基于容差算法的烧结矿质量预测模型优化研究

在对烧结矿进行质量预测时,与真实值比较,预测值在一定的误差范围内即可认为预测命中。现有的预测模型评价算法没有考虑到烧结矿质量预测的命中条件,因此,无法反映出烧结矿质量预测模型的真实性能。针对此问题,提出了一种基于容差算法的烧结矿质量预测模型的评价算法,以反映出烧结矿质量预测模型的真实性能。通过构建烧结矿质量预测模型,得到大量烧结矿质量指标的预测值,使用容差算法对烧结矿质量预测模型进行评价。经过测试,容差算法可以对烧结矿质量预测模型进行客观评价,并展现出更为良好的性能。与传统的预测模型评价方法做比较,容差算法可以更快地完成模型评价。此外,容差算法应用到其他领域的预测模型也有良好的表现性能。

烧结负压对烧结矿质量的影响

中国钢铁行业存在烧结矿质量低下的问题,因此提高烧结矿质量对于钢铁行业发展起到重要作用。烧结生产的工艺流程复杂,需要优化和调整的细节较多,如烧结负压、燃料配比、料层高度等因素均对烧结矿的质量产生较大影响。为了进一步提高烧结矿的质量和成品率,本文展开了一系列相关研究。研究结果表明,随着烧结负压的增加,烧结时间变快、废气温度降低、烧结矿成品率、<10mm粒级指标变差、烧结矿转鼓强度变差。因此在实际生产中要合理控制烧结负压,从而得到理想指标的烧结矿,这对于改善烧结矿产质量和优化烧结工艺具有重要的指导作用。

YOLO-VDCW:一种新的轻量化带钢表面缺陷检测算法

带钢表面的缺陷检测技术对确保带钢产品质量达到标准至关重要。针对目前带钢表面缺陷检测模型存在结构复杂、计算资源利用不足以及检测精度不高等问题,提出一种新的轻量化带钢表面缺陷检测算法YOLO-VDCW。首先,引入VanillaNet模块到YOLOv8中来提高计算资源利用效率,实现模型在主干网络的轻量化;其次,采用C2fDSConv替换C2f模块,以精准传递梯度信息,进一步提升计算资源利用率和性能;此外,在C2fDSConv之后嵌入坐标注意力模块,引入坐标信息以增强目标定位准确率和感知能力;最后,将CIoU损失函数替换为Wise-IoU损失函数,以准确地衡量目标框之间的相似性,提高模型的缺陷检测性能。在NEU-DET数据集上,YOLO-VDCW实现平均检测精度(mAP)达到79.8%,相比YOLOv8n,其平均检测精度提高3.8个百分点,计算量和参数量分别减少34.1%和36.8%,检测速度提升37.9%,模型体积仅有4.9 MB。试验结果表明,YOLO-VDCW相对其他算法,在保证轻量化的同时,可有效提高带钢表面缺陷检测精度和速度。