CN109252009A - 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 - Google Patents
基于正则化极限学习机的转炉炼钢终点锰含量预测方法 Download PDFInfo
- Publication number
- CN109252009A CN109252009A CN201811382179.6A CN201811382179A CN109252009A CN 109252009 A CN109252009 A CN 109252009A CN 201811382179 A CN201811382179 A CN 201811382179A CN 109252009 A CN109252009 A CN 109252009A
- Authority
- CN
- China
- Prior art keywords
- manganese content
- data
- learning machine
- extreme learning
- regularization
- 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
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 229910052748 manganese Inorganic materials 0.000 title claims abstract description 79
- 239000011572 manganese Substances 0.000 title claims abstract description 79
- 238000009628 steelmaking Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000004913 activation Effects 0.000 claims abstract description 8
- 229910000677 High-carbon steel Inorganic materials 0.000 claims description 30
- 229910000954 Medium-carbon steel Inorganic materials 0.000 claims description 30
- 229910000831 Steel Inorganic materials 0.000 claims description 18
- 239000010959 steel Substances 0.000 claims description 18
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 16
- 229910052742 iron Inorganic materials 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003723 Smelting Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 229910000514 dolomite Inorganic materials 0.000 claims description 3
- 239000010459 dolomite Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000036284 oxygen consumption Effects 0.000 claims description 3
- DPTATFGPDCLUTF-UHFFFAOYSA-N phosphanylidyneiron Chemical compound [Fe]#P DPTATFGPDCLUTF-UHFFFAOYSA-N 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 239000011593 sulfur Substances 0.000 claims description 3
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 2
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 2
- 239000004571 lime Substances 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 11
- 239000013068 control sample Substances 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- BZDIAFGKSAYYFC-UHFFFAOYSA-N manganese;hydrate Chemical compound O.[Mn] BZDIAFGKSAYYFC-UHFFFAOYSA-N 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 11
- 238000007619 statistical method Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000009865 steel metallurgy Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/20—Recycling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明提出基于正则化极限学习机的转炉炼钢终点锰含量预测方法，包括以下步骤：正则化极限学习机的输入变量的选取、样本数据的预处理、归一化处理、构建正则化极限学习机和通过正则化极限学习机进行转炉炼钢终点锰含量预测；本发明通过正则化极限学习机对转炉炼钢终点锰含量进行预测，在训练过程中不需要调整网络的输入权值以及隐藏层的偏置，只需设置网络的隐藏层节点个数、正则化系数和激活函数就能产生唯一的最优解，且该模型训练速度快、预测精度高、适应性较好，同时该方法测量适应性好、训练时间短、不易陷入局部最优值，可以明显提高转炉炼钢终点锰含量的预测精度和运算速率。
Description
技术领域
本发明涉及钢铁冶金领域，尤其涉及基于正则化极限学习机的转炉炼钢终点锰含量预测方法。
背景技术
转炉炼钢作为钢铁生产流程中十分重要的环节，是目前世界上最主要的炼钢方法。在转炉冶炼过程中，若能实现对终点钢水锰含量的精准且快速的预测，则可以提高操作人员对出钢判断的准确性，以及出钢合金化操作的效率，从而降低生产成本，提高钢水质量。正则化是指在线性代数理论中，不适定问题通常是由一组线性代数方程定义的，而且这组方程组通常来源于有着很大的条件数的不适定反问题。极限学习机是一类基于前馈神经网络的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。
目前，转炉炼钢终点锰含量的预测方法主要包括统计学方法和和非统计学方法，统计学方法包括：线性回归、非线性回归等，非统计学方法包括：专家***、BP神经网络等。基于统计学方法建立的转炉炼钢终点锰含量预测模型的适应性和泛化能力较弱，而且某些统计方法是在基于副枪取样分析钢水锰含量的基础上，利用热力学和物质平衡建立了从副枪取样到吹炼终点的锰含量预测模型，成本较高，且只适用于装备有副枪的转炉；而基于非统计学方法的转炉炼钢终点锰含量预测模型具有较强的适应性和泛化能力，由于影响炼钢终点锰含量的因素众多，且各影响因素和终点锰含量之间具有较强的非线性关系，人工神经网络较强的非线性逼近能力可以很好的解决这一问题，BP神经网络是目前应用较为广泛的神经网络之一，但是基于该方法建立的模型在训练过程需要消耗大量的时间、易陷入局部最优值以及训练过程需要设置大量的网络训练参数，且预测精度低，难以迅速、及时地对转炉炼钢终点锰含量进行准确的预测，不利于钢铁企业高品质钢的高效化生产。因此，本发明提出基于正则化极限学习机的转炉炼钢终点锰含量预测方法，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明通过正则化极限学习机对转炉炼钢终点锰含量进行预测，在训练过程中不需要调整网络的输入权值以及隐藏层的偏置，只需设置网络的隐藏层节点个数、正则化系数和激活函数就能产生唯一的最优解，且该模型训练速度快、预测精度高、适应性较好，同时该方法测量适应性好、训练时间短、不易陷入局部最优值，可以明显提高了转炉炼钢终点锰含量的预测精度和运算速率。
本发明提出基于正则化极限学习机的转炉炼钢终点锰含量预测方法，包括以下步骤：
步骤一：正则化极限学习机的输入变量的选取
对转炉冶炼的中高碳钢历史数据进行采集，并确定影响转炉炼钢终点锰含量影响因素集；
步骤二：样本数据的预处理
对转炉炼钢终点锰含量的影响因素数据进行采集，然后对采集的样本数据进行预处理，确定最终的样本数据集合；
步骤三：归一化处理
将步骤二中得到的数据样本集合进行归一化处理，消除不同的数据量纲；
步骤四：构建正则化极限学习机
将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集，选取剩余的五分之一数据样作为测试数据集，再设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机；
步骤五：通过正则化极限学习机进行转炉炼钢终点锰含量预测
转炉吹炼开始后，通过正则化极限学习机对转炉炼钢终点锰含量进行预测，得到转炉炼钢终点锰含量数据。
进一步改进在于：所述步骤一中具体过程为：首先对转炉冶炼的中高碳钢历史数据进行采集，根据转炉炼钢终点锰含量的影响因素和终点锰含量，结合冶金基本原理和运用Pearson(皮尔逊)相关系数进行相关性分析，确定模型的输入变量个数，找到影响转炉炼钢终点锰含量的影响因素。
进一步改进在于：所述输入变量包括转炉中的铁水装入量、废钢装入量、铁水温度、铁水磷含量、铁水锰含量、铁水硫含量、氧耗量、石灰加入量、轻烧白云石加入量以及化渣剂加入量。
进一步改进在于：所述步骤二中先对转炉炼钢终点锰含量的影响因素数据进行采集，并对影响转炉炼钢终点锰含量的因素进行样本数据的预处理，对异常数据进行剔除，确定最终的样本数据集合。
进一步改进在于：所述数据的预处理采用的方法为通过剔除和数据平滑技术对异常数据进行预处理。
进一步改进在于：所述步骤三中归一化处理数据选择的范围为[-1，1]。
进一步改进在于：所述步骤四中先将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集来训练正则化极限学习机，选取剩余的五分之一数据样本作为测试数据集来验证本方法的准确性，再通过综合考虑极限学习机预测的均方误差和预测精度来设置合理的正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机。
进一步改进在于：所述步骤五具体过程为：利用过程数据库***实时采集并记录转炉的炉次信息，将得到的数据样本进行归一化处理，归一化处理数据选择范围为[-1，1]，然后利用工业控制计算机将过程数据库***提供的归一化处理后的样本数据输入到建立好的基于正则化极限学习机的转炉炼钢终点锰含量预测模型内，对现场转炉吹炼的炉次进行锰含量的预测。
进一步改进在于：所述步骤五中工业控制计算机用于实时预测转炉炼钢终点锰含量。
进一步改进在于：所述步骤五中过程数据库与工业控制计算机相连接，所述过程数据库用于实时采集、记录转炉炼钢过程数据，然后为工业控制计算机的运行提供数据支撑。
本发明的有益效果为：通过正则化极限学习机对转炉炼钢终点锰含量进行预测，在训练过程中不需要调整网络的输入权值以及隐藏层的偏置，只需设置网络的隐藏层节点个数、正则化系数和激活函数就能产生唯一的最优解，且该模型训练速度快、预测精度高、适应性较好，较基于统计学方法、专家***、BP神经网络等转炉炼钢终点锰含量预测模型的预测精度和运算速度都有了明显的提升，进而可对转炉炼钢终点锰含量进行及时准确的预测，同时该基于则化极限学习机的转炉炼钢终点锰含量预测方法测量适应性好、训练时间短、不易陷入局部最优值，且该方法无需在训练过程中大量设置神经网络的参数和最优网络结构参数的寻找，明显提高了转炉炼钢终点锰含量的预测精度和运算速率。
附图说明
图1为本发明方法模型构建和计算流程示意图。
图2为本发明方法结构流程示意图。
具体实施方式
为了使发明实现的技术手段、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
根据图1、2所示，本实施例提出基于正则化极限学习机的转炉炼钢终点锰含量预测方法，包括以下步骤：
步骤一：正则化极限学习机的输入变量的选取
首先对转炉冶炼的中高碳钢历史数据进行采集，根据转炉炼钢终点锰含量的影响因素和终点锰含量，结合冶金基本原理和运用Pearson(皮尔逊)相关系数进行相关性分析，确定模型的输入变量个数，找到影响转炉炼钢终点锰含量的影响因素，输入变量包括转炉中的铁水装入量、废钢装入量、铁水温度、铁水磷含量、铁水锰含量、铁水硫含量、氧耗量、石灰加入量、轻烧白云石加入量以及化渣剂加入量；
步骤二：样本数据的预处理
先对转炉炼钢终点锰含量的影响因素数据进行采集，并对影响转炉炼钢终点锰含量的因素进行样本数据的预处理，通过剔除和数据平滑技术对异常数据进行预处理，确定最终的样本数据集合。
步骤三：归一化处理
将步骤二中得到的数据样本集合进行归一化处理，归一化处理数据选择的范围为[-1，1]，消除不同的数据量纲；
步骤四：构建正则化极限学习机
先将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集来训练正则化极限学习机，选取剩余的五分之一数据样本作为测试数据集来验证本方法的准确性，再通过综合考虑极限学习机预测的均方误差和预测精度来设置合理的正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机；
步骤五：通过正则化极限学习机进行转炉炼钢终点锰含量预测
利用过程数据库***实时采集并记录转炉的炉次信息，将得到的数据样本进行归一化处理，归一化处理数据选择范围为[-1，1]，然后利用工业控制计算机将过程数据库***提供的归一化处理后的样本数据输入到建立好的基于正则化极限学习机的转炉炼钢终点锰含量预测模型内，对现场转炉吹炼的炉次进行锰含量的预测，工业控制计算机用于实时预测转炉炼钢终点锰含量，过程数据库与工业控制计算机相连接，所述过程数据库用于实时采集、记录转炉炼钢过程数据，然后为工业控制计算机的运行提供数据支撑。
利用本发明方法对25种中高碳钢的转炉炼钢终点锰含量进行测量，得出表1：
表1本发明方法测量试验结果
| 序号 | 钢种 | 锰含量预测值％ | 锰含量实测实％ |
| 1 | 中高碳钢 | 0.19536 | 0.17000 |
| 2 | 中高碳钢 | 0.20693 | 0.22000 |
| 3 | 中高碳钢 | 0.16682 | 0.18000 |
| 4 | 中高碳钢 | 0.12879 | 0.12000 |
| 5 | 中高碳钢 | 0.15728 | 0.15000 |
| 6 | 中高碳钢 | 0.13375 | 0.14000 |
| 7 | 中高碳钢 | 0.18105 | 0.17000 |
| 8 | 中高碳钢 | 0.18094 | 0.16000 |
| 9 | 中高碳钢 | 0.16058 | 0.17000 |
| 10 | 中高碳钢 | 0.13197 | 0.16000 |
| 11 | 中高碳钢 | 0.1553 | 0.16000 |
| 12 | 中高碳钢 | 0.14776 | 0.17000 |
| 13 | 中高碳钢 | 0.16342 | 0.18000 |
| 14 | 中高碳钢 | 0.17809 | 0.19000 |
| 15 | 中高碳钢 | 0.1372 | 0.13000 |
| 16 | 中高碳钢 | 0.16234 | 0.17000 |
| 17 | 中高碳钢 | 0.16052 | 0.14000 |
| 18 | 中高碳钢 | 0.11757 | 0.10000 |
| 19 | 中高碳钢 | 0.15186 | 0.17000 |
| 20 | 中高碳钢 | 0.16249 | 0.18000 |
| 21 | 中高碳钢 | 0.16797 | 0.16000 |
| 22 | 中高碳钢 | 0.182 | 0.16000 |
| 23 | 中高碳钢 | 0.1755 | 0.18000 |
| 24 | 中高碳钢 | 0.17696 | 0.16000 |
| 25 | 中高碳钢 | 0.12964 | 0.14000 |
通过表1可以得出，预测误差在±0.025％范围内的命中率为88％，均方误差为2.64×10-8。
通过正则化极限学习机对转炉炼钢终点锰含量进行预测，在训练过程中不需要调整网络的输入权值以及隐藏层的偏置，只需设置网络的隐藏层节点个数、正则化系数和激活函数就能产生唯一的最优解，且该模型训练速度快、预测精度高、适应性较好，较基于统计学方法、专家***、BP神经网络等转炉炼钢终点锰含量预测模型的预测精度和运算速度都有了明显的提升，进而可对转炉炼钢终点锰含量进行及时准确的预测，同时该基于则化极限学习机的转炉炼钢终点锰含量预测方法测量适应性好、训练时间短、不易陷入局部最优值，且该方法无需在训练过程中大量设置神经网络的参数和最优网络结构参数的寻找，明显提高了转炉炼钢终点锰含量的预测精度和运算速率。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：包括以下步骤：
步骤一：正则化极限学习机的输入变量的选取
对转炉冶炼的中高碳钢历史数据进行采集，并确定影响转炉炼钢终点锰含量影响因素集；
步骤二：样本数据的预处理
对转炉炼钢终点锰含量的影响因素数据进行采集，然后对采集的样本数据进行预处理，确定最终的样本数据集合；
步骤三：归一化处理
将步骤二中得到的数据样本集合进行归一化处理，消除不同的数据量纲；
步骤四：构建正则化极限学习机
将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集，选取剩余的五分之一数据样作为测试数据集，再设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机；
步骤五：通过正则化极限学习机进行转炉炼钢终点锰含量预测
转炉吹炼开始后，通过正则化极限学习机对转炉炼钢终点锰含量进行预测，得到转炉炼钢终点锰含量数据。
2.根据权利要求1所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤一中具体过程为：首先对转炉冶炼的中高碳钢历史数据进行采集，根据转炉炼钢终点锰含量的影响因素和终点锰含量，结合冶金基本原理和运用Pearson(皮尔逊)相关系数进行相关性分析，确定模型的输入变量个数，找到影响转炉炼钢终点锰含量的影响因素。
3.根据权利要求2所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述输入变量包括转炉中的铁水装入量、废钢装入量、铁水温度、铁水磷含量、铁水锰含量、铁水硫含量、氧耗量、石灰加入量、轻烧白云石加入量以及化渣剂加入量。
4.根据权利要求1所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤二中先对转炉炼钢终点锰含量的影响因素数据进行采集，并对影响转炉炼钢终点锰含量的因素进行样本数据的预处理，对异常数据进行剔除，确定最终的样本数据集合。
5.根据权利要求4所述的基于正则化极限学***滑技术对异常数据进行预处理。
6.根据权利要求1所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤三中归一化处理数据选择的范围为[-1，1]。
7.根据权利要求1所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤四中先将步骤三中归一化处理的数据样本集合随机选取其中的五分之四数据作为训练数据集来训练正则化极限学习机，选取剩余的五分之一数据样本作为测试数据集来验证本方法的准确性，再通过综合考虑极限学习机预测的均方误差和预测精度来设置合理的正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数，构建正则化极限学习机。
8.根据权利要求1所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤五具体过程为：利用过程数据库***实时采集并记录转炉的炉次信息，将得到的数据样本进行归一化处理，归一化处理数据选择范围为[-1，1]，然后利用工业控制计算机将过程数据库***提供的归一化处理后的样本数据输入到建立好的基于正则化极限学习机的转炉炼钢终点锰含量预测模型内，对现场转炉吹炼的炉次进行锰含量的预测。
9.根据权利要求8所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤五中工业控制计算机用于实时预测转炉炼钢终点锰含量。
10.根据权利要求8所述的基于正则化极限学习机的转炉炼钢终点锰含量预测方法，其特征在于：所述步骤五中过程数据库与工业控制计算机相连接，所述过程数据库用于实时采集、记录转炉炼钢过程数据，然后为工业控制计算机的运行提供数据支撑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811382179.6A CN109252009A (zh) | 2018-11-20 | 2018-11-20 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811382179.6A CN109252009A (zh) | 2018-11-20 | 2018-11-20 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109252009A true CN109252009A (zh) | 2019-01-22 |
Family
ID=65043820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811382179.6A Pending CN109252009A (zh) | 2018-11-20 | 2018-11-20 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109252009A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036081A (zh) * | 2020-08-26 | 2020-12-04 | 北京科技大学 | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 |
| CN113449466A (zh) * | 2021-06-16 | 2021-09-28 | 淮阴工学院 | 基于pca和混沌gwo优化relm的太阳辐射预测方法及*** |
| CN113656930A (zh) * | 2021-06-24 | 2021-11-16 | 华北理工大学 | 单渣法冶炼终点磷含量的预测方法 |
| CN114611844A (zh) * | 2022-05-11 | 2022-06-10 | 北京科技大学 | 一种转炉出钢过程合金加入量的确定方法和*** |
| US11621808B1 (en) * | 2019-10-16 | 2023-04-04 | Xilinx, Inc. | Machine learning based methodology for signal waveform, eye diagram, and bit error rate (BER) bathtub prediction |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN104537167A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于鲁棒区间极限学习机的区间型指标预报方法 |
| CN105925750A (zh) * | 2016-05-13 | 2016-09-07 | 南阳理工学院 | 一种基于神经网络的炼钢终点预测方法 |
| CN106096724A (zh) * | 2016-06-21 | 2016-11-09 | 重庆科技学院 | 基于elm神经网络的转炉炼钢工艺成本控制方法及*** |
| CN106951995A (zh) * | 2017-03-22 | 2017-07-14 | 华东交通大学 | 一种超高压输电电场极限学习机预测多目标优化屏蔽方法 |
| CN108256260A (zh) * | 2018-02-05 | 2018-07-06 | 北京科技大学 | 一种基于极限学习机的连铸坯质量预测方法 |
-
2018
- 2018-11-20 CN CN201811382179.6A patent/CN109252009A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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*** |
| CN104537167A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于鲁棒区间极限学习机的区间型指标预报方法 |
| CN105925750A (zh) * | 2016-05-13 | 2016-09-07 | 南阳理工学院 | 一种基于神经网络的炼钢终点预测方法 |
| CN106096724A (zh) * | 2016-06-21 | 2016-11-09 | 重庆科技学院 | 基于elm神经网络的转炉炼钢工艺成本控制方法及*** |
| CN106951995A (zh) * | 2017-03-22 | 2017-07-14 | 华东交通大学 | 一种超高压输电电场极限学习机预测多目标优化屏蔽方法 |
| CN108256260A (zh) * | 2018-02-05 | 2018-07-06 | 北京科技大学 | 一种基于极限学习机的连铸坯质量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张小晨: ""基于极限学习机的转炉炼钢终点预测模型研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
| 邓万宇 等: ""神经网络极速学习方法研究"", 《计算机学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11621808B1 (en) * | 2019-10-16 | 2023-04-04 | Xilinx, Inc. | Machine learning based methodology for signal waveform, eye diagram, and bit error rate (BER) bathtub prediction |
| CN112036081A (zh) * | 2020-08-26 | 2020-12-04 | 北京科技大学 | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 |
| CN112036081B (zh) * | 2020-08-26 | 2021-06-01 | 北京科技大学 | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 |
| CN113449466A (zh) * | 2021-06-16 | 2021-09-28 | 淮阴工学院 | 基于pca和混沌gwo优化relm的太阳辐射预测方法及*** |
| CN113449466B (zh) * | 2021-06-16 | 2023-12-01 | 淮阴工学院 | 基于pca和混沌gwo优化relm的太阳辐射预测方法及*** |
| CN113656930A (zh) * | 2021-06-24 | 2021-11-16 | 华北理工大学 | 单渣法冶炼终点磷含量的预测方法 |
| CN113656930B (zh) * | 2021-06-24 | 2023-11-17 | 华北理工大学 | 采用机器学习算法对单渣法冶炼终点磷含量的预测方法 |
| CN114611844A (zh) * | 2022-05-11 | 2022-06-10 | 北京科技大学 | 一种转炉出钢过程合金加入量的确定方法和*** |
| US11900255B2 (en) | 2022-05-11 | 2024-02-13 | University Of Science And Technology Beijing | Multi-mode smelting method based on the classification system of molten iron |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109252009A (zh) | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 | |
| CN109447346B (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
| CN109063358B (zh) | 一种新型高炉顺行评价的方法 | |
| CN103882176B (zh) | 一种基于数据驱动的转炉炼钢过程在线动态控制方法 | |
| CN109359723A (zh) | 基于改进正则化极限学习机的转炉终点锰含量预测方法 | |
| CN104630410A (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
| CN114611844B (zh) | 一种转炉出钢过程合金加入量的确定方法和*** | |
| Farla et al. | The quality of energy intensity indicators for international comparison in the iron and steel industry | |
| CN106345823B (zh) | 基于热轧钢卷生产流程的在线实时预测机械性能的方法 | |
| CN112036081B (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
| EP2935633B1 (de) | Verfahren und vorrichtung zur vorhersage, steuerung und/oder regelung von stahlwerksprozessen | |
| CN110378064A (zh) | 一种预测炼铁高炉炉芯死料柱温度的方法 | |
| CN109935280A (zh) | 一种基于集成学习的高炉铁水质量预测***及方法 | |
| CN109754137B (zh) | 确定钢铁材料产品的质量和/或等级的方法及设备 | |
| CN106834593A (zh) | 一种以参考炉次法确定rh精炼炉脱碳工艺数据的方法 | |
| CN104531936B (zh) | 基于火焰图像特征的转炉钢水碳含量在线测量方法 | |
| CN102373310B (zh) | 一种指导转炉补吹过程操作的方法 | |
| CN104419799A (zh) | 一种转炉冶炼在线预测高碳钢碳含量方法 | |
| CN112434852A (zh) | 一种高炉送风制度合理性的评价方法 | |
| CN111126550B (zh) | 基于蒙特卡洛方法的神经网络钢水温度预报方法 | |
| CN111518980A (zh) | 一种转炉终点碳含量预报模型的修正方法和*** | |
| CN109234491A (zh) | 一种基于极限学习机的转炉炼钢终点锰含量预测方法 | |
| CN113065222B (zh) | 炉缸状态评估的方法及装置 | |
| CN105975647A (zh) | 一种高耐磨铸造磨球成分设计与热处理制度的可视化方法 | |
| CN115074480A (zh) | 一种提高炼钢生产加工质量的方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190122 |
|
| RJ01 | Rejection of invention patent application after publication |