CN109359723A - 基于改进正则化极限学习机的转炉终点锰含量预测方法 - Google Patents
基于改进正则化极限学习机的转炉终点锰含量预测方法 Download PDFInfo
- Publication number
- CN109359723A CN109359723A CN201811382479.4A CN201811382479A CN109359723A CN 109359723 A CN109359723 A CN 109359723A CN 201811382479 A CN201811382479 A CN 201811382479A CN 109359723 A CN109359723 A CN 109359723A
- Authority
- CN
- China
- Prior art keywords
- manganese content
- data
- prediction
- learning machine
- extreme learning
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Metallurgy (AREA)
- Game Theory and Decision Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Organic Chemistry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明公开了一种基于改进正则化极限学习机的转炉终点锰含量预测方法,首先,采集转炉炼钢实际生产所涉及的数据,找到影响转炉炼钢终点锰含量的影响因素,确定模型的输入变量,建立了基于正则化极限学习机(RELM)的转炉炼钢终点锰含量预测模型,在终点锰含量的预测过程中,采用改进粒子群优化算法(IPSO)对RELM模型的输入层权值和隐含层偏差进行优化,建立了基于改进粒子群算法优化正则化极限学习机(IPSO‑RELM)的转炉炼钢终点锰含量预测模型。采用转炉现场实际冶炼数据对该锰含量预测方法进行检验,结果表明本方法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。
Description
技术领域
本发明属于钢铁冶金领域,具体涉及一种基于改进正则化极限学习机的转炉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。转炉炼钢的目的是为下道工序提供化学成分和温度均合格的初炼钢水,因此,保证吹炼的平稳进行以及准确预测并控制冶炼终点钢水的成分和温度,是转炉炼钢的重要任务之一。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。为了实现钢铁冶炼过程精准控制,如何及时准确地预报转炉炼钢终点钢水锰的含量是亟待解决的重要问题。
为了实现转炉炼钢终点控制高命中率的目标,转炉吹炼由以前的人工经验操作向着自动化炼钢方向发展。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。由于转炉冶炼过程熔池化学反应作用机理十分复杂,影响钢水锰含量的因素很多,而且这些因素之间相互影响,与终点锰含量有着较强的非线性关系。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。同样,该方法也有应用于转炉炼钢终点锰含量预测。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。RELM模型虽然在ELM模型的基础上通过引入结构风险最小化理论提高了泛化能力,但在解决梯度下降问题时,由于RELM模型的隐藏节点参数(输入层权值和隐含层偏差)随机产生,并不能保证训练出的RELM模型达到最优,因此需要更多的隐含层节点才能达到理想的精度,从而导致收敛速度慢等问题。此外,由于RELM中输出权值矩阵由输入权值矩阵和隐含层偏差计算获得的,可能会存在无效的隐含层节点,这会影响RELM模型的预测精度、效率以及稳定性,最终达不到理想的泛化性能。因此,开发一种适应性强,运算速率快且预测准确率高的转炉炼钢终点锰含量预测方法,对于提高转炉炼钢终点成分控制水平具有重要意义。
发明内容
为解决上述问题,提高转炉炼钢终点锰含量的预测精度,本发明通过分析粒子群优化算法PSO的原理,提出了一种基于改进粒子群优化算法优化正则化极限学习机(IPSO-RELM)的转炉冶炼终点锰含量预测模型,并用某钢厂转炉实际生产数据进行了训练及验证,明显提高了转炉炼钢终点锰含量的预测精度和运算速率。
本发明涉及一种基于改进粒子群算法优化正则化极限学习机的转炉炼钢终点锰含量预测方法,本方法主要通过对国内某特钢厂80吨转炉在冶炼中高碳钢过程中,通过构建转炉冶炼后期(主吹结束时)钢水锰含量预测模型,为转炉冶炼中高碳钢终点钢水锰含量的准确控制提供指导。
PSO通过迭代计算来确定粒子的全局最优值。然而,粒子群算法在迭代寻优过程中存在容易陷入局部极值的问题。因此,为了解决这一问题,提高算法的收敛速度,本发明采用了一种改进的粒子群算法,改进部分如下:
(1)本文采用一种非线性权重方法来改善标准粒子群算法的不足,这种算法可描述为:
在当前迭代次数k较小时,ω接近于ωmax保证了算法的全局搜索能力;随着迭代次数k的增大,ω以非线性递减,保证了算法的局部搜索能力,从而使算法能灵活地调整全局搜索与局部搜索能力。
(2)借鉴遗传算法的变异思想,给粒子群算法加入“变异”因子,即让粒子存在一定的变异率,在粒子每次更新之后,以一定概率初始化粒子,使其在陷入局部极值的情况下能够跳出继续搜索,从而扩大其搜索范围。
首先,对所采集的样本数据进行预处理,将冶金基本原理与相关性分析相结合,确定本模型的所需数据;其次,将收集到的数据样本分成两部分,随机选取其中五分之四的数据样本用来建立模型,剩余五分之一的数据样本用来验证模型的准确性;最后,根据模型的预测结果与实际测量的数值进行比较得出结论,并统计该模型运算所需的时间。在可接受的训练时间内,预测模型的泛化能力、稳定性和预测的精确度得到了显著的提升。
本发明具体步骤如下:
步骤1,数据的预处理,对数据样本中的异常数据进行预处理,最终确定作为本模型的样本数据,由于影响转炉炼钢终点锰含量的因素众多,且各影响因素数据之间的数量级具有较大的差异,将对模型的预测精度造成一定的影响,因此,在模型训练前需要对样本数据进行归一化处理,这样既能消除由于数据量纲不同造成预测精度不高的问题,又能保持各变量的原始信息,数据归一化范围为[-1,1]。
步骤2,构造基于正则化极限学习机转炉炼钢终点锰含量预测模型,随机选取步骤(1)中的五分之四数据样本作为模型的训练数据,并以此来建立模型。
步骤3,将步骤2剩余的五分之一数据样本用来验证模型的准确性,将其输入到训练好的正则化极限学习机中,最终得到预测结果,并通过综合考虑模型的预测精度和预测的均方误差来选择合适的正则化系数、隐含层节点数和隐含层的激活函数。
步骤4,对实际生产过程的数据进行实时采集,并通过工业计算机对数据的实时获取进而可对转炉炼钢终点锰含量进行准确预测。
BP神经网络(Back Propagation,简称BP)
极限学习机(Extreme learning machine,简称ELM)
正则化极限学习机(Regularized Extreme Learning Machine,简称RELM)
粒子群优化算法(Particle Swarm Optimization,简称PSO)
改进粒子群优化算法(Improved Particle Swarm Optimization,简称IPSO)。
通过以上内容可知,本申请提供的是一种基于改进正则化极限学习机的转炉终点锰含量预测方法,首先,采集转炉炼钢实际生产所涉及的数据,找到影响转炉炼钢终点锰含量的影响因素,然后,对所选取的样本数据进行预处理并根据这些数据来确定极限学习机输入节点个数、输出节点个数,之后,将训练数据集输入到正则化极限学习机中完成对模型的训练,最后,输入剩余的样本数据,完成对转炉炼钢终点锰含量的预测。本申请通过改进粒子群算法优化正则化极限学习机模型对转炉炼钢终点锰含量进行预测,采用改进粒子群算法对正则化极限学习机输入层权值和隐藏层的偏置进行寻优,将搜索得到的最优值放入正则化极限学习机中对炼钢终点锰含量进行预测。本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。
附图说明
图1为本发明的结构示意图;
图2为本发明模型构建和计算流程图。
具体实施方式
为了使本领域的技术人员可以更好地理解本发明,下面结合附图和实施例对本发明技术方案进一步说明。
参照图1-2对本发明实施例做进一步的说明。
在具体实施过程中,本发明涉及的工业控制计算机计算流程包括以下几个步骤:
(1)首先对国内某特钢厂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。本发明以此为例,通过对所采集的数据运用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。
(2)对影响转炉炼钢终点锰含量的因素进行数据的预处理,对异常数据进行剔除,确定最终的样本数据集。
(3)将以上得到的数据样本集合进行归一化处理,数据归一化范围为[-1,1]。
(4)构建正则化极限学习机,根据(3)所处理的数据,从数据样本中随机选取其中五分之四的数据样本来训练模型,剩余五分之一的数据样本来验证模型的准确性。通过综合考虑正则化极限学习机预测的均方误差和预测精度来设置合理的隐含层节点个数、隐含层激活函数和正则化系数。
(5)输入层权值和隐含层偏差寻优——初始化种群。初始的粒子群由RELM随机产生的输入层权值矩阵和隐含层偏差矩阵组成。种群规模P设为n,设隐含层节点数为h,输入层神经元数为m,粒子维度L=h(m+1)。选取学习因子c1和c1,将位置和速度限制在[-1,1]内。
(6)计算每个粒子的适应度。采用RELM算法对初始化种群中的粒子进行训练,计算出每个粒子的训练集均方误差(MSE),将其作为粒子群优化算法的适应度值。其中适应度公式:
式中,fi为转炉冶炼终点Mn含量实测值,yi为转炉冶炼终点Mn含量预测值。
(7)寻找个体极值和群体极值。每次迭代后,将计算出的适应度值MSE和粒子的个体极值、群体极值进行比较,如果该适应度值更小,则将其作为个体极值和群体极值。重复上述过程到迭代结束,可以获得一组较优的输入层权值矩阵和隐含层偏差矩阵。
(8)模型训练与测试。将通过上述寻优过程得到输入层权值矩阵和隐含层偏差矩阵带入到RELM模型中,代入数据进行训练和测试。
(9)转炉吹炼开始后,数据库***实时采集并记录该炉次信息,将得到的数据进行归一化处理,数据处理范围为[-1,1],工业控制计算机根据过程数据库***提供的这些数据,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,对现场吹炼的炉次进行锰含量的预测。
本发明以某钢厂80t转炉生产中高碳钢为实施载体,根据冶金基本原理,结合相关性分析确定的以铁水装入量、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等为输入变量,终点锰含量作为输出变量,建立了基于正则化极限学习机RELM的转炉冶炼终点钢水锰含量预测模型。表1是本发明实施后的试验结果,预测误差在±0.025%范围内的命中率为94%,均方误差为2.18×10-8。本发明提供的方法可对可较为准确地预测转炉冶炼终点锰含量,进而可为实际生产精准控制提供一种重要参考。
表1本发明实施后的试验结果
以上所述实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形、改进及替代,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于改进正则化极限学习机的转炉终点锰含量预测方法,其特征是,它包括如下步骤:
步骤1,正则化极限学习机的输入变量的选取,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皮尔逊(Pearson)相关系数进行相关性分析,找到影响转炉炼钢终点锰含量的影响因素;
步骤2,对转炉炼钢终点锰含量的影响因素数据进行采集,并对这些数据进行预处理,确保数据的真实有效性,最终确定本方法使用的样本数据;
步骤3,对正则化极限学习机输入数据进行归一化处理,选择数据归一化的范围为[-1,1];
步骤4,初始化种群,初始的粒子群由RELM随机产生的输入层权值矩阵和隐含层偏差矩阵组成,种群规模P设为n,设隐含层节点数为h,输入层神经元数为m,粒子维度L=h(m+1),选取学习因子c1和c1,将位置和速度限制在[-1,1]内;
步骤5,计算每个粒子的适应度,采用RELM算法对初始化种群中的粒子进行训练,计算出每个粒子的训练集均方误差(MSE),将其作为粒子群优化算法的适应度值,其中适应度公式:
式中,fi为转炉冶炼终点Mn含量实测值,yi为转炉冶炼终点Mn含量预测值;
步骤6,寻找个体极值和群体极值,每次迭代后,将计算出的适应度值MSE和粒子的个体极值、群体极值进行比较,如果该适应度值更小,则将其作为个体极值和群体极值,重复上述过程到迭代结束,获得一组较优的输入层权值矩阵和隐含层偏差矩阵;
步骤7,模型训练与测试,将通过上述寻优过程得到输入层权值矩阵和隐含层偏差矩阵带入到RELM模型中,对所采集的历史数据,选取其中的五分之四数据来训练正则化极限学习机,选取剩余的五分之一数据来验证本方法的准确性,通过综合考虑正则化极限学习机的训练拟合度和锰含量的预测精度来设置合理的隐含层节点个数和隐含层激活函数和正则化系数,以保证网络结构的最优化;
步骤8,转炉吹炼开始后,数据库***实时采集并记录该炉次信息,将得到的数据进行归一化处理,数据处理范围为[-1,1],工业控制计算机根据过程数据库***提供的这些数据,输入到建立好的基于极限学习机的转炉炼钢终点锰含量预测模型,对现场吹炼的炉次进行锰含量的预测。
2.如权利要求1所述的基于改进正则化极限学***滑技术对异常数据进行预处理。
3.如权利要求1所述的基于改进正则化极限学习机的转炉终点锰含量预测方法,其特征是,该方法利用工业控制计算机和过程数据库来实现对转炉炼钢终点锰含量进行实时预报,其中,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,用于实时采集、记录转炉炼钢过程数据,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 |
---|---|---|---|
CN201811382479.4A CN109359723A (zh) | 2018-11-20 | 2018-11-20 | 基于改进正则化极限学习机的转炉终点锰含量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811382479.4A CN109359723A (zh) | 2018-11-20 | 2018-11-20 | 基于改进正则化极限学习机的转炉终点锰含量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359723A true CN109359723A (zh) | 2019-02-19 |
Family
ID=65332316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811382479.4A Pending CN109359723A (zh) | 2018-11-20 | 2018-11-20 | 基于改进正则化极限学习机的转炉终点锰含量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359723A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942208A (zh) * | 2019-12-10 | 2020-03-31 | 萍乡市恒升特种材料有限公司 | 一种碳化硅泡沫陶瓷的最优生产条件确定方法 |
CN111933223A (zh) * | 2020-07-03 | 2020-11-13 | 大冶特殊钢有限公司 | 炼钢合金化过程自动配料方法 |
CN112541625A (zh) * | 2020-12-07 | 2021-03-23 | 东北大学 | 一种自适应多工况钢铁二次能源发生量动态预测方法 |
CN112992285A (zh) * | 2020-12-31 | 2021-06-18 | 无锡东研信科科技研发有限公司 | 一种基于ipso-hkelm的高炉铁水硅含量预测的方法 |
CN112992129A (zh) * | 2021-03-08 | 2021-06-18 | 中国科学技术大学 | 语音识别任务中的保持注意力机制单调性方法 |
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 |
CN113112011A (zh) * | 2020-01-13 | 2021-07-13 | 中移物联网有限公司 | 一种数据预测方法及装置 |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和*** |
CN114638555A (zh) * | 2022-05-18 | 2022-06-17 | 国网江西综合能源服务有限公司 | 基于多层正则化极限学习机的用电行为检测方法及*** |
CN115685924A (zh) * | 2022-10-28 | 2023-02-03 | 中南大学 | 一种转炉吹炼终点预报方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200268A (zh) * | 2014-09-03 | 2014-12-10 | 辽宁大学 | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 |
CN105354646B (zh) * | 2015-12-04 | 2017-04-12 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN106650920A (zh) * | 2017-02-19 | 2017-05-10 | 郑州大学 | 一种基于优化极限学习机的预测模型 |
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 CN201811382479.4A patent/CN109359723A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200268A (zh) * | 2014-09-03 | 2014-12-10 | 辽宁大学 | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 |
CN105354646B (zh) * | 2015-12-04 | 2017-04-12 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN106650920A (zh) * | 2017-02-19 | 2017-05-10 | 郑州大学 | 一种基于优化极限学习机的预测模型 |
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》 * |
陶海龙: ""基于混合智能算法的铁路运量预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942208B (zh) * | 2019-12-10 | 2023-07-07 | 萍乡市恒升特种材料有限公司 | 一种碳化硅泡沫陶瓷的最优生产条件确定方法 |
CN110942208A (zh) * | 2019-12-10 | 2020-03-31 | 萍乡市恒升特种材料有限公司 | 一种碳化硅泡沫陶瓷的最优生产条件确定方法 |
CN113112011B (zh) * | 2020-01-13 | 2024-02-27 | 中移物联网有限公司 | 一种数据预测方法及装置 |
CN113112011A (zh) * | 2020-01-13 | 2021-07-13 | 中移物联网有限公司 | 一种数据预测方法及装置 |
CN111933223A (zh) * | 2020-07-03 | 2020-11-13 | 大冶特殊钢有限公司 | 炼钢合金化过程自动配料方法 |
CN111933223B (zh) * | 2020-07-03 | 2024-01-19 | 大冶特殊钢有限公司 | 炼钢合金化过程自动配料方法 |
CN112541625A (zh) * | 2020-12-07 | 2021-03-23 | 东北大学 | 一种自适应多工况钢铁二次能源发生量动态预测方法 |
CN112541625B (zh) * | 2020-12-07 | 2023-12-08 | 东北大学 | 一种自适应多工况钢铁二次能源发生量动态预测方法 |
CN112992285A (zh) * | 2020-12-31 | 2021-06-18 | 无锡东研信科科技研发有限公司 | 一种基于ipso-hkelm的高炉铁水硅含量预测的方法 |
CN112992129A (zh) * | 2021-03-08 | 2021-06-18 | 中国科学技术大学 | 语音识别任务中的保持注意力机制单调性方法 |
CN113192568A (zh) * | 2021-03-15 | 2021-07-30 | 山东钢铁股份有限公司 | 一种精炼炉脱硫终点预报方法和*** |
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 |
CN114638555A (zh) * | 2022-05-18 | 2022-06-17 | 国网江西综合能源服务有限公司 | 基于多层正则化极限学习机的用电行为检测方法及*** |
CN115685924A (zh) * | 2022-10-28 | 2023-02-03 | 中南大学 | 一种转炉吹炼终点预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
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 | |
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 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
Wang et al. | Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction | |
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 | |
CN104651559B (zh) | 一种基于多元在线序贯极限学习机的高炉铁水质量在线预报体系及预报方法 | |
CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及*** | |
CN114611844B (zh) | 一种转炉出钢过程合金加入量的确定方法和*** | |
Wang et al. | Prediction model of end-point manganese content for BOF steelmaking process | |
CN110378064A (zh) | 一种预测炼铁高炉炉芯死料柱温度的方法 | |
CN102163261A (zh) | 一种基于案例推理的钢水温度预测方法 | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
CN116469481B (zh) | 一种基于XGBoost算法的LF精炼钢水成分预报方法 | |
CN106054836A (zh) | 基于grnn的转炉炼钢工艺成本控制方法及*** | |
Xin et al. | Predicting the alloying element yield in a ladle furnace using principal component analysis and deep neural network | |
Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
Gu et al. | An improved CBR model using time-series data for predicting the end-point of a converter | |
Wang et al. | An integrated CBR model for predicting endpoint temperature of molten steel in AOD | |
CN103276136A (zh) | 一种基于副枪***的转炉炼钢钢水定磷方法 | |
CN111126550B (zh) | 基于蒙特卡洛方法的神经网络钢水温度预报方法 | |
CN102968644A (zh) | 一种氩氧精炼铁合金冶炼终点预测方法 | |
CN116384254A (zh) | 一种用于lf精炼炉钢水温度预测的误差修正方法及*** | |
CN117093868A (zh) | 一种基于多任务学习的转炉终点预测方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |