The on-line analysis of operational data and prediction of furnace irregularities, though difficult, are essential for the improvement of the control of blast furnace operation. Three models based on artificial neural networks for the recognition of top gas distribution, distributions of the heat fluxes through the furnace wall, and for the prediction of slips have been designed. The off-line test results showed that a trained perceptron network could recognise various types of top gas profiles. A classifier consisting of a self-organising feature map network and a learning vector quantizer could classify the characteristic patterns of heat flux distribution; and a model based on a back propagation network could properly predict the probability of upcoming slips in advance. The most important operational variables needed for predicting slips have also been extracted. It has been proved that the neural network used has a good capability of predicting furnace irregularities.%Die on-Iine-Analyse der Betriebsdaten und die Vorhersage von Störungen im Hochofenbetrieb sind -wenn auch schwierig durchzuführen- von grundlegender Bedeutung für die Verbesserung der Hochofensteuerung. Auf der Basis künstlicher neuronaler Netze wurden drei Modelle zur Erkennung der Verteilung des Gichtgases, des Wärmeflusses durch die Ofenwand sowie für die Vorhersage von Stürzen erstellt. Die off-Iine-Testergebnisse zeigten, daß ein trainiertes Perceptron verschiedene Typen von Gichtgasprofilen erkennen konnte. Ein selbstorganisierendes Musterabtastungssystem in Verbindung mit einem optimierenden Lernalgorithmus klassifizierte die charakteristischen Muster der Wärmeflußverteilung. Das dritte Modell konnte die Wahrscheinlichkeit afutretender Stürze ausgehend von einem Rückrechnungsnetzwerk richtig voraussagen. Die wichtigsten, für die Vorhersage von Stürzen erforderlichen Betriebsparameter wurden ermittelt. Das verwendete neuronale System eignet sich gut zur Vorhersage von Störungen im Hochofenbetrieb.
展开▼
机译：运行数据的在线分析和熔炉不规则性的预测虽然很困难，但是对于改进高炉操作的控制至关重要。设计了三种基于人工神经网络的模型，用于识别顶部气体分布，通过炉壁的热通量分布以及预测滑移。离线测试结果表明，训练有素的感知器网络可以识别各种类型的顶部气体剖面。由自组织特征图网络和学习矢量量化器组成的分类器可以对热通量分布的特征模式进行分类。并且基于反向传播网络的模型可以适当地提前预测即将发生滑移的可能性。还提取了预测滑差所需的最重要的操作变量。事实证明，所使用的神经网络具有良好的预测熔炉不规则性的能力。基础神经病学专家Netze wurden drei Modelle zur Erkennung der Verteilung des Gichtgases，Wermflusses du Frch die Ofenwand sowiefürdie Vorhersage vonStürzenertell。死于Iine-Testergebnisse报章，Perceptron verschiedene Typen von Gichtgasprofilen erkennen konnte。在维宾登州的自我保护体系是最理想的，而在世界范围内则是最重要的。责任书记处书记处书记处处长史密斯书院书记处书记处。您可以从Verhersage vonStürzenerforderlichen的参数wurden ermittelt中删除。 Das verwendete Neuronale System eignet sich gut zur Vorhersage vonStörungenim Hochofenbetrieb。
展开▼
