱废气温度曲线拐点;将BP神经网络应用于烧结终点的预报,实现了准确地预报烧结终点的状态和生产操作指导。

在线判断烧结矿烧结终点的模糊识别法

本文依据模糊数学理论提出了对烧结矿烧结终点在线进行判断的模糊识别方法。用计算机对从烧结机机尾摄取的彩色图像进行处理,取得合理表征烧结终点的特征参数,构造模糊子集和隶属函数,通过计算海明贴近度大小,从而判断烧结矿烧结终点。

基于T-S模型的烧结终点广义预测自适应控制

针对铁矿石的烧结过程具有时滞、非线性、不确定等特性,在研究了烧结工艺和烧结终点子系统的部分参数选型的基础上提出一种基于T-S(Takagi Sugeno)模糊模型的烧结终点的预测控制方法。首先,根据烧结终点和台车速度之间的动态非线性化关系,建立烧结终点的T-S模糊模型;然后,在此基础上进行广义预测控制器的设计;最后加入了模糊补偿控制,以实现对烧结终点的自适应控制。利用某烧结厂产生的历史数据对该方法进行仿真实验,结果表明该方法具有较高的辨识精度,超调量小,控制时间短,方法有效。

催化汽油干点软仪表计算机实时监测系统

介绍了计算机实时系统在炼油工业的应用。

济钢320 m^2烧结机智能控制系统

简介了济钢第二烧结厂320m2烧结机的工艺流程;详述了此烧结机全过程智能控制系统(简称“SPSS”)以及构成该系统的11个在线控制模型的控制功能及原理。同时,概述了该控制系统在其工艺设备及仪表上的特殊配置;充分肯定了控制系统对实现烧结生产自动化的重要作用。

基于二维区间自回归模型的烧结终点预测

炼铁烧结生产过程中,烧结终点位置难以确定,建立二维区间自回归模型对烧结终点进行预测。在阐述模型原理的基础上,设计基于运动模式的二维区间自回归预测建模流程,包括构建自回归预测模型得到计算空间的模式类别变量,利用K近邻算法分类得到模式运动空间中的模式类别变量。采用实际烧结终点废气温度数据验证模型,包括采用主成分分析法对多个废气温度时间序列得到进行降维并形成二维数据空间;利用四叉树粒子群优化算法划分废气温度时间序列二维模式运动空间;引入二维区间数来度量模式类别变量;建立二维带输入的区间自回归模型(IARX)实现炼铁烧结终点预测。结果表明,与传统的一维区间自回归模型相比,所建模型预测准确度更高。

浅谈烧结终点控制模型

介绍了通过控制BRP位置间接控制烧结终点的方法。通过计算BRP位置,实时调整烧结机速度和烧结机台车压入率厚度,使烧结终点稳定在系统设定的范围之内,形成了基于专家知识的烧结终点模糊控制系统。该模型被应用后,可根据实际情况调整烧透点的位置,保证了烧结生产正常运行,改善了烧结矿各项技术指标,2009年节约成本2310万元。

基于GA-PSO-BP神经网络的烧结终点预测模型

烧结作为钢铁冶炼过程的一个重要环节,具有非线性、多变量、大滞后等特点,而烧结终点预测是烧结过程智能控制的重点与难度。本文基于BP神经网络建模方法,采用遗传-粒子群(GA-PSO)混合算法优化BP神经网络的权值和阈值,建立基于GA-PSO-BP神经网络的烧结终点预测模型;并结合某烧结厂的现场数据,将GA-PSO-BP预测模型和PSO-BP、GA-BP、BP预测模型进行对比仿真实验。结果表明:基于GA-PSO-BP神经网路预测模型的均方根误差(RMSE)、平均绝对误差(MAE)、均方误差(MSE)以及最大绝对值误差(MAVE)分别为0.006、0.0019、3.5954×10-5和0.0467。GA-PSO-BP预测模型的预测精度和误差均优于其他3种预测模型,更适用于在实际生产中预测烧结终点位置。