煉鋼爐終點(diǎn)成分的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型
由于回歸模型再現(xiàn)性較差，用來確定預(yù)報(bào)參數(shù)尚可以，但作為應(yīng)用模型實(shí)時(shí)性和精度仍有差距，所以應(yīng)用神經(jīng)網(wǎng)絡(luò)來處理非線性動(dòng)力學(xué)系統(tǒng)問題能克服回歸模型的弱點(diǎn)，更好地取得理想的預(yù)報(bào)效果，其特點(diǎn)是在于信息分布儲(chǔ)存和并行協(xié)同處理，具有很強(qiáng)的容錯(cuò)性和魯棒性。
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其應(yīng)用
本文中提出的錳、磷回歸優(yōu)化模型，對實(shí)現(xiàn)錳磷終點(diǎn)的準(zhǔn)確預(yù)報(bào)提供了參數(shù)，而采用人工神經(jīng)元網(wǎng)絡(luò)的計(jì)算方法能更好地校正吹煉過程產(chǎn)生的各種誤差，并能正確估價(jià)難以用解析方法表達(dá)的各種變量對吹煉終點(diǎn)的影響，更加準(zhǔn)確完善靜態(tài)增量模型。
神經(jīng)網(wǎng)絡(luò)由許多并行運(yùn)算的功能簡單的單元組成，每個(gè)神經(jīng)元有一個(gè)輸出，它可以連接到很多其他的神經(jīng)元，每個(gè)神經(jīng)元輸入有多個(gè)連接通路，每個(gè)連接通路對應(yīng)一個(gè)連接權(quán)系數(shù)。即：
每個(gè)節(jié)點(diǎn)有一個(gè)狀態(tài)變量Xj
節(jié)點(diǎn)i到節(jié)點(diǎn)j有一個(gè)連接權(quán)系數(shù)wji
每個(gè)節(jié)點(diǎn)有一個(gè)閾值θj
每個(gè)節(jié)點(diǎn)定義一個(gè)變換函數(shù)fj[xj , wji,θj]
最常見的情形為f [
]
利用這些網(wǎng)絡(luò)模型可實(shí)現(xiàn)函數(shù)逼近、數(shù)據(jù)聚類、優(yōu)化計(jì)算等功能。
BP網(wǎng)絡(luò)的原理
BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的變換函數(shù)是S型函數(shù)。因此輸出量為0到1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意的非線性映射，由于權(quán)值的調(diào)整采用反向傳播的學(xué)習(xí)算法，因此稱BP（Back Propagation）網(wǎng)絡(luò)。在確定了BP網(wǎng)絡(luò)結(jié)構(gòu)之后，利用輸出輸入樣本集對其進(jìn)行訓(xùn)練，也即對網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行學(xué)習(xí)和調(diào)整，以使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出的映射關(guān)系。經(jīng)過訓(xùn)練的BP網(wǎng)絡(luò)，對于不是樣本集中的輸入也能給出合適的輸出，但這一樣本集必須與訓(xùn)練樣本集包含信息類似，否則，需重新訓(xùn)練尋找合適的權(quán)重，才能作出精確的預(yù)報(bào)。圖2.1表示BP網(wǎng)絡(luò)結(jié)構(gòu)，它具有R個(gè)輸入，每個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值W與下一層相連，網(wǎng)絡(luò)輸出可表示成 a=f（w *p ,b）, Matlab編程語言BP網(wǎng)絡(luò)中隱層神經(jīng)元的變換函數(shù)通常是logsig,也可采用tansig和purelin作為輸出函數(shù)其輸出值.
函數(shù)trainbp,trainbpx,trainlm均可用來訓(xùn)練BP網(wǎng),其中trainlm訓(xùn)練速度最快,但它需要更大的存儲(chǔ)空間,函數(shù)trainlm使用了Levenberg-Marquardt優(yōu)化方法，從而使學(xué)習(xí)時(shí)間更短，其權(quán)值調(diào)整率ΔW=（JTJ+μI）-1JTe，其中J 為誤差對權(quán)值微分的Jacobian矩陣，e為誤差向量，μ為一個(gè)標(biāo)量，當(dāng)μ很大時(shí)，上式就接近于梯度法；當(dāng)μ很小時(shí)，上式就變成了Gauss-Newton法。因此對大型工程計(jì)算來說更合適。本程序采用trainl訓(xùn)練函數(shù)。
BP算法在Matlab神經(jīng)網(wǎng)絡(luò)工具箱中得到了更新，即采用了動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整，從而提高了學(xué)習(xí)速度并增加了算法的可靠性。常見的反向傳播算法正是利用網(wǎng)絡(luò)誤差平方和對網(wǎng)絡(luò)層輸入的導(dǎo)數(shù)來調(diào)整其權(quán)值和閾值，從而降低誤差平方和。訓(xùn)練從計(jì)算每一層的輸出開始，直到得到網(wǎng)絡(luò)的輸出矢量，目標(biāo)矢量減去網(wǎng)絡(luò)矢量得到誤差矢量，這個(gè)誤差矢量用于計(jì)算輸出層的δ矢量，而后將它反向傳播到前一層，以獲得各個(gè)網(wǎng)絡(luò)層的δ矢量，最后根據(jù)BP學(xué)習(xí)準(zhǔn)則利用δ矢量調(diào)整網(wǎng)絡(luò)。
在實(shí)際計(jì)算中，由于變寫的Matlab程序可視化程度不強(qiáng)，網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整復(fù)雜，因而采用寶鋼自動(dòng)化所購買的商用神經(jīng)網(wǎng)絡(luò)軟件進(jìn)行運(yùn)算，其軟件的原理和運(yùn)算函數(shù)與Matlab程序一致，所以本項(xiàng)目所使用的模型運(yùn)算工具有一定的先進(jìn)性，對預(yù)測精度的提高有益。
網(wǎng)絡(luò)程序的編制
由于采集的各數(shù)據(jù)單位不一致，因而須對數(shù)據(jù)進(jìn)行[-1，1]歸一化處理。然后再進(jìn)行分類,以其中20%的數(shù)據(jù)用來預(yù)測，其余數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)報(bào)。在訓(xùn)練中又以動(dòng)態(tài)誤差設(shè)定標(biāo)準(zhǔn)對神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練，尋找合理優(yōu)化的網(wǎng)絡(luò)權(quán)重，最后預(yù)報(bào)結(jié)果并計(jì)算在預(yù)定相對誤差范圍內(nèi)的命中率。程序流程圖如圖2 所示。
神經(jīng)網(wǎng)絡(luò)在轉(zhuǎn)爐模型中的應(yīng)用
應(yīng)用神經(jīng)網(wǎng)絡(luò)來處理非線性動(dòng)力學(xué)系統(tǒng)問題能克服回歸模型的弱點(diǎn)，更好地取得理想的預(yù)報(bào)效果，其特點(diǎn)是在于信息分布儲(chǔ)存和并行協(xié)同處理，具有很強(qiáng)的容錯(cuò)性和魯棒性。
本模型試用了Matlab三層前向BP網(wǎng)絡(luò)結(jié)構(gòu)，調(diào)用函數(shù)trainbp、trainbpx、trainlm用來訓(xùn)練bp網(wǎng)絡(luò)，隱含層神經(jīng)元變換函數(shù)采用了logsig、tansig和purelin函數(shù)作為輸出函數(shù)。
以精煉期碳含量的變化CE-CM、終點(diǎn)碳含量CE、副槍測定吹煉錳Mn（m）或P（m）和碳含量C（m）、螢石CaF2/WCH、白云石MgO/WCH及礦石ORE/WCH、石灰石CaO/WCH加入量、鐵水硅HSI、熱裝比HMR、吹煉溫度TEMP和總的供氧量VO2/WCH十二個(gè)參數(shù)作為輸入神經(jīng)元的參數(shù)，終點(diǎn)錳Mne或Pe作為目標(biāo)輸出，經(jīng)該神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得了含有人工知識(shí)的權(quán)重文件，供樣本外終點(diǎn)錳或磷成分的預(yù)報(bào)，可達(dá)到很好的預(yù)報(bào)效果。模型預(yù)報(bào)精度主要決定于轉(zhuǎn)爐的吹煉行為。轉(zhuǎn)爐吹煉條件的改變有如下原因：
底吹攪拌的影響；
實(shí)際熔池水平面的精度；
留余在轉(zhuǎn)爐中的渣的體積；
爐襯耐材幾何尺寸的變化；
氧槍噴嘴的狀況。
這樣，借助于人工智能和神經(jīng)網(wǎng)絡(luò)模型在不利的脫碳條件下，預(yù)報(bào)出提早結(jié)束吹氧，獲知出鋼前的氧含量，并提前計(jì)算合金的加入量和鋼包中鋁的加入量。且本模型評估了終點(diǎn)的錳、磷含量，可調(diào)整副材和冷卻劑的加入量，有利于降低成本，提高質(zhì)量，具有推廣的價(jià)值。
項(xiàng)目的數(shù)據(jù)采集和神經(jīng)網(wǎng)絡(luò)的運(yùn)算過程
根據(jù)冶金學(xué)原理，預(yù)報(bào)終點(diǎn)吹止錳、磷與造渣劑、冷卻劑、鐵水成分、供養(yǎng)量、熔池溫度、有關(guān)，其中影響最大的是供養(yǎng)量和溫度。在建立模型中應(yīng)考慮爐料的裝人量和爐料的熱裝比參數(shù)影響。從寶鋼轉(zhuǎn)爐數(shù)據(jù)庫中選擇的參數(shù)如表1，實(shí)際計(jì)算參數(shù)鐵水硅（HMSI）在測定二次的情況下，以第二次為準(zhǔn)的原則；每噸裝人量中氧氣供量（VO2/WCH）以著火前和吹煉中的耗氧量之和作為副槍測定前的已知輸入?yún)?shù)；每噸裝人量石灰石（CaO/WCH）、有效白云石（? MgO/WCH=[白云石+0.476*輕燒白云石]/WCH）、礦石（ORE/WCH）的加入量以副槍測定前累加量作為計(jì)算輸入?yún)?shù)；溫度（ETEMP）以副槍測定吹止溫度輸入；副槍吹煉碳（BC）、吹止碳（EC）和副槍測定吹煉至吹止的過程碳含量的變化（EC-BC）、副槍測定吹煉錳（BMN）或吹煉磷（BP）以及鐵水熱裝比（HMR）共十一項(xiàng)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入。吹止錳或磷元素分析值作訓(xùn)練目標(biāo)輸出樣本對模型進(jìn)行了訓(xùn)練和檢測預(yù)報(bào)。
模型的確立和現(xiàn)場預(yù)報(bào)驗(yàn)證
基于副槍信息的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型（SLMn、SLP模型）
基于無副槍分析信息的統(tǒng)計(jì)神經(jīng)網(wǎng)絡(luò)模型
由錳磷多元回歸推定值取代副槍信息的預(yù)報(bào)模型 (RCSLMn, RCSLP)
上述四種模型預(yù)報(bào)精度的比較與評價(jià)
對上述四種模型進(jìn)行了分析比較如圖2.6、2.7所示，SLMn、SLP模型的相關(guān)系數(shù)最大，而絕對誤差最小，其余三種準(zhǔn)態(tài)模型由于缺乏爐渣成分、堿度及冶煉過程中形成的渣況信息，因而很難從原始操作參數(shù)準(zhǔn)確推定吹煉中錳磷的成分，這樣造成NCSLMn、NCSLP、CSLMn、CSLP模型預(yù)報(bào)精度明顯低于前者。四種模型在相對誤差20%即相當(dāng)于預(yù)報(bào)誤差精度|ΔMn|? 0.025% 和|ΔP|? 0.0028%范圍內(nèi)的命中率比較如圖2.8、2.9所示
圖2.6 吹止錳的絕對誤差和相對系數(shù)的比較
圖2.7 吹止磷的絕對誤差和相對系數(shù)的比較
SLMn、SLP模型的命中率分別達(dá)到91%和84%。預(yù)測值與實(shí)際值比較如圖2.10、2.11所示，從圖中可看出錳的預(yù)報(bào)效果比磷要好些，分析原因主要是磷成分受爐渣和溫度的影響比錳的影響更大，所以為了提高預(yù)報(bào)精度必須采用機(jī)理模型和統(tǒng)計(jì)模型相結(jié)合。
圖2.8 終點(diǎn)錳預(yù)報(bào)誤差20%內(nèi)的命中率
圖2.9 終點(diǎn)磷預(yù)報(bào)誤差20%內(nèi)的命中率
神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其應(yīng)用
本文中提出的錳、磷回歸優(yōu)化模型，對實(shí)現(xiàn)錳磷終點(diǎn)的準(zhǔn)確預(yù)報(bào)提供了參數(shù)，而采用人工神經(jīng)元網(wǎng)絡(luò)的計(jì)算方法能更好地校正吹煉過程產(chǎn)生的各種誤差，并能正確估價(jià)難以用解析方法表達(dá)的各種變量對吹煉終點(diǎn)的影響，更加準(zhǔn)確完善靜態(tài)增量模型。
神經(jīng)網(wǎng)絡(luò)由許多并行運(yùn)算的功能簡單的單元組成，每個(gè)神經(jīng)元有一個(gè)輸出，它可以連接到很多其他的神經(jīng)元，每個(gè)神經(jīng)元輸入有多個(gè)連接通路，每個(gè)連接通路對應(yīng)一個(gè)連接權(quán)系數(shù)。即：
每個(gè)節(jié)點(diǎn)有一個(gè)狀態(tài)變量Xj
節(jié)點(diǎn)i到節(jié)點(diǎn)j有一個(gè)連接權(quán)系數(shù)wji
每個(gè)節(jié)點(diǎn)有一個(gè)閾值θj
每個(gè)節(jié)點(diǎn)定義一個(gè)變換函數(shù)fj[xj , wji,θj]
最常見的情形為f [
利用這些網(wǎng)絡(luò)模型可實(shí)現(xiàn)函數(shù)逼近、數(shù)據(jù)聚類、優(yōu)化計(jì)算等功能。
BP網(wǎng)絡(luò)的原理
BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的變換函數(shù)是S型函數(shù)。因此輸出量為0到1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意的非線性映射，由于權(quán)值的調(diào)整采用反向傳播的學(xué)習(xí)算法，因此稱BP（Back Propagation）網(wǎng)絡(luò)。在確定了BP網(wǎng)絡(luò)結(jié)構(gòu)之后，利用輸出輸入樣本集對其進(jìn)行訓(xùn)練，也即對網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行學(xué)習(xí)和調(diào)整，以使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出的映射關(guān)系。經(jīng)過訓(xùn)練的BP網(wǎng)絡(luò)，對于不是樣本集中的輸入也能給出合適的輸出，但這一樣本集必須與訓(xùn)練樣本集包含信息類似，否則，需重新訓(xùn)練尋找合適的權(quán)重，才能作出精確的預(yù)報(bào)。圖2.1表示BP網(wǎng)絡(luò)結(jié)構(gòu)，它具有R個(gè)輸入，每個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值W與下一層相連，網(wǎng)絡(luò)輸出可表示成 a=f（w *p ,b）, Matlab編程語言BP網(wǎng)絡(luò)中隱層神經(jīng)元的變換函數(shù)通常是logsig,也可采用tansig和purelin作為輸出函數(shù)其輸出值.
函數(shù)trainbp,trainbpx,trainlm均可用來訓(xùn)練BP網(wǎng),其中trainlm訓(xùn)練速度最快,但它需要更大的存儲(chǔ)空間,函數(shù)trainlm使用了Levenberg-Marquardt優(yōu)化方法，從而使學(xué)習(xí)時(shí)間更短，其權(quán)值調(diào)整率ΔW=（JTJ+μI）-1JTe，其中J 為誤差對權(quán)值微分的Jacobian矩陣，e為誤差向量，μ為一個(gè)標(biāo)量，當(dāng)μ很大時(shí)，上式就接近于梯度法；當(dāng)μ很小時(shí)，上式就變成了Gauss-Newton法。因此對大型工程計(jì)算來說更合適。本程序采用trainl訓(xùn)練函數(shù)。
BP算法在Matlab神經(jīng)網(wǎng)絡(luò)工具箱中得到了更新，即采用了動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整，從而提高了學(xué)習(xí)速度并增加了算法的可靠性。常見的反向傳播算法正是利用網(wǎng)絡(luò)誤差平方和對網(wǎng)絡(luò)層輸入的導(dǎo)數(shù)來調(diào)整其權(quán)值和閾值，從而降低誤差平方和。訓(xùn)練從計(jì)算每一層的輸出開始，直到得到網(wǎng)絡(luò)的輸出矢量，目標(biāo)矢量減去網(wǎng)絡(luò)矢量得到誤差矢量，這個(gè)誤差矢量用于計(jì)算輸出層的δ矢量，而后將它反向傳播到前一層，以獲得各個(gè)網(wǎng)絡(luò)層的δ矢量，最后根據(jù)BP學(xué)習(xí)準(zhǔn)則利用δ矢量調(diào)整網(wǎng)絡(luò)。
在實(shí)際計(jì)算中，由于變寫的Matlab程序可視化程度不強(qiáng)，網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整復(fù)雜，因而采用寶鋼自動(dòng)化所購買的商用神經(jīng)網(wǎng)絡(luò)軟件進(jìn)行運(yùn)算，其軟件的原理和運(yùn)算函數(shù)與Matlab程序一致，所以本項(xiàng)目所使用的模型運(yùn)算工具有一定的先進(jìn)性，對預(yù)測精度的提高有益。
網(wǎng)絡(luò)程序的編制
由于采集的各數(shù)據(jù)單位不一致，因而須對數(shù)據(jù)進(jìn)行[-1，1]歸一化處理。然后再進(jìn)行分類,以其中20%的數(shù)據(jù)用來預(yù)測，其余數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)報(bào)。在訓(xùn)練中又以動(dòng)態(tài)誤差設(shè)定標(biāo)準(zhǔn)對神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練，尋找合理優(yōu)化的網(wǎng)絡(luò)權(quán)重，最后預(yù)報(bào)結(jié)果并計(jì)算在預(yù)定相對誤差范圍內(nèi)的命中率。程序流程圖如圖2 所示。
神經(jīng)網(wǎng)絡(luò)在轉(zhuǎn)爐模型中的應(yīng)用
應(yīng)用神經(jīng)網(wǎng)絡(luò)來處理非線性動(dòng)力學(xué)系統(tǒng)問題能克服回歸模型的弱點(diǎn)，更好地取得理想的預(yù)報(bào)效果，其特點(diǎn)是在于信息分布儲(chǔ)存和并行協(xié)同處理，具有很強(qiáng)的容錯(cuò)性和魯棒性。
本模型試用了Matlab三層前向BP網(wǎng)絡(luò)結(jié)構(gòu)，調(diào)用函數(shù)trainbp、trainbpx、trainlm用來訓(xùn)練bp網(wǎng)絡(luò)，隱含層神經(jīng)元變換函數(shù)采用了logsig、tansig和purelin函數(shù)作為輸出函數(shù)。
以精煉期碳含量的變化CE-CM、終點(diǎn)碳含量CE、副槍測定吹煉錳Mn（m）或P（m）和碳含量C（m）、螢石CaF2/WCH、白云石MgO/WCH及礦石ORE/WCH、石灰石CaO/WCH加入量、鐵水硅HSI、熱裝比HMR、吹煉溫度TEMP和總的供氧量VO2/WCH十二個(gè)參數(shù)作為輸入神經(jīng)元的參數(shù)，終點(diǎn)錳Mne或Pe作為目標(biāo)輸出，經(jīng)該神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得了含有人工知識(shí)的權(quán)重文件，供樣本外終點(diǎn)錳或磷成分的預(yù)報(bào)，可達(dá)到很好的預(yù)報(bào)效果。模型預(yù)報(bào)精度主要決定于轉(zhuǎn)爐的吹煉行為。轉(zhuǎn)爐吹煉條件的改變有如下原因：
底吹攪拌的影響；
實(shí)際熔池水平面的精度；
留余在轉(zhuǎn)爐中的渣的體積；
爐襯耐材幾何尺寸的變化；
氧槍噴嘴的狀況。
這樣，借助于人工智能和神經(jīng)網(wǎng)絡(luò)模型在不利的脫碳條件下，預(yù)報(bào)出提早結(jié)束吹氧，獲知出鋼前的氧含量，并提前計(jì)算合金的加入量和鋼包中鋁的加入量。且本模型評估了終點(diǎn)的錳、磷含量，可調(diào)整副材和冷卻劑的加入量，有利于降低成本，提高質(zhì)量，具有推廣的價(jià)值。
項(xiàng)目的數(shù)據(jù)采集和神經(jīng)網(wǎng)絡(luò)的運(yùn)算過程
根據(jù)冶金學(xué)原理，預(yù)報(bào)終點(diǎn)吹止錳、磷與造渣劑、冷卻劑、鐵水成分、供養(yǎng)量、熔池溫度、有關(guān)，其中影響最大的是供養(yǎng)量和溫度。在建立模型中應(yīng)考慮爐料的裝人量和爐料的熱裝比參數(shù)影響。從寶鋼轉(zhuǎn)爐數(shù)據(jù)庫中選擇的參數(shù)如表1，實(shí)際計(jì)算參數(shù)鐵水硅（HMSI）在測定二次的情況下，以第二次為準(zhǔn)的原則；每噸裝人量中氧氣供量（VO2/WCH）以著火前和吹煉中的耗氧量之和作為副槍測定前的已知輸入?yún)?shù)；每噸裝人量石灰石（CaO/WCH）、有效白云石（? MgO/WCH=[白云石+0.476*輕燒白云石]/WCH）、礦石（ORE/WCH）的加入量以副槍測定前累加量作為計(jì)算輸入?yún)?shù)；溫度（ETEMP）以副槍測定吹止溫度輸入；副槍吹煉碳（BC）、吹止碳（EC）和副槍測定吹煉至吹止的過程碳含量的變化（EC-BC）、副槍測定吹煉錳（BMN）或吹煉磷（BP）以及鐵水熱裝比（HMR）共十一項(xiàng)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入。吹止錳或磷元素分析值作訓(xùn)練目標(biāo)輸出樣本對模型進(jìn)行了訓(xùn)練和檢測預(yù)報(bào)。
模型的確立和現(xiàn)場預(yù)報(bào)驗(yàn)證
基于副槍信息的神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型（SLMn、SLP模型）
基于無副槍分析信息的統(tǒng)計(jì)神經(jīng)網(wǎng)絡(luò)模型
由錳磷多元回歸推定值取代副槍信息的預(yù)報(bào)模型 (RCSLMn, RCSLP)
上述四種模型預(yù)報(bào)精度的比較與評價(jià)
對上述四種模型進(jìn)行了分析比較如圖2.6、2.7所示，SLMn、SLP模型的相關(guān)系數(shù)最大，而絕對誤差最小，其余三種準(zhǔn)態(tài)模型由于缺乏爐渣成分、堿度及冶煉過程中形成的渣況信息，因而很難從原始操作參數(shù)準(zhǔn)確推定吹煉中錳磷的成分，這樣造成NCSLMn、NCSLP、CSLMn、CSLP模型預(yù)報(bào)精度明顯低于前者。四種模型在相對誤差20%即相當(dāng)于預(yù)報(bào)誤差精度|ΔMn|? 0.025% 和|ΔP|? 0.0028%范圍內(nèi)的命中率比較如圖2.8、2.9所示
圖2.6 吹止錳的絕對誤差和相對系數(shù)的比較
圖2.7 吹止磷的絕對誤差和相對系數(shù)的比較
SLMn、SLP模型的命中率分別達(dá)到91%和84%。預(yù)測值與實(shí)際值比較如圖2.10、2.11所示，從圖中可看出錳的預(yù)報(bào)效果比磷要好些，分析原因主要是磷成分受爐渣和溫度的影響比錳的影響更大，所以為了提高預(yù)報(bào)精度必須采用機(jī)理模型和統(tǒng)計(jì)模型相結(jié)合。
圖2.8 終點(diǎn)錳預(yù)報(bào)誤差20%內(nèi)的命中率
圖2.9 終點(diǎn)磷預(yù)報(bào)誤差20%內(nèi)的命中率
本文標(biāo)簽：煉鋼爐終點(diǎn)成分的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型
* 由于無法獲得聯(lián)系方式等原因，本網(wǎng)使用的文字及圖片的作品報(bào)酬未能及時(shí)支付，在此深表歉意，請《煉鋼爐終點(diǎn)成分的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型》相關(guān)權(quán)利人與機(jī)電之家網(wǎng)取得聯(lián)系。
關(guān)于“煉鋼爐終點(diǎn)成分的人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型”的更多資訊
：鞏經(jīng)理
：13915946763
：南京塞姆泵業(yè)有限公司
VIP公司推薦
|
|
|
|
|
|
|
|