CN105925750A - 一种基于神经网络的炼钢终点预测方法 - Google Patents
一种基于神经网络的炼钢终点预测方法 Download PDFInfo
- Publication number
- CN105925750A CN105925750A CN201610314715.3A CN201610314715A CN105925750A CN 105925750 A CN105925750 A CN 105925750A CN 201610314715 A CN201610314715 A CN 201610314715A CN 105925750 A CN105925750 A CN 105925750A
- Authority
- CN
- China
- Prior art keywords
- converter
- information
- neutral net
- flame
- steelmaking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
- C21C5/28—Manufacture of steel in the converter
- C21C5/30—Regulating or controlling the blowing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Metallurgy (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明涉及一种基于神经网络的炼钢终点预测方法,本发明中通过神经网络代替人工经验来预测中小转炉炼钢的终点,通过采集多组生产参数作为自变量,通过光纤采集转炉内部的火焰温度信息和火焰光谱信息作为自变量,以多组来训练三层BP神经网络,采用MIV对自变量进行筛选,选出对终点影响较大的自变量作为输入参数,选取待测转炉的输入参数,输入到训练好的神经网络中,得出预测的转炉终点温度和终点碳含量;本发明克服了中小转炉炼钢终点人工经验预测的不足,利用光纤传到精确测定了转炉内部的火焰信息,能够得到较为准确的神经网络。
Description
技术领域
本发明涉及炼钢自动化控制领域,更具体地说,涉及一种转炉炼钢终点预测方法。
背景技术
转炉炼钢中炼钢终点控制是转炉炼钢的关键技术之一,而转炉炼钢产钢量占总产钢量的80%以上。在大中型重点钢铁企业转炉钢产量占主导地位,因此提高完善转炉炼钢的生产能力与控制水平一直受到人们的重视。转炉炼钢是十分复杂的冶金反应过程,影响因素很多。为了实现转炉冶炼过程的自动控制,国内外开发了许多检测技术,常用的方法主要有人工经验法、化学分析法、静态终点控制、副枪法、炉气分析法等。
转炉炼钢是一个非常复杂的过程,转炉吹炼的终点控制是转炉吹炼末期的重要操作,通常总是尽可能提前让磷、硫去除到终点所要求的范围内,故终点控制简要为碳质量分数和温度的控制。目前在中国中小转炉采用的人工经验控制和传统的静态模型很难达到要求的控制精度。而随着人们对钢的质量要求的提高,势必要求采用有效的控制技术以提高转炉冶炼水平。目前,日本和欧美一些大型工厂在静态模型的基础上,辅以副枪、炉气分析、光学探头和炉渣在线检测等手段,成功地实现了转炉全程动态控制自动化炼钢。然而,化学分析法的测量时间远远不能满足冶炼过程控制的实时性要求,且在取样时存在喷溅的事故。副枪法终点命中率高,但价格昂贵,同时探头属于消耗品,不能连续获取吹炼信息,对炉容要求高,一般只适合于100t以上转炉。目前,炉气分析仪和副枪等装置仅在一些大型钢厂所使用。目前国内约有60%以上的铁水是通过中小型转炉进行吹炼的,由于炉口尺寸的限制,难以采用副枪等自动化设备,仍然采用人工看火的经验控制方式,导致控制精度较低。
过程控制中常用的建模方法基本可以分为三大类:白箱模型(机理模型)、黑箱模型(统计模型)、灰箱模型(机理和统计相结合的模型)。由于复杂过程的机理模型很难建立,基于精确数学模型的传统优化控制技术往往很难在实际生产中得到应用。随着现代工业生产装置的大型化、综合化、复杂化,工业对象存在非线性、不确定性、大时滞、参数分布性和时变性,过程建模难度增大,需要综合运用控制理论、信息处理、现代统计理论和优化技术来实现流程工业过程建模。人工智能方法近年来在很多实际问题中的成功应用使得研究者们纷纷将其引入到炼钢过程中来,期待能够替代机理模型对炼钢过程进行准确的预测和控制。由于神经网络方法具有的对非线性过程拟合的能力以及易实现性,许多学者已经将其用于对转炉炼钢过程的建模,并取得了一定的成功。
人工神经网络(Artificial Neural Networks)也简称为神经网络(NNs)或称作连接模型(Connection Model),是指在信息和计算机科学等领域内向生物学习过程中而构造的神经网络。它是一种模仿人脑神经网络行为特征,由大量神经元广泛互联而成为一种复杂网络***,进行分布式并行信息处理的算法数学模型。这种网络依靠***的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
专利文献2004100568923中公开了采用人工神经网络来预测转炉炼钢终点温度和含碳量的技术方案,但是存在的问题是,训练神经网络的参数较杂不够精确,导致得到的神经网络会存在比较大的预测误差。影响转炉终点碳含量和温度的因素有很多,专利文献2011103240380中公开采用炉口火焰信息为主要参数,结合其他参数共同训练神经网络,来预测转炉终点的碳含量和温度,该文献中存在火焰信息获取不够精确的问题,导致预测误差偏大。
发明内容
有鉴于此,本发明提供了一种基于神经网络的炼钢终点预测方法,采用精确采集的火焰信息和其他生产参数信息作为变量,以实现提高控制精度和命中率,提高转炉生产效率、产品质量的目的。本发明技术方案如下:
一种基于神经网络的炼钢终点预测方法,包括:通过生产设备采集多组转炉炼钢中的参数信息,所述参数信息包括铁水的重量、铁水的温度、碳含量、废钢质量、氧枪吹氧时间、氧枪位置和吹氧量;在转炉侧壁设置通气孔,通过光纤获得转炉内部的火焰信息,所述火焰信息包括光谱信息和温度信息;
将所述铁水的重量、铁水的温度、碳含量、氧枪吹氧时间、吹氧量、火焰光谱信息和火焰温度信息作为自变量,利用所述自变量构成训练样本;
建立三层BP神经网络,利用所述训练样本对建立的BP神经网络进行训练,将所述训练样本输入到三层BP神经网络,计算得到终点温度和终点碳含量,将计算得到终点温度和终点碳含量与实际测量的终点温度和终点碳含量对比,直至计算值与实际值的相差足够小或为零,从而确定三层BP神经网络的中间层权值和阈值;
采用MIV 算法对所有的所述自变量进行筛选,筛选出对预测结果的影响程度达到预设标准的自变量;将所述神经网络将筛选出的对所述预测结果的影响程度达到预设标准的自变量作为输入参数;
选取待预测炼钢转炉的输入参数,输入到训练好的BP神经网络中,神经网络给出对转炉炼钢终点的预测结果;所述转炉炼钢终点包括终点时间、碳含量和钢水温度。
进一步的,三层BP神经网络包括输入层、中间层和输出层。
进一步的,光纤将转炉内部的火焰信息传送给光谱分析模块和图像处理模块。
进一步的,光谱分析模块包括光谱分析仪,光谱分析模块分析给出转炉内部的火焰光谱信息数据。
进一步的,图像处理模块包括分光模块和CCD,通过分离处理光纤到处的转炉内部火焰信息,将分离出的红外光导入CCD,将采集到的照片利用比色测温法测得转炉内的火焰温度信息数据。
进一步的,选取300-500炉次的数据作为训练样本。
进一步的,碳含量预测结果的影响程度达到预设标准的自变量包括:火焰温度、火焰光谱信息、吹氧量、氧枪吹氧时间。
进一步的,每三个月定期检测,当转炉终点的预测结果与实际偏差大于预定值时,采集炼钢转炉的参数信息作为训练样本,重新训练三层BP神经网络。
本发明的有益效果是:采用神经网络建立转炉炼钢终点预测模型,克服了中小转炉炼钢终点人工经验预测的不足,更精确的预测转炉炼钢的终点;利用光纤传到精确测定了转炉内部的火焰信息,将精确测得的参数信息用于神经网络的训练,使BP神经网络预测误差小,能够较为精确的预测转炉炼钢的终点温度和终点含碳量信息。
附图说明
图1为本发明实施例转炉炼钢终点预测的流程图。
具体实施方式
下面结合附图以实施例的方式详细描述本发明。
如图1所示,是本发明实施例基于神经网络的转炉炼钢终点预测的流程图。该方法包括:
S1、采集多组转炉炼钢中的参数信息,参数信息包括铁水的重量、铁水的温度、碳含量、废钢质量、氧枪吹氧时间、氧枪位置和吹氧量;这些参数通过生产设备直接获取。由于转炉中钢水表明反应剧烈,并且有炉渣覆盖,常规的直接从炉口采集得到的火焰信息并不准确,因此本实施例中通过在转炉侧壁设置一个通风口,在通风口出设置有光在转炉侧壁设置通气孔,通过光纤获得转炉内部的火焰信息,火焰信息包括光谱信息和温度信息;光纤带有耐高温、高透光的材料,例如石英玻璃、透明陶瓷等。
S2、将铁水的重量、铁水的温度、碳含量、氧枪吹氧时间、吹氧量、火焰光谱信息和火焰温度信息作为自变量,利用所述自变量构成训练样本;
建立三层BP神经网络,选取300-500炉子的参数数据作为训练样本对建立的BP神经网络进行训练。本实施例中优选400组转炉参数数据对三层BP神经网络进行训练。转炉的参数检测存在误差,选取的数据过少,存在一定的随机性,这样训练得到的神经网络误差就会比较大,对终点预测的误差也会很大;选取的转炉数据过多会引入不必要的数据偏差,因为选取了过多数据,出现偏差很大数据点的概率就会提高,容易引起训练神经网络的偏差,且选取过多的数据,会增加工作量。经过多次试验证明,采用300-500组的参数数据训练得到神经网络误差最小。给中间层权值和阈值赋较小的初始值。将训练样本输入到三层BP神经网络,计算得到终点温度和终点碳含量,将计算得到终点温度和终点碳含量与实际测量的终点温度和终点碳含量对比,根据计算值与实际值的差值调整中间层权值和阈值的大小,重复训练步骤,直至计算值与实际值的相差足够小或为零,从而确定三层BP神经网络的中间层权值和阈值;得到训练好的三层BP 人工神经网络。
S3、对上述训练样本中的每一自变量进行MIV 值计算;MIV 值计算又包括:
1、将待计算MIV 值的自变量对应的原值S 分别加/ 减a%S,构成新的训练样本P1和P2 ;也即,训练样本P1 中包括其他自变量的原值,以及待计算MIV 值的自变量对应的值S-a%S,而训练样本P2 中包括其他自变量对应的原值,以及待计算MIV 值的自变量对应的值S+a%S。
2、将P1 和P2 分别作为仿真样本利用上述训练后得到的神经网络进行仿真预测,得到两个仿真预测结果A1 和A2 ;
3、求出A1 和A2 的差值,作为变动自变量后对输出产生的影响变化值IV ;
4、将IV 按观测例数平均得出待计算MIV 值的自变量对应的MIV 值。
5、根据MIV 值的绝对值的大小对自变量进行排序(MIV 值的绝对值越大,表示其影响程度越大),选取绝对值达到预设值的自变量。上述预设值与预设标准相对应。
将所述神经网络将筛选出的对所述预测结果的影响程度达到预设标准的自变量作为输入参数;
筛选出的自变量可用于指导采集步骤,简化所采集的信息种类。节约时间、资源和人力成本。
S4、选取待预测炼钢转炉的输入参数,输入到训练好的BP神经网络中,神经网络给出对转炉炼钢终点的预测结果;转炉炼钢终点包括终点时间、碳含量和钢水温度。
S5、每三个月定期检测,当转炉终点的预测结果与实际偏差较大时,采集炼钢转炉的参数信息作为训练样本,重新训练三层BP神经网络。当炼钢转炉使用一段时间后,转炉的各种生产参数都会发生一定程度的变化,从而使BP神经网络的预测产生偏差,因此定期检测,检验神经网络预测终点值与实际值的误差,若误差过大,大于预定值,则重新采集数据,重新训练三层BP神经网络,可以确保神经网络对转炉终点预测的准确性。
本发明采用神经网络建立转炉炼钢终点预测模型,克服了中小转炉炼钢终点人工经验预测的不足,更精确的预测转炉炼钢的终点;利用光纤传到精确测定了转炉内部的火焰信息,将精确测得的参数信息用于神经网络的训练,使BP神经网络预测误差小,能够较为精确的预测转炉炼钢的终点温度和终点含碳量信息;采用300-500组的转炉数据信息作为训练样本训练三层BP神经网络,能够得到较为准确的神经网络 ;采用MIV算法筛除了对终点预测作用较小的自变量,提高了效率,减少了数据采集的工作量;通过定期检验BP神经网络终点预测值与实际测量值的误差,及时调整,重新训练神经网络,保证了神经网络预测的准确性。
Claims (8)
1.一种基于神经网络的炼钢终点预测方法,其特征在于,包括:通过生产设备采集多组转炉炼钢中的参数信息,所述参数信息包括铁水的重量、铁水的温度、碳含量、废钢质量、氧枪吹氧时间、氧枪位置和吹氧量;在转炉侧壁设置通气孔,通过光纤获得转炉内部的火焰信息,所述火焰信息包括光谱信息和温度信息;
将所述铁水的重量、铁水的温度、碳含量、氧枪吹氧时间、吹氧量、火焰光谱信息和火焰温度信息作为自变量,利用所述自变量构成训练样本;
建立三层BP神经网络,利用所述训练样本对建立的BP神经网络进行训练,将所述训练样本输入到三层BP神经网络,计算得到终点温度和终点碳含量,将计算得到终点温度和终点碳含量与实际测量的终点温度和终点碳含量对比,直至计算值与实际值的相差足够小或为零,从而确定三层BP神经网络的中间层权值和阈值;
采用MIV 算法对所有的所述自变量进行筛选,筛选出对预测结果的影响程度达到预设标准的自变量;将所述神经网络将筛选出的对所述预测结果的影响程度达到预设标准的自变量作为输入参数;
选取待预测炼钢转炉的输入参数,输入到训练好的BP神经网络中,神经网络给出对转炉炼钢终点的预测结果;所述转炉炼钢终点包括碳含量和钢水温度。
2.根据权利要求1所述的预测方法,其特征在于,所述三层BP神经网络包括输入层、中间层和输出层。
3.根据权利要求2所述的预测方法,其特征在于,所述光纤将转炉内部的火焰信息传送给光谱分析模块和图像处理模块。
4.根据权利要求3所述的预测方法,其特征在于,所述光谱分析模块包括光谱分析仪,光谱分析模块分析给出转炉内部的火焰光谱信息数据。
5.根据权利要求4所述的预测方法,其特征在于,所述图像处理模块包括分光模块和CCD,通过分离处理光纤到处的转炉内部火焰信息,将分离出的红外光导入CCD,将采集到的照片利用比色测温法测得转炉内的火焰温度信息数据。
6.根据权利要求1-5任一项所述的预测方法,其特征在于,选取300-500炉次的数据作为训练样本。
7.根据权利要求6所述的预测方法,其特征在于,所述碳含量预测结果的影响程度达到预设标准的自变量包括:火焰温度、火焰光谱信息、吹氧量、氧枪吹氧时间。
8.根据权利要求7所述的预测方法,其特征在于,每三个月定期检测,当转炉终点的预测结果与实际偏差大于预定值时,采集炼钢转炉的参数信息作为训练样本,重新训练三层BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610314715.3A CN105925750A (zh) | 2016-05-13 | 2016-05-13 | 一种基于神经网络的炼钢终点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610314715.3A CN105925750A (zh) | 2016-05-13 | 2016-05-13 | 一种基于神经网络的炼钢终点预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105925750A true CN105925750A (zh) | 2016-09-07 |
Family
ID=56835792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610314715.3A Pending CN105925750A (zh) | 2016-05-13 | 2016-05-13 | 一种基于神经网络的炼钢终点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105925750A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446405A (zh) * | 2016-09-23 | 2017-02-22 | 北京大学深圳研究生院 | 一种集成电路器件神经网络建模样本选择方法及装置 |
CN108251591A (zh) * | 2018-01-15 | 2018-07-06 | 上海大学 | 利用lstm***的顶底复合吹炼转炉生产工艺控制方法 |
CN108676955A (zh) * | 2018-05-02 | 2018-10-19 | 中南大学 | 一种转炉炼钢终点碳含量和温度控制方法 |
CN108803705A (zh) * | 2018-08-21 | 2018-11-13 | 成渝钒钛科技有限公司 | 一种炼钢***的温度优化控制方法、控制装置及应用与计算机可读存储介质 |
CN109186967A (zh) * | 2018-07-18 | 2019-01-11 | 西安交通大学 | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
CN109234491A (zh) * | 2018-11-20 | 2019-01-18 | 北京科技大学 | 一种基于极限学习机的转炉炼钢终点锰含量预测方法 |
CN109252009A (zh) * | 2018-11-20 | 2019-01-22 | 北京科技大学 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
CN109975507A (zh) * | 2019-04-28 | 2019-07-05 | 华北理工大学 | 一种炼钢后期钢水碳含量与温度值的实时确定方法及*** |
CN110533032A (zh) * | 2019-08-22 | 2019-12-03 | 江苏联峰实业有限公司 | 一种获取高纯度低温用钢的方法和装置 |
CN111079537A (zh) * | 2019-11-18 | 2020-04-28 | 中冶赛迪技术研究中心有限公司 | 转炉冶炼工况的识别方法、***、机器可读介质及设备 |
CN112195302A (zh) * | 2020-10-16 | 2021-01-08 | 中冶赛迪技术研究中心有限公司 | 一种预测转炉一次烟气电除尘***风险的方法及装置 |
CN112907584A (zh) * | 2021-01-08 | 2021-06-04 | 昆明理工大学 | 改进mtbcd火焰图像特征提取的转炉炼钢终点碳含量预测方法 |
CN113033705A (zh) * | 2021-04-22 | 2021-06-25 | 江西理工大学 | 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法 |
CN113255102A (zh) * | 2021-04-23 | 2021-08-13 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
TWI739364B (zh) * | 2019-04-02 | 2021-09-11 | 日商Jfe鋼鐵股份有限公司 | 轉爐之噴濺預測方法、轉爐之作業方法及轉爐之噴濺預測系統 |
CN113487520A (zh) * | 2021-09-07 | 2021-10-08 | 南通宏耀锅炉辅机有限公司 | 基于转炉温度测量的高动态范围图像生成方法及*** |
CN114414648A (zh) * | 2022-03-29 | 2022-04-29 | 联泰集群(北京)科技有限责任公司 | 一种基于机器学习的自动电位滴定方法及*** |
CN115715331A (zh) * | 2020-07-01 | 2023-02-24 | 杰富意钢铁株式会社 | 转炉吹炼控制方法及转炉吹炼控制*** |
CN116083676A (zh) * | 2021-11-08 | 2023-05-09 | 清华大学 | 转炉炼钢过程监控方法、装置、设备和*** |
CN116128165A (zh) * | 2023-04-13 | 2023-05-16 | 深圳大学 | 一种基于miv-bp的建筑构件质量预测方法及*** |
CN116240328A (zh) * | 2021-12-03 | 2023-06-09 | 清华大学 | 转炉炼钢终点控制方法、***、装置、设备、介质及产品 |
CN117553921A (zh) * | 2024-01-12 | 2024-02-13 | 山东钢铁股份有限公司 | 转炉钢水温度预测方法、***、终端及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06264129A (ja) * | 1992-06-12 | 1994-09-20 | Kawasaki Steel Corp | 転炉製鋼の終点制御方法 |
CN1588346A (zh) * | 2004-08-30 | 2005-03-02 | 邢台钢铁有限责任公司 | 利用人工神经网络技术预测转炉终点的方法 |
CN102392095A (zh) * | 2011-10-21 | 2012-03-28 | 湖南镭目科技有限公司 | 转炉炼钢终点预测方法和*** |
CN102876838A (zh) * | 2012-10-30 | 2013-01-16 | 湖南镭目科技有限公司 | 一种转炉内碳含量和温度检测*** |
-
2016
- 2016-05-13 CN CN201610314715.3A patent/CN105925750A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06264129A (ja) * | 1992-06-12 | 1994-09-20 | Kawasaki Steel Corp | 転炉製鋼の終点制御方法 |
CN1588346A (zh) * | 2004-08-30 | 2005-03-02 | 邢台钢铁有限责任公司 | 利用人工神经网络技术预测转炉终点的方法 |
CN102392095A (zh) * | 2011-10-21 | 2012-03-28 | 湖南镭目科技有限公司 | 转炉炼钢终点预测方法和*** |
CN102876838A (zh) * | 2012-10-30 | 2013-01-16 | 湖南镭目科技有限公司 | 一种转炉内碳含量和温度检测*** |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446405A (zh) * | 2016-09-23 | 2017-02-22 | 北京大学深圳研究生院 | 一种集成电路器件神经网络建模样本选择方法及装置 |
CN106446405B (zh) * | 2016-09-23 | 2018-12-18 | 北京大学深圳研究生院 | 一种集成电路器件神经网络建模样本选择方法及装置 |
CN108251591A (zh) * | 2018-01-15 | 2018-07-06 | 上海大学 | 利用lstm***的顶底复合吹炼转炉生产工艺控制方法 |
CN108676955A (zh) * | 2018-05-02 | 2018-10-19 | 中南大学 | 一种转炉炼钢终点碳含量和温度控制方法 |
CN108676955B (zh) * | 2018-05-02 | 2019-07-12 | 中南大学 | 一种转炉炼钢终点碳含量和温度控制方法 |
CN109186967A (zh) * | 2018-07-18 | 2019-01-11 | 西安交通大学 | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
CN109186967B (zh) * | 2018-07-18 | 2019-10-11 | 西安交通大学 | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
CN108803705A (zh) * | 2018-08-21 | 2018-11-13 | 成渝钒钛科技有限公司 | 一种炼钢***的温度优化控制方法、控制装置及应用与计算机可读存储介质 |
CN109234491A (zh) * | 2018-11-20 | 2019-01-18 | 北京科技大学 | 一种基于极限学习机的转炉炼钢终点锰含量预测方法 |
CN109252009A (zh) * | 2018-11-20 | 2019-01-22 | 北京科技大学 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
TWI739364B (zh) * | 2019-04-02 | 2021-09-11 | 日商Jfe鋼鐵股份有限公司 | 轉爐之噴濺預測方法、轉爐之作業方法及轉爐之噴濺預測系統 |
CN109975507A (zh) * | 2019-04-28 | 2019-07-05 | 华北理工大学 | 一种炼钢后期钢水碳含量与温度值的实时确定方法及*** |
CN110533032A (zh) * | 2019-08-22 | 2019-12-03 | 江苏联峰实业有限公司 | 一种获取高纯度低温用钢的方法和装置 |
CN111079537A (zh) * | 2019-11-18 | 2020-04-28 | 中冶赛迪技术研究中心有限公司 | 转炉冶炼工况的识别方法、***、机器可读介质及设备 |
CN111079537B (zh) * | 2019-11-18 | 2023-09-26 | 中冶赛迪技术研究中心有限公司 | 转炉冶炼工况的识别方法、***、机器可读介质及设备 |
CN115715331A (zh) * | 2020-07-01 | 2023-02-24 | 杰富意钢铁株式会社 | 转炉吹炼控制方法及转炉吹炼控制*** |
CN112195302A (zh) * | 2020-10-16 | 2021-01-08 | 中冶赛迪技术研究中心有限公司 | 一种预测转炉一次烟气电除尘***风险的方法及装置 |
CN112195302B (zh) * | 2020-10-16 | 2023-05-12 | 中冶赛迪技术研究中心有限公司 | 一种预测转炉一次烟气电除尘***风险的方法及装置 |
CN112907584A (zh) * | 2021-01-08 | 2021-06-04 | 昆明理工大学 | 改进mtbcd火焰图像特征提取的转炉炼钢终点碳含量预测方法 |
CN113033705B (zh) * | 2021-04-22 | 2022-12-02 | 江西理工大学 | 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法 |
CN113033705A (zh) * | 2021-04-22 | 2021-06-25 | 江西理工大学 | 一种基于模式识别的铜转炉吹炼造渣期终点智能判断与校验方法 |
CN113255102B (zh) * | 2021-04-23 | 2022-02-08 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
CN113255102A (zh) * | 2021-04-23 | 2021-08-13 | 北京科技大学 | 一种转炉终点钢水碳含量与温度预测方法及装置 |
CN113487520B (zh) * | 2021-09-07 | 2021-11-05 | 南通宏耀锅炉辅机有限公司 | 基于转炉温度测量的高动态范围图像生成方法及*** |
CN113487520A (zh) * | 2021-09-07 | 2021-10-08 | 南通宏耀锅炉辅机有限公司 | 基于转炉温度测量的高动态范围图像生成方法及*** |
CN116083676A (zh) * | 2021-11-08 | 2023-05-09 | 清华大学 | 转炉炼钢过程监控方法、装置、设备和*** |
CN116240328A (zh) * | 2021-12-03 | 2023-06-09 | 清华大学 | 转炉炼钢终点控制方法、***、装置、设备、介质及产品 |
CN114414648A (zh) * | 2022-03-29 | 2022-04-29 | 联泰集群(北京)科技有限责任公司 | 一种基于机器学习的自动电位滴定方法及*** |
CN116128165A (zh) * | 2023-04-13 | 2023-05-16 | 深圳大学 | 一种基于miv-bp的建筑构件质量预测方法及*** |
CN117553921A (zh) * | 2024-01-12 | 2024-02-13 | 山东钢铁股份有限公司 | 转炉钢水温度预测方法、***、终端及存储介质 |
CN117553921B (zh) * | 2024-01-12 | 2024-04-19 | 山东钢铁股份有限公司 | 转炉钢水温度预测方法、***、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105925750A (zh) | 一种基于神经网络的炼钢终点预测方法 | |
CN102392095B (zh) | 转炉炼钢终点预测方法和*** | |
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
CN1224720C (zh) | 一种利用智能控制***控制高炉冶炼的方法 | |
CN106909705B (zh) | 一种高炉铁水质量预报方法及其*** | |
CN102876838B (zh) | 一种转炉内碳含量和温度检测*** | |
CN111949700A (zh) | 用于石化装置的智能安全保障实时优化方法及*** | |
CN101542464B (zh) | 对具有大时滞的工艺的模糊逻辑控制 | |
CN111651931A (zh) | 基于深度神经网络的高炉故障诊断规则导出方法 | |
CN109884892A (zh) | 基于交叉相关时滞灰色关联分析的流程工业***预测模型 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN104778361B (zh) | 改进型EMD‑Elman神经网络预测铁水硅含量的方法 | |
CN1207399C (zh) | 智能控制高炉冶炼的*** | |
Martín et al. | Hot metal temperature prediction in blast furnace using advanced model based on fuzzy logic tools | |
CN113420500B (zh) | 智能常减压*** | |
EP2935633A1 (de) | Verfahren und vorrichtung zur vorhersage, steuerung und/oder regelung von stahlwerksprozessen | |
CN117312816B (zh) | 一种特种钢材的冶炼效果评估方法及*** | |
CN113239482A (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
US20050137995A1 (en) | Method for regulating a thermodynamic process by means of neural networks | |
Wu et al. | Integrated soft sensing of coke-oven temperature | |
CN110989510A (zh) | 一种热镀锌产品全流程质量控制与等级自动判断*** | |
CN108760592A (zh) | 一种基于bp神经网络的飞灰含碳量在线测量方法 | |
CN116738863A (zh) | 基于数字孪生运算炉外精炼co2利用数字模型搭建方法 | |
Takalo-Mattila et al. | Explainable steel quality prediction system based on gradient boosting decision trees |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160907 |