CN104298214A - 一种高炉铁水生产过程综合优化控制方法 - Google Patents
一种高炉铁水生产过程综合优化控制方法 Download PDFInfo
- Publication number
- CN104298214A CN104298214A CN201410608193.9A CN201410608193A CN104298214A CN 104298214 A CN104298214 A CN 104298214A CN 201410608193 A CN201410608193 A CN 201410608193A CN 104298214 A CN104298214 A CN 104298214A
- Authority
- CN
- China
- Prior art keywords
- blast
- target
- blast furnace
- prediction model
- training
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
Abstract
一种高炉铁水生产过程综合优化控制方法,其特征在于它包括确定高炉生产目标;获取历史数据;建立向量机预测模型、综合优化控制模型;指导高炉实际生产过程;指导高炉实际生产的输入变量设定;其优越性在于:提高铁水的产量并降低高炉能耗,在高炉节能优化领域应用前景广阔,有重大的生产实践意义。
Description
(一)技术领域:
本发明属于高炉铁水生产过程节能优化领域,特别是涉及一种基于统计学习理论和多目标多约束优化的高炉铁水生产过程综合优化控制方法。
(二)背景技术:
钢铁企业年耗能约占全国能源消费总量的10%以上,钢铁生产中的能耗主要集中在炼铁系统,包括炼焦、烧结和炼铁,其能耗占整个钢铁工业总能耗的67%,炼铁约占46%,能源高是当前钢铁企业普遍存在的问题,与先进国家相比,单位能耗高出20%到30%以上,高能耗不仅浪费了能源和资源,而且产生了大量废物,已严重威胁人类的生存环境,引起世界各国的高度重视,所以节能减排已刻不容缓,节能降耗对钢铁企业意义重大。目前,高炉仍是炼铁的主要设备,对高炉系统进行节能及优化具有重要意义。
高炉节能减排的前提是建立高炉的能耗模型,分析影响能耗的因素;然而仅从能耗单方面考虑能源节约并不能使能耗得到减少,限制了能源节约的潜力,从整体上考虑高炉铁水生产过程各生产目标进行分析,对高炉能源节约具有很大指导作用。由于高炉铁水生产过程中涉及的原燃料种类多而复杂,各变量间耦合性强,非线性程度高,依据传统的建模方法难以建立准确有效的多目标优化控制模型,然而高炉铁水生产的历史数据隐含了铁水生产的过程,从高炉的历史数据出发进行综合优化控制有利于高炉的节能减排。
因此,准确地建立高炉铁水生产过程综合优化控制模型对钢铁企业的节能降耗、提高经济效益和社会效益都有很重要的意义。
当前,迫切需要研究出一种准确度较高的高炉铁水生产过程综合优化控制模型,实现对高炉生产中各输入变量的优化,使高炉炼铁达到高质高产低耗。
(三)发明内容:
本发明的目的在于提供一种高炉铁水生产过程综合优化控制方法,它可以解决目前高炉炼铁生产优化控制过程中通常以局部单目标最优而非多目标最优的问题,是一种基于统计学习理论和多目标多约束优化的高炉铁水生产过程综合优化控制方法,且方法简单易操作。
本发明的技术方案:一种高炉铁水生产过程综合优化控制方法,其特征在于它包括以下步骤:
①分析高炉铁水生产过程,确定高炉生产目标;对高炉铁水生产过程进行分析后,可明确各生产目标的影响因素集,当目标变量的影响因素较多时,可通过灰色关联度分析得出主要影响因素或通过主成分分析进行;
②获取生产目标和影响因素的历史数据;对数据进行预处理,得到高炉生产过程中正常稳定的炉况值,用于高炉生产中目标预测模型的训练;
③建立高炉铁水生产过程中生产目标的支持向量机预测模型;依据已有的预处理后的数据,利用支持向量机算法进行目标预测模型的训练,训练后即得到生产目标的支持向量机预测模型;为了验证模型的有效性,可利用测试样本进行模型验证,否则应重新训练模型;
④建立高炉生产过程综合优化控制模型;依据已得到的各生产目标的支持向量机预测模型,构造各目标预测模型综合的优化目标函数,依据改进的多目标粒子群优化算法对建立的综合优化目标函数进行求解,得到优化目标函数中各输入变量的最优值,送回企业生产信息系统;通过优化控制结构,将求得的的最优值按照优化控制结构反馈回各对应输入变量;
⑤指导高炉铁水生产;用步骤④中获得目标函数最优值指导高炉实际生产的输入变量设定,从企业生产信息系统中获取各输入变量的最优值,通过优化控制结构,将求得的的最优值按照优化控制结构反馈回各对应输入变量,进一步指导高炉实际生产的输入变量设定。
所述步骤③中高炉铁水生产过程中高炉生产目标的支持向量机预测模型的建立由以下步骤构成:
(1)首先对高炉铁水生产过程进行分析,确定高炉的生产目标,即高炉铁水产量、铁水质量、高炉能耗,能耗以焦炭、喷煤量和高炉煤气消耗量;
(2)依据高炉铁水生产流程确定步骤(1)中各个目标的影响因素集,当目标变量的影响因素较多时,采用使用灰色关联分析法得到主要影响因素集;
(3)获取步骤(1)中各生产目标变量和其影响因素的历史数据,并对数据进行预处理;根据高炉稳定生产过程中的幅值,采用限幅函数对超过阈值数据进行剔除,并将缺失的数据值采用插值方法进行补缺;最后对所有数据进行归一化处理以消除各数据量纲不同造成的影响;
(4)选定训练样本和测试样本,训练样本用来训练生产目标的支持向量机预测模型,测试样本用于验证所训练出来的预测模型的准确性;
(5)模型训练过程中涉及到所选支持向量机算法的参数,参数的选择选用遗传算法进行最优参数值的寻找。
所述步骤(4)和(5)中所述建立各目标的支持向量机预测模型的具体方法由以下步骤构成:首先选定训练样本作为各目标的支持向量机预测模型的样本,其次引入决策函数,将训练样本变换到一个高维特征空间,然后这个空间内进行线性拟合;最后引入遗传算法对支持向量机模型中的参数进行寻优,得到最优值后进行各目标的支持向量机预测模型训练,并根据测试样本验证模型的精度,否则应重新选定样本数据进行模型训练。
所述步骤④中高炉生产过程综合优化控制模型的具体过程由以下步骤构成:
(1)利用步骤③中建立好的各生产目标的支持向量机预测模型,建立高炉各生产目标综合的优化目标函数,将产量和能耗作为目标函数,质量预测模型作为约束条件,得到多目标多约束的优化函数;
(2)利用改进的多目标粒子群优化算法对优化目标函数进行求解,得到各输入变量的最优值;
(3)将得到的各输入变量的最优值送回企业生产信息系统中,各级控制系统从企业生产信息系统中获取各输入变量的最优值,按照既定的最优值进行输入变量的设定。
本发明的优越性在于:该模型综合考虑高炉铁水生产过程中各目标的实现情况,在高炉生产过程中铁水质量满足要求的前提下,综合降低高炉焦比能耗及增加高炉铁水产量;提高铁水的产量并降低高炉能耗,在高炉节能优化领域应用前景广阔,有重大的生产实践意义。
(四)附图说明:
图1为本发明所涉一种高炉铁水生产过程综合优化控制方法的整体控制模型建立过程结构示意图。
图2为本发明所涉一种高炉铁水生产过程综合优化控制方法的高炉铁水生产过程中各结构流程图的结构示意图。
图3为本发明所涉一种高炉铁水生产过程综合优化控制方法的基于遗传算法的支持向量机目标预测模型的结构示意图。
图4为本发明所涉一种高炉铁水生产过程综合优化控制方法的改进的多目标粒子群优化算法对优化目标函数寻优的结构示意图。
(五)具体实施方式:
实施例:一种高炉铁水生产过程综合优化控制方法,其特征在于它包括以下步骤(见图1):
①分析高炉铁水生产过程(见图2),确定高炉生产目标;对高炉铁水生产过程进行分析后,可明确各生产目标的影响因素集,当目标变量的影响因素较多时,可通过灰色关联度分析得出主要影响因素或通过主成分分析进行;
②获取生产目标和影响因素的历史数据;对数据进行预处理,得到高炉生产过程中正常稳定的炉况值,用于高炉生产中目标预测模型的训练;
③建立高炉铁水生产过程中生产目标的支持向量机预测模型;依据已有的预处理后的数据,利用支持向量机算法进行目标预测模型的训练,训练后即得到生产目标的支持向量机预测模型;为了验证模型的有效性,可利用测试样本进行模型验证,否则应重新训练模型;
④建立高炉生产过程综合优化控制模型;依据已得到的各生产目标的支持向量机预测模型,构造各目标预测模型综合的优化目标函数,依据改进的多目标粒子群优化算法对建立的综合优化目标函数进行求解,得到优化目标函数中各输入变量的最优值,送回企业生产信息系统;通过优化控制结构,将求得的的最优值按照优化控制结构反馈回各对应输入变量;
⑤指导高炉铁水生产;用步骤④中获得目标函数最优值指导高炉实际生产的输入变量设定,从企业生产信息系统中获取各输入变量的最优值,通过优化控制结构,将求得的的最优值按照优化控制结构反馈回各对应输入变量,进一步指导高炉实际生产的输入变量设定。
所述步骤③中高炉铁水生产过程中高炉生产目标的支持向量机预测模型的建立由以下步骤构成:
(1)首先对高炉铁水生产过程进行分析,确定高炉的生产目标,即高炉铁水产量、铁水质量、高炉能耗,能耗以焦炭、喷煤量和高炉煤气消耗量;
(2)依据高炉铁水生产流程确定步骤(1)中各个目标的影响因素集,当目标变量的影响因素较多时,采用使用灰色关联分析法得到主要影响因素集;
(3)获取步骤(1)中各生产目标变量和其影响因素的历史数据,并对数据进行预处理;根据高炉稳定生产过程中的幅值,采用限幅函数对超过阈值数据进行剔除,并将缺失的数据值采用插值方法进行补缺;最后对所有数据进行归一化处理以消除各数据量纲不同造成的影响;
(4)选定训练样本和测试样本,训练样本用来训练生产目标的支持向量机预测模型,测试样本用于验证所训练出来的预测模型的准确性;
(5)模型训练过程中涉及到所选支持向量机算法的参数,参数的选择选用遗传算法进行最优参数值的寻找。
所述步骤(4)和(5)中所述建立各目标的支持向量机预测模型的具体方法由以下步骤构成(见图3):首先选定训练样本作为各目标的支持向量机预测模型的样本,其次引入决策函数,将训练样本变换到一个高维特征空间,然后这个空间内进行线性拟合;最后引入遗传算法对支持向量机模型中的参数进行寻优,得到最优值后进行各目标的支持向量机预测模型训练,并根据测试样本验证模型的精度,否则应重新选定样本数据进行模型训练。
所述步骤④中高炉生产过程综合优化控制模型的具体过程由以下步骤构成:
(1)利用步骤③中建立好的各生产目标的支持向量机预测模型,建立高炉各生产目标综合的优化目标函数,将产量和能耗作为目标函数,质量预测模型作为约束条件,得到多目标多约束的优化函数;
(2)利用改进的多目标粒子群优化算法对优化目标函数进行求解,得到各输入变量的最优值;
(3)将得到的各输入变量的最优值送回企业生产信息系统中,各级控制系统从企业生产信息系统中获取各输入变量的最优值,按照既定的最优值进行输入变量的设定。
本发明提供的各目标的支持向量机预测模型实现预测的原理及工作过程如下(参见图3):
支持向量机预测方法运用于回归预测问题时的算法如下,设输入输出样本为{xi,yj},i=(1,2,...n),xi∈Rp,yj∈R,p为输入样本的维数。x和y存在函数依赖关系f,回归问题描述为寻找一个函数f使得:
R(f)=∫L(y-f(x),x)dQ(x,y) (1)
最小。设样本点中输入向量映射到高维特征空间的非线性映射为Φ(x),则高维特征空间中的线性回归关系为f(x)=wTgΦ(x)+b。式中,wT为权值向量,Φ(x)为非线性映射函数,b为偏置。
根据Vapnik的结构风险最小化原则,函数f应使结构风险函数R(w)最小,即最小,当训练样本训练的模型与样本值拟合误差超过ε时,引入松弛变量ξi,则:
其对偶问题为:
其中, 式中,αi、αi *为与(xi,xj)对应的Lagrange乘子,b可通过下式求得:
构造核函数K(xi,xj)=Φ(xi)·Φ(xj),核函数的选择直接影响支持向量机的回归分析,目前对核函数的选择尚无成熟的理论,研究认为径向基函数比线性函数好,选用径向基函数后无需再考虑线性核函数,sigmoid核函数没有径向基核函数精度高,且不是完全正定的,满足一定条件后才为有效核函数,通常sigmoid核函数不比径向基核函数好,多项式核函数在阶次比较高时计算复杂,速度较慢。因此,取常用的高斯径向基核函数最终得到的回归函数为:
本发明提供的改进的多目标粒子群优化算法原理及工作过程如下(参见图4):
Step1设置种群的参数,即设置种群规模,位置,速度,位置范围,速度范围,进化代数,各粒子的参数等,范围的设定根据被优化对象的取值范围而定;
Step2种群初始化,初始化各粒子的位置和速度;
Step3根据约束条件确定罚函数和适应度函数,将带约束条件的目标函数转换为无约束的目标函数,求各粒子的适应度值;
Step4适应度值基于非劣解排序,对支配等级相同的个体,再基于密度距离排序,使Pareto前沿分布均匀分散,更新个体极值和全局极值;
Step5粒子的速度和位置更新,根据速度公式和位置公式更新粒子值,按照适应度函数评价粒子当前值;
Step6极值更新,按Step4对适应值基于非劣解排序后,更新个体局部最优值和全局极值;
Step7个体极值判断,即若粒子连续N(经验值为7)代没有提升局部最优值,则随机将粒子的位置和速度重新赋值,返回Step2;
Step8结束条件判断,即判断是否满足迭代条件(达到了最大迭代值),若满足,则算法结束,转向Step9;否则,返回Step5;
Step9输出非劣最优解。
Pareto支配:
定义解u=(u1,u2,...,un)支配解v=(v1,v2,...,vn),记做u>v,当且仅当,对有fi(u)≤fi(v),有fj(u)<fj(v),其中,m为待优化函数中目标函数的个数。
非劣解集排序策略:
Sp为p支配的所有个体的序号,np为支配p的个体数目;p越大,支配等级越低;个体p与非劣解集P中任意其它个体q比较等级:
if p支配q,then Sp=[Sp,q];%p支配q,保存其支配的其它等级个体序号;
else if q支配p,then np=np+1;%保存p的等级;
Sp[p]=Sp;%与其它个体比较完后,保存由p支配的个体序号;
为保证最高支配等级的非支配集个体数目不因无限增多而降低算法效率,在缩减每一非劣支配等级所有个体数目时删除密度距离最小的个体,保留其余分散个体,保证Pareto前沿的均匀分布。
Claims (4)
1.一种高炉铁水生产过程综合优化控制方法,其特征在于它包括以下步骤:
①分析高炉铁水生产过程,确定高炉生产目标;对高炉铁水生产过程进行分析后,可明确各生产目标的影响因素集,当目标变量的影响因素较多时,可通过灰色关联度分析得出主要影响因素或通过主成分分析进行;
②获取生产目标和影响因素的历史数据;对数据进行预处理,得到高炉生产过程中正常稳定的炉况值,用于高炉生产中目标预测模型的训练;
③建立高炉铁水生产过程中生产目标的支持向量机预测模型;依据已有的预处理后的数据,利用支持向量机算法进行目标预测模型的训练,训练后即得到生产目标的支持向量机预测模型;为了验证模型的有效性,可利用测试样本进行模型验证,否则应重新训练模型;
④建立高炉生产过程综合优化控制模型;依据已得到的各生产目标的支持向量机预测模型,构造各目标预测模型综合的优化目标函数,依据改进的多目标粒子群优化算法对建立的综合优化目标函数进行求解,得到优化目标函数中各输入变量的最优值,送回企业生产信息系统;通过优化控制结构,将求得的的最优值按照优化控制结构反馈回各对应输入变量;
⑤指导高炉铁水生产;用步骤④中获得目标函数最优值指导高炉实际生产的输入变量设定,从企业生产信息系统中获取各输入变量的最优值,通过优化控制结构,将求得的的最优值按照优化控制结构反馈回各对应输入变量,进一步指导高炉实际生产的输入变量设定。
2.根据权利要求1所述一种高炉铁水生产过程综合优化控制方法,其特征在于所述步骤③中高炉生产过程中高炉生产目标的支持向量机预测模型的建立由以下步骤构成:
(1)首先对高炉铁水生产过程进行分析,确定高炉的生产目标,即高炉铁水产量、铁水质量、高炉能耗,能耗以焦炭、喷煤量和高炉煤气消耗量;
(2)依据高炉铁水生产流程确定步骤(1)中各个目标的影响因素集,当目标变量的影响因素较多时,采用使用灰色关联分析法得到主要影响因素集;
(3)获取步骤(1)中各生产目标变量和其影响因素的历史数据,并对数据进行预处理;根据高炉稳定生产过程中的幅值,采用限幅函数对超过阈值数据进行剔除,并将缺失的数据值采用插值方法进行补缺;最后对所有数据进行归一化处理以消除各数据量纲不同造成的影响;
(4)选定训练样本和测试样本,训练样本用来训练生产目标的支持向量机预测模型,测试样本用于验证所训练出来的预测模型的准确性;
(5)模型训练过程中涉及到所选支持向量机算法的参数,参数的选择选用遗传算法进行最优参数值的寻找。
3.根据权利要求2所述一种高炉铁水生产过程综合优化控制方法,其特征在于所述步骤(4)和(5)中所述建立各目标的支持向量机预测模型的具体方法由以下步骤构成:首先选定训练样本作为各目标的支持向量机预测模型的样本,其次引入决策函数,将训练样本变换到一个高维特征空间,然后这个空间内进行线性拟合;最后引入遗传算法对支持向量机模型中的参数进行寻优,得到最优值后进行各目标的支持向量机预测模型训练,并根据测试样本验证模型的精度,否则应重新选定样本数据进行模型训练。
4.根据权利要求1所述一种高炉铁水生产过程综合优化控制方法,其特征在于所述步骤④中高炉生产过程综合优化控制模型的具体过程由以下步骤构成:
(1)利用步骤③中建立好的各生产目标的支持向量机预测模型,建立高炉各生产目标综合的优化目标函数,将产量和能耗作为目标函数,质量预测模型作为约束条件,得到多目标多约束的优化函数;
(2)利用改进的多目标粒子群优化算法对优化目标函数进行求解,得到各输入变量的最优值;
(3)将得到的各输入变量的最优值送回企业生产信息系统中,各级控制系统从企业生产信息系统中获取各输入变量的最优值,按照既定的最优值进行输入变量的设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410608193.9A CN104298214A (zh) | 2014-11-03 | 2014-11-03 | 一种高炉铁水生产过程综合优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410608193.9A CN104298214A (zh) | 2014-11-03 | 2014-11-03 | 一种高炉铁水生产过程综合优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104298214A true CN104298214A (zh) | 2015-01-21 |
Family
ID=52317990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410608193.9A Pending CN104298214A (zh) | 2014-11-03 | 2014-11-03 | 一种高炉铁水生产过程综合优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104298214A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249724A (zh) * | 2016-09-14 | 2016-12-21 | 东北大学 | 一种高炉多元铁水质量预测控制方法及系统 |
CN108845501A (zh) * | 2018-09-11 | 2018-11-20 | 东北大学 | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 |
US10604814B2 (en) | 2017-09-27 | 2020-03-31 | International Business Machines Coporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
CN111487937A (zh) * | 2020-02-14 | 2020-08-04 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
CN117313554A (zh) * | 2023-11-28 | 2023-12-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005330508A (ja) * | 2004-05-18 | 2005-12-02 | Kobe Steel Ltd | 払出計画管理装置及び払出計画管理方法、並びにプログラム |
CN101211383A (zh) * | 2007-12-21 | 2008-07-02 | 浙江大学 | 一种高炉铁水硅含量的特征分析预报方法 |
CN101457264A (zh) * | 2008-12-29 | 2009-06-17 | 杭州电子科技大学 | 高炉炉温优化控制方法 |
CN102586519A (zh) * | 2012-02-24 | 2012-07-18 | 北京首钢自动化信息技术有限公司 | 一种用于调整高炉操作的演算预测方法 |
CN103293955A (zh) * | 2013-05-17 | 2013-09-11 | 浙江大学 | 高炉热风炉混杂系统建模与协调优化控制的方法 |
CN103320559A (zh) * | 2013-07-10 | 2013-09-25 | 鞍钢股份有限公司 | 一种高炉铁水硫含量预报方法 |
-
2014
- 2014-11-03 CN CN201410608193.9A patent/CN104298214A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005330508A (ja) * | 2004-05-18 | 2005-12-02 | Kobe Steel Ltd | 払出計画管理装置及び払出計画管理方法、並びにプログラム |
CN101211383A (zh) * | 2007-12-21 | 2008-07-02 | 浙江大学 | 一种高炉铁水硅含量的特征分析预报方法 |
CN101457264A (zh) * | 2008-12-29 | 2009-06-17 | 杭州电子科技大学 | 高炉炉温优化控制方法 |
CN102586519A (zh) * | 2012-02-24 | 2012-07-18 | 北京首钢自动化信息技术有限公司 | 一种用于调整高炉操作的演算预测方法 |
CN103293955A (zh) * | 2013-05-17 | 2013-09-11 | 浙江大学 | 高炉热风炉混杂系统建模与协调优化控制的方法 |
CN103320559A (zh) * | 2013-07-10 | 2013-09-25 | 鞍钢股份有限公司 | 一种高炉铁水硫含量预报方法 |
Non-Patent Citations (2)
Title |
---|
孙彤: "基于最小二乘支持向量机的高炉铁水温度预测模型的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
张慧宁等: "基于灰色理论的铁水预处理终点磷含量神经网络预测模型", 《钢铁》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106249724A (zh) * | 2016-09-14 | 2016-12-21 | 东北大学 | 一种高炉多元铁水质量预测控制方法及系统 |
US10604814B2 (en) | 2017-09-27 | 2020-03-31 | International Business Machines Coporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
US10633716B2 (en) | 2017-09-27 | 2020-04-28 | International Business Machines Corporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
US11242575B2 (en) | 2017-09-27 | 2022-02-08 | International Business Machines Corporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
CN108845501A (zh) * | 2018-09-11 | 2018-11-20 | 东北大学 | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 |
CN108845501B (zh) * | 2018-09-11 | 2021-07-20 | 东北大学 | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 |
CN111487937A (zh) * | 2020-02-14 | 2020-08-04 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
CN111487937B (zh) * | 2020-02-14 | 2021-04-30 | 北京工业大学 | 一种考虑回火与余热热处理的锻造节能调度方法 |
CN117313554A (zh) * | 2023-11-28 | 2023-12-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、系统、设备及介质 |
CN117313554B (zh) * | 2023-11-28 | 2024-03-29 | 中国科学技术大学 | 炼焦生产多工段联合多目标优化方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104298214A (zh) | 一种高炉铁水生产过程综合优化控制方法 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN105260797B (zh) | 一种微网储能电站规划控制方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
CN105184678A (zh) | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 | |
CN112036633B (zh) | 一种基于水库生态发电多目标中长期随机调度模型的优化调度方法 | |
CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN105243438A (zh) | 一种考虑径流不确定性的多年调节水库优化调度方法 | |
CN107453356B (zh) | 基于自适应动态规划的用户侧柔性负荷调度方法 | |
CN109242188B (zh) | 一种钢铁煤气系统长期区间预测及其结构学习方法 | |
CN106372756A (zh) | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 | |
CN107578149B (zh) | 一种电网企业关键数据分析方法 | |
CN104268697A (zh) | 计及节能风险概率的省级电网购电决策系统及方法 | |
CN107918368B (zh) | 钢铁企业煤气产生量与消耗量的动态预测方法及设备 | |
CN102682219A (zh) | 一种支持向量机短期负荷预测方法 | |
CN107704965B (zh) | 一种兼顾生态保护需求的水库兴利调度图优化方法 | |
CN107203687A (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
WO2020051795A1 (zh) | 一种钢铁煤气系统长期区间预测及其结构学习方法 | |
CN109647899A (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
CN104268712A (zh) | 基于改进的混合多种群进化算法的能源平衡与调度方法 | |
CN103617470A (zh) | 一种设备能力变化条件下的选矿综合生产指标优化方法 | |
CN116245338A (zh) | 一种矿山综合能源系统低碳经济运行优化方法 | |
Wei et al. | Impact of intelligence on the carbon emissions of energy consumption in the mining industry based on the expanded STIRPAT model | |
CN114202086A (zh) | 一种矿山开采方案多目标优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150121 |
|
RJ01 | Rejection of invention patent application after publication |