CN109447346A - 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 - Google Patents
基于灰色预测与神经网络组合模型转炉氧耗量预测方法 Download PDFInfo
- Publication number
- CN109447346A CN109447346A CN201811261823.4A CN201811261823A CN109447346A CN 109447346 A CN109447346 A CN 109447346A CN 201811261823 A CN201811261823 A CN 201811261823A CN 109447346 A CN109447346 A CN 109447346A
- Authority
- CN
- China
- Prior art keywords
- prediction
- neural network
- model
- layer
- gray
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 230000036284 oxygen consumption Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 21
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 39
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 39
- 239000001301 oxygen Substances 0.000 claims abstract description 39
- 238000009628 steelmaking Methods 0.000 claims abstract description 20
- 239000010410 layer Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000007664 blowing Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 claims description 2
- 239000011229 interlayer Substances 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 26
- 229910000831 Steel Inorganic materials 0.000 abstract description 16
- 239000010959 steel Substances 0.000 abstract description 16
- 229910052742 iron Inorganic materials 0.000 abstract description 13
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 2
- 239000000843 powder Substances 0.000 abstract description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- 229910052799 carbon Inorganic materials 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 229910052710 silicon Inorganic materials 0.000 description 5
- 239000010703 silicon Substances 0.000 description 5
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 238000003723 Smelting Methods 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 3
- 239000005864 Sulphur Substances 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005262 decarbonization Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229920001296 polysiloxane Polymers 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 241001062472 Stokellia anisodon Species 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005261 decarburization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Neurology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
一种基于灰色预测与神经网络组合模型转炉氧耗量预测方法，属于钢铁企业转炉氧气预测技术领域。通过对影响转炉氧气消耗量的多个因素分析后进行预测。利用Elman反馈神经网络非线性计算特点，能够较好拟合预测复杂情况下的非线性预测问题，发挥其反映系统动态特性的能力，利用灰色系统理论不仅能够加快人工神经网络预测模型的收敛速度，而且更有效展现转炉氧气消耗量的变化规律，提高了预测准确性。结合灰色预测与Elman神经网络建立的组合模型，该组合模型全局搜索能力较强，同时对网络进行优化，并且加入了适当的算子，增强了搜索局部最优解和全局最优解的能力，能有效地提高预测精度，指导炼钢生产合理用氧、提高生产效率。
Description
技术领域
本发明属于钢铁企业转炉氧气预测技术领域，特别是提供一种基于灰色预测与Elman神经网络组合模型转炉氧气消耗量的预测方法。
背景技术
钢铁企业是高能耗、高排放的产业，氧气系统是冶炼过程中必不可少的能源设备，转炉炼钢用氧过程是钢铁生产中重要的环节，直接影响着最终钢水的质量。同时，转炉炼钢使用大量氧气也带来了不合理消耗的问题。氧气顶吹转炉炼钢是从转炉顶部吹入高压力的氧气，与转炉内的铁水发生反应，铁水中的碳、硅、磷、硫等元素在高温的情况下剧烈反应，实现降碳和脱除磷、硫等铁水中的杂质元素。20世纪50年代转炉炼钢仅占世界钢产量的1％，到20世纪90年代转炉钢所占比例为59.3％，转炉炼钢技术不断提高，如今已经达到了90％以上。转炉炼钢生产效率高、节约能源和冶炼周期短，氧气消耗量与钢水的质量直接相关，若氧气的消耗量不能准确预测，易导致冶炼时间增加，炼钢过程辅料消耗不稳定，成本增加。由于转炉炼钢冶炼生产环境复杂、转炉内反应变化快、影响氧气消耗量量的因素较多，因此，转炉炼钢氧气消耗量有效预测能够提高氧气的利用率，增加冶炼的稳定性，改善钢水质量、节约资源。
转炉氧耗量预测的关键是建立合适的模型，选择合适供氧方式有助于增加氧气系统的稳定性。
目前，通过支持向量机、BP人工神经网络和极限学习机等方法进行预测建模：通过支持量机的参数寻优提高转炉炼钢用氧量模型的预测精度；针对钢铁企业氧气系统建立最小二乘支持向量机预测模型和调度模型；运用BP人工神经网络算法建立多影响因素的钢铁企业氧气用量预测模型；这些模型对转炉氧气消耗量预测都取得了一定的效果，但是由于模型自身的局限性、对原始数据的反映角度以及提取的目标不同，造成预测精度较低。预测模型中与实际炼钢机理深度结合不够，缺少对转炉运行方式的阶段性考虑导致模型预测误差较大，在预测的效果上仍有很大的提升空间。
本发明提出灰色预测与Elman神经网络的组合模型，该组合模型全局搜索能力较强，同时对网络进行优化，并且加入了适当的算子，增强了搜索局部最优解和全局最优解的能力。
发明内容
本发明的目的在于提供一种于灰色预测与Elman神经网络组合模型转炉氧气消耗量的预测方法，解决了转炉氧气消耗量的问题，能有效地提高预测精度，指导炼钢生产合理用氧、提高生产效率。
转炉炼钢用氧过程中，根据不同的炉型用不同型号的氧枪吹入氧气，依据供氧制度在熔池中氧气与碳、硅、磷、硫等元素反应，达到钢水要求的程度，同时释放热量使熔液的温度升高。
转炉炼钢的操作过程主要由装料、吹炼、测温、取样、出钢、除渣构成。冶炼过程中元素反应复杂，氧气转炉炼钢的用氧过程分为三期：
(1)吹炼前期：在前期铁水中硅、锰元素含量较高，熔池中的硅、锰元素被快速氧化，小部分碳元素同时氧化，正常情况下吹碳速度与时间成正比。即
其中t为吹炼时间，min；
k1为吹炼系数，与铁水中的硅含量、铁水温度和吹炼条件等因素有关。
(2)吹炼中期：在中期阶段熔池中硅、锰元素含量较少，随着熔池中温度和FeO含量升高，碳的反应不断加剧，脱碳速度主要取决于供氧强度。吹碳中期脱碳反应速度表示为:
其中k2为吹炼系数，与枪位等因素有关；
为供氧强度，m3(t·min)-1。
(3)吹炼末期：此期间由于碳的含量降低，脱碳速度随之下降，吹炼后期的脱碳速度可以表示为
其中k2为吹炼系数，与枪位等因素有关。
本发明的工艺步骤及控制的技术参数如下：
1、本发明通过灰色模型(GM)对转炉系统的影响因素进行分析，对原始的数据序列累加计算，把计算后数据序列中的规律性予以展现，根据数据处理推断现实规律，利用曲线拟合得到新的时间序列。设时间数据序列为：
根据灰色预测法的定义，首先对x(0)进行累加，其结果仍为时间序列，记为x(1)：
x(1)可以用白化方程表示为：
其中，a∈(-2,2)为发展系数，y1,y2…yn为灰色预测模型输入参数，该模型为GM(1,1)模型。令u＝b1y2+b2y3+…bn-1yn，通过a和u即可求出x(1)。
上式的时间响应表达式为：
令
标准化为：
2、本发明采用Elman神经网络，其具有映射动态特征的功能与灰色预测模型时变特征对应。Elman神经网络包括输入层、隐含层、输出层和承接层，每层神经元通过权值和阈值连接，层内或层间通过连接层进行反馈联结，承接层记忆隐含层前一时刻的输出，可以作为一个延时算子，承接层的存在使Elman神经网络具有动态特性，结构图如图1所示。
数学模型可以表示为：
y(k)＝g(w3x(k))
x(k)＝f(w1xc(k))+w2(u(k-1))
xc(k)＝x(k-1)
上式，g(x)为线性函数；f(x)为神经网络的阈值函数，表示为
映射后的灰色Elman神经网络模型由9个影响因素作为输入，输出为目标预测量。通过对灰色模型的确定性的信息对神经网络进行修正，根据模型输入输出的模拟值与实际值的绝对误差进行训练，从而改进神经网络预测模型。
3、灰色Elman神经网络模型预测算法
当转炉炼钢受到多因素的影响时，转炉氧气消耗量的数据会产生一定波动，通过灰色模型GM模型降低干扰因素的影响，Elman神经网络通过自联方式处理历史数据，在动态建模的过程中，运用反馈网络，使得处理动态信息的效率有效提升。灰色模型GM模型与Elman神经网络与预测相结合，将二者组合对转炉吹氧量数据样本进行预测减少随机干扰的影响。根据灰色理论在处理不确定性问题的优势，结合神经网络进行预测，综合二者的模型的特点，得到预测值进行训练学习，通过修正网络进行拟合提高转炉炼钢预测精度的目的。灰色Elman神经网络预测模型具体步骤如下：
(1)首先将数据归一化，并进行累加计算，确定发展系数a和灰色作用量u。
(2)确定各层的权值和阈值，Q个隐含层神经元对应的阈值为：
b1＝[b11,b12,…b1Q]'
其中，spread为径向基函数的扩展速度。
(3)计算输入层、输出层和隐含层输出，同时承接层对隐层单元的输出值进行记忆，反馈给隐含层单元。
(4)计算误差函数和权值更新，神经元对应的权值和阈值更新方式如下：
其中，IW1,1为初始连接权值，是IW1,1的第k行；b1为初始阈值；α为权值的学习速率；β为阈值的学习速率；a1作为输出可以表示为如下方式
训练结束判断，若训练不满足条件则返回步骤(2)，当神经元间权值确定后训练结束；就求解了组合模型的转炉氧气消耗量，最后根据预测结果进行合理用氧。灰色Elman神经网络算法流程图如图2所示。
步骤(3)中基于灰色模型GM模型降低干扰因素的影响和Elman神经网络通过自联方式处理历史数据，在动态建模的过程中，运用反馈网络，使得处理动态信息的效率有效提升。生产操作人员可根据预测的转炉氧气消耗量，对氧气供应量进行相应调节，精准用氧，避免能源浪费。
本发明所建立了灰色Elman神经网络用氧量模型，将灰色模型和Elman神经网络相结合，对影响转炉氧气消耗量的多个因素分析后进行预测。利用Elman反馈神经网络非线性计算特点，能够较好地拟合预测复杂情况下的非线性预测问题，发挥其反映系统动态特性的能力，减少了单一的BP神经网络模型稳定性差的缺陷，利用灰色系统理论不仅能够加快人工神经网络预测模型的收敛速度，而且更有效展现转炉氧气消耗量的变化规律，提高了预测准确性。模型具有很好的预测精度和稳定性，为钢铁企业制定氧气生产计划，提高氧气利用率，达到合理使用氧气，节能减排的目的。
附图说明
图1是本发明灰色Elman神经网络结构图。
图2是本发明灰色Elman神经网络算法流程图。
图3是本发明灰色Elman神经网络用氧量预测结果图。
具体实施方式
下面给出一个实施例，对本发明的具体实施方式作进一步详细描述。
某钢铁联合有限公司采用“一罐到底”作业方式，根据其转炉流程特点、操作经验和相关性分析确定输入变量为九个影响因素，由于采取搅拌脱硫的方式，S元素对氧气使用量的影响较小，没有将其作为输入影响因素，具体输入变量为铁水量、废钢量、铁水温度、初始C％、硅含量、锰含量、磷含量、终点C％和出钢温度。输入因素之间相互影响，同时数据维数较多，输入变量对氧气消耗量预测模型的准确性有直接影响。由于部分检测设备的稳定性差和一些非线性因素的影响，使得在现场实际采集的数据存在一定的数据丢失、归零和偏差等现象，不满足转炉氧气消耗量预测的要求，造成模型的泛化能力弱、预测准确性低的情况，需要对数据进行预处理以提高预测精度。本发明对转炉部分丢失、归零和偏差等数据进行筛选然后进行预测分析。
根据现场采集的不同钢种的转炉炼钢的历史数据，获得100组炼钢信息，将其中10组数据进行训练，9组数据测试样本，通过灰色理论数据累加，将累加后的结果进行Elman神经网络训练，在Elman神经网络的网络层中的反馈节点存储前一时段的数据，用来计算当前时刻的数值。灰色Elman神经网络预测参数设置如下：输入层神经元个数为8个，中间层传递函数为S函数tansig，输出层有1个神经元，其传出函数为logsig，训练步数为1000，训练函数使用trainlin。
灰色Elman神经网络氧耗量预测结果与实际用氧量对比如图3所示，利用此预测模型所得到的预测值与期望值基本一致，模型具有很好的预测的预测精度和稳定性，生产操作人员可根据预测的转炉氧气消耗量，对氧气供应量进行相应调节，精准用氧，避免能源浪费
以上对本发明的一个实施例，但是本发明并不限于上述实施方式，并非用于限定本发明的保护范围。
Claims (1)
1.一种基于灰色预测与神经网络组合模型转炉氧耗量预测方法，其特征在于，工艺步骤及控制的技术参数如下：
步骤(1)利用灰色模型GM对转炉系统的影响因素进行分析，通过对原始的数据序列累加计算，把计算后数据序列中的规律性予以展现，根据数据处理推断现实规律，利用曲线拟合得到新的时间序列；设时间数据序列为：
根据灰色预测法的定义，首先对x(0)进行累加，其结果仍为时间序列，记为x(1)：
x(1)用白化方程表示为：
其中，a∈(-2,2)为发展系数，y1,y2…yn为灰色预测模型输入参数，该模型为GM(1,1)模型；令u＝b1y2+b2y3+…bn-1yn，通过a和u即求出x(1)；
上式的时间响应表达式为：
令
标准化为：
步骤(2)通过Elman神经网络，其映射动态特征的功能与灰色预测模型时变特征对应，每层神经元通过权值和阈值连接，层内或层间通过连接层进行反馈联结，承接层记忆隐含层前一时刻的输出，作为一个延时算子，承接层的存在使Elman神经网络具有动态特性，数学模型表示为：
y(k)＝g(w3x(k))
x(k)＝f(w1xc(k))+w2(u(k-1))
xc(k)＝x(k-1)
上式，g(x)为线性函数；f(x)为神经网络的阈值函数，表示为
映射后的灰色Elman神经网络模型由9个不同的影响因素作为输入，输出为目标预测量；通过对灰色模型的确定性的信息对神经网络进行修正，根据模型输入输出的模拟值与实际值的绝对误差进行训练，从而改进神经网络预测模型；
步骤(3)灰色Elman神经网络预测模型
通过灰色模型GM模型降低干扰因素的影响，Elman神经网络通过自联方式处理历史数据，在动态建模的过程中，运用反馈网络，使得处理动态信息的效率有效提升；灰色模型GM模型与Elman神经网络与预测相结合，将二者结合对转炉吹氧量数据样本进行预测减少随机干扰的影响；处理不确定性问题的优势，结合神经网络进行预测，综合二者的模型的特点，得到预测值进行训练学习，通过修正网络进行拟合提高转炉炼钢预测精度；
步骤(4)灰色Elman神经网络预测模型具体求解过程如下：
1)首先将数据归一化，并进行累加计算，确定发展系数a和灰色作用量u；
2)确定各层的权值和阈值，Q个隐含层神经元对应的阈值为：
b1＝[b11,b12,…b1Q]'
其中，spread为径向基函数的扩展速度；
3)计算输入层、输出层和隐含层输出，同时承接层对隐层单元的输出值进行记忆，反馈给隐含层单元；
4)计算误差函数和权值更新，神经元对应的的权值和阈值更新方式如下：
其中，IW1,1为初始连接权值，IWk 1,1是IW1,1的第k行；b1为初始阈值；α为权值的学习速率；β为阈值的学习速率；a1作为输出可以表示为如下方式i＝1,2,…n；
训练结束判断，若训练不满足条件则返回2)，当神经元间权值确定后训练结束；求解了组合模型的转炉氧气消耗量，最后根据预测结果进行合理用氧。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811261823.4A CN109447346B (zh) | 2018-10-26 | 2018-10-26 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811261823.4A CN109447346B (zh) | 2018-10-26 | 2018-10-26 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109447346A true CN109447346A (zh) | 2019-03-08 |
| CN109447346B CN109447346B (zh) | 2022-07-05 |
Family
ID=65548776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811261823.4A Expired - Fee Related CN109447346B (zh) | 2018-10-26 | 2018-10-26 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447346B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189800A (zh) * | 2019-05-06 | 2019-08-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
| CN110322057A (zh) * | 2019-06-20 | 2019-10-11 | 江阴兴澄特种钢铁有限公司 | 一种100t直流电弧炉出钢碳成分的预测系统及预测方法 |
| CN110532660A (zh) * | 2019-08-22 | 2019-12-03 | 中国航空工业集团公司上海航空测控技术研究所 | 一种飞机刹车系统的性能预测方法和飞机刹车系统 |
| 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 |
| CN111353656A (zh) * | 2020-03-23 | 2020-06-30 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
| CN111581832A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
| CN111625762A (zh) * | 2020-04-29 | 2020-09-04 | 粤电集团贵州有限公司 | 风机故障诊断方法 |
| CN111893237A (zh) * | 2020-07-08 | 2020-11-06 | 北京科技大学 | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 |
| CN112668234A (zh) * | 2020-12-07 | 2021-04-16 | 辽宁科技大学 | 一种转炉炼钢终点智能控制方法 |
| CN113326983A (zh) * | 2021-05-28 | 2021-08-31 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测系统及方法 |
| CN113361690A (zh) * | 2021-06-16 | 2021-09-07 | 江苏省生态环境监控中心(江苏省环境信息中心) | 水质预测模型训练、水质预测方法、装置、设备及介质 |
| CN114987434A (zh) * | 2022-06-20 | 2022-09-02 | 重庆科技学院 | 混合动力拖拉机功率分配控制方法 |
| CN115577618A (zh) * | 2022-09-21 | 2023-01-06 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010023419A1 (en) * | 1996-02-09 | 2001-09-20 | Jerome Lapointe | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
| CN106845694A (zh) * | 2016-12-30 | 2017-06-13 | 深圳市麦澜创新科技有限公司 | 一种风能、太阳能管理系统 |
| CN107808212A (zh) * | 2017-10-09 | 2018-03-16 | 南京邮电大学 | 基于灰色神经网络的太阳能收集功率预测方法 |
-
2018
- 2018-10-26 CN CN201811261823.4A patent/CN109447346B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010023419A1 (en) * | 1996-02-09 | 2001-09-20 | Jerome Lapointe | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
| CN106845694A (zh) * | 2016-12-30 | 2017-06-13 | 深圳市麦澜创新科技有限公司 | 一种风能、太阳能管理系统 |
| CN107808212A (zh) * | 2017-10-09 | 2018-03-16 | 南京邮电大学 | 基于灰色神经网络的太阳能收集功率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张健美 等: "灰色 Elman 神经网络的电网中长期负荷预测", 《电力系统及其自动化学报》 * |
| 王红君 等: "基于最优加权组合模型的转炉炼钢耗氧量预测", 《河南理工大学学报( 自然科学版) 》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189800A (zh) * | 2019-05-06 | 2019-08-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
| CN110189800B (zh) * | 2019-05-06 | 2021-03-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
| CN110322057A (zh) * | 2019-06-20 | 2019-10-11 | 江阴兴澄特种钢铁有限公司 | 一种100t直流电弧炉出钢碳成分的预测系统及预测方法 |
| CN110532660A (zh) * | 2019-08-22 | 2019-12-03 | 中国航空工业集团公司上海航空测控技术研究所 | 一种飞机刹车系统的性能预测方法和飞机刹车系统 |
| CN110532660B (zh) * | 2019-08-22 | 2023-03-10 | 中国航空工业集团公司上海航空测控技术研究所 | 一种飞机刹车系统的性能预测方法和飞机刹车系统 |
| 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 |
| 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 |
| CN111353656B (zh) * | 2020-03-23 | 2021-05-07 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
| CN111353656A (zh) * | 2020-03-23 | 2020-06-30 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
| CN111625762A (zh) * | 2020-04-29 | 2020-09-04 | 粤电集团贵州有限公司 | 风机故障诊断方法 |
| CN111581832A (zh) * | 2020-05-12 | 2020-08-25 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
| CN111581832B (zh) * | 2020-05-12 | 2023-01-03 | 哈尔滨工程大学 | 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法 |
| CN111893237B (zh) * | 2020-07-08 | 2021-11-09 | 北京科技大学 | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 |
| CN111893237A (zh) * | 2020-07-08 | 2020-11-06 | 北京科技大学 | 一种转炉炼钢的熔池碳含量及温度全程实时预测方法 |
| CN112668234A (zh) * | 2020-12-07 | 2021-04-16 | 辽宁科技大学 | 一种转炉炼钢终点智能控制方法 |
| CN112668234B (zh) * | 2020-12-07 | 2023-08-15 | 辽宁科技大学 | 一种转炉炼钢终点智能控制方法 |
| CN113326983A (zh) * | 2021-05-28 | 2021-08-31 | 重庆能源大数据中心有限公司 | 一种天然气消费量预测系统及方法 |
| CN113361690A (zh) * | 2021-06-16 | 2021-09-07 | 江苏省生态环境监控中心(江苏省环境信息中心) | 水质预测模型训练、水质预测方法、装置、设备及介质 |
| CN114987434A (zh) * | 2022-06-20 | 2022-09-02 | 重庆科技学院 | 混合动力拖拉机功率分配控制方法 |
| CN115577618A (zh) * | 2022-09-21 | 2023-01-06 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
| CN115577618B (zh) * | 2022-09-21 | 2024-04-09 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109447346B (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447346A (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 | |
| CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统 | |
| CN108676955A (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| Matino et al. | Forecasting blast furnace gas production and demand through echo state neural network-based models: Pave the way to off-gas optimized management | |
| Wang et al. | Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction | |
| CN113239482A (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
| CN108251591B (zh) | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 | |
| CN113192568B (zh) | 一种精炼炉脱硫终点预报方法和系统 | |
| CN102163261A (zh) | 一种基于案例推理的钢水温度预测方法 | |
| CN106119458A (zh) | 基于bp神经网络的转炉炼钢工艺成本控制方法及系统 | |
| Zhou et al. | Prediction model of end-point phosphorus content for BOF based on monotone-constrained BP neural network | |
| CN1326040C (zh) | 一种基于计算机的转炉仿真系统 | |
| Lin et al. | Consideration of green intelligent steel processes and narrow window stability control technology on steel quality | |
| CN107368125A (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法 | |
| CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
| CN113962050A (zh) | 一种结合产耗预测及管网计算的氧气调度计算方法 | |
| CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
| CN113961865A (zh) | 一种大型转炉精确控制tsc阶段调温剂加入量的方法 | |
| Wang et al. | Whale optimization end-point control model for 260 tons BOF steelmaking | |
| CN103194574A (zh) | 一种vod精炼终点碳含量预报模型的动态调整方法 | |
| Wu et al. | Intelligent integrated optimization and control system for lead–zinc sintering process | |
| CN117093868A (zh) | 一种基于多任务学习的转炉终点预测方法和装置 | |
| Tian et al. | Application of genetic algorithm combined with BP neural network in soft sensor of molten steel temperature | |
| CN105242545B (zh) | 一种基于工艺批次模型的转炉用氧流量的预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220705 |