CN104913639A - 基于数据融合的烧结终点控制系统及控制方法 - Google Patents

基于数据融合的烧结终点控制系统及控制方法 Download PDF

Info

Publication number
CN104913639A
CN104913639A CN201510358914.XA CN201510358914A CN104913639A CN 104913639 A CN104913639 A CN 104913639A CN 201510358914 A CN201510358914 A CN 201510358914A CN 104913639 A CN104913639 A CN 104913639A
Authority
CN
China
Prior art keywords
data
sintering
fusion
indice
state
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
Application number
CN201510358914.XA
Other languages
English (en)
Inventor
苗亮亮
杨平
张军廷
王浏玮
张宏伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING BESTPOWER ELECTRICAL TECHNOLOGY Co Ltd
Original Assignee
BEIJING BESTPOWER ELECTRICAL TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING BESTPOWER ELECTRICAL TECHNOLOGY Co Ltd filed Critical BEIJING BESTPOWER ELECTRICAL TECHNOLOGY Co Ltd
Priority to CN201510358914.XA priority Critical patent/CN104913639A/zh
Publication of CN104913639A publication Critical patent/CN104913639A/zh
Pending legal-status Critical Current

Links

Abstract

本发明提供一种基于数据融合的烧结终点控制系统及控制方法,所述烧结终点控制系统包括数据采集单元、数据预处理单元、数据融合单元、自适应控制单元和系统数据库,其中,所述数据采集单元、所述数据预处理单元、所述数据融合单元与所述系统数据库连接;所述自适应控制单元与所述数据融合单元连接;所述数据采集单元与系统外部的输入设备连接;所述自适应控制单元与系统外部的自动化系统连接。本发明所述系统和方法通过融合各种参数数据,分析当前烧结状态,调节烧结终点位置,达到烧结过程的优化控制。

Description

基于数据融合的烧结终点控制系统及控制方法
技术领域
本发明涉及冶金技术控制领域,尤其涉及一种基于数据融合的烧结终点控制系统及控制方法。
背景技术
随着现代工业的迅速发展,钢铁生产规模日趋壮大,能源消耗日益增多,节能环保指标越发成为钢铁生产过程的重要考察因素。在钢铁生产中,烧结过程是钢铁冶炼中一道重要工序,是保证炼铁高炉节能环保的重要环节。
烧结过程是将含铁原料配入适量的燃料和溶剂,经加水、混合、造球和焙烧后,形成烧结矿的过程。烧结系统主要包括烧结台车、混合机、主抽风机、环冷机等多个设备,其总的工艺流程参考图1所示。各种原料经配料室1配比,形成混合物料,混合物料进入混合机2混匀和造球后,再通过圆辊给料机3和九辊布料机4将其均匀散布在烧结台车5上形成物料层,点火风机6和引火风机7启动物料点火开始烧结过程。烧结完成后得到的烧结矿经过单辊破碎机8破碎后进入环冷机9冷却,最后经过筛分整粒后送至高炉或成品矿仓。其中,烧结过程需要的氧气由主抽风机10提供,烧结台车5下方设置有多个竖直并排的风箱11,风箱11下方为水平安置的烟道12,烟道12与主抽风机10相连,主抽风机10通过烟道12及风箱11产生的负压风经过台车,为烧结过程提供助燃风。
在烧结生产中,一个重要的生产操作指标就是烧结终点的位置,烧结终点的稳定与否是混合料在机车运行过程中完成烧结化学变化的关键环节,是控制烧结质量与降低成本的关键所在。即,控制烧结终点就是控制烧结过程全部完成时台车在所述烧结台上所处的位置,中小型烧结机的终点一般控制在倒数第二个风箱的位置,大型烧结机的终点一般控制在倒数第三个风箱上。
准确控制烧结终点位置,是烧结优质高产的重要条件。烧结终点位置与烧结机机速、风机频率、风箱风门开度、烧结机风箱负压、混合料层厚度、燃料量、水分及透气性等多种因素有关,获取烧结终点位置需要对多种相关参数进行检测。但由于烧结生产过程环境恶劣,高温、高湿、高粉尘、强干扰,对检测元件和仪器具有较强的密封性、耐高温、耐腐蚀、抗干扰能力要求。
现有技术中,检测设备或是精度不够,或是不能应对复杂环境,故难以对烧结终点做出精确有效的判断,导致烧结终点控制困难,生产效率和产品质量的下降。如果烧结终点提前,烧结台的烧结面积未得到充分利用,同时使风大量从烧结机后部通过,破坏了抽风制度,降低了烧结矿产量;如果烧结终点滞后,未完全燃烧的生料增多,导致返矿增加、成品率降低,且没烧完的燃料卸入冷却机也会损坏设备。
发明内容
基于现有技术的不足,需要对烧结过程中各种可测量参数的数据进行过滤、分析及综合,建立多源数据与烧结状态的数据融合模型,分析当前烧结状态及烧结终点,调节烧结终点位置,以提高烧结过程的控制精度,稳定烧结过程,提高烧结质量和钢铁生产节能减排水平。
本发明提供一种基于数据融合的烧结终点控制系统,所述烧结终点控制系统包括数据采集单元、数据预处理单元、数据融合单元、自适应控制单元和系统数据库,其中,所述数据采集单元、所述数据预处理单元、所述数据融合单元与所述系统数据库连接;所述自适应控制单元与所述数据融合单元连接;所述数据采集单元与系统外部的输入设备连接;所述自适应控制单元与系统外部的自动化系统连接。
上述方案中优选的是,所述数据采集单元采集与烧结终点相关的数据,并将采集到的数据存入所述系统数据库中。
上述方案中优选的是,所述数据采集单元通过局域网的数据接口采集与烧结终点相关的数据。
上述方案中优选的是,所述数据预处理单元从所述系统数据库中获取数据,对所述获取的数据进行滤波处理和\或剔除坏点的处理,并将处理后的数据存入所述系统数据库中。
上述方案中优选的是,所述数据预处理单元的所述滤波处理包括采用数字滤波方法对所述获取的数据进行滤波处理。
上述方案中优选的是,所述数据预处理单元的所述剔除坏点的处理包括判断故障数据和剔除故障数据,其中,所述判断故障数据为:如果数据超出的烧结设备允许的范围或正常生产允许的范围,则所述数据预处理单元判断是否为设备故障或生产异常;所述剔除故障数据为剔除因设备故障引起的故障数据。
上述方案中优选的是,所述数据预处理单元还对属于生产异常的情况进行报警处理。
上述方案中优选的是,所述数据预处理单元的所述状态判断包括判断故障数据,即如果数据超出的烧结设备允许的范围或正常生产允许的范围,则所述数据预处理单元判断是否为设备故障或生产异常。
上述方案中优选的是,所述数据预处理单元的所述预处理包括对属于生产异常的情况进行报警处理。
上述方案中优选的是,所述数据融合单元从所述系统数据库中获取数据,对所述获取的数据进行时间、空间和状态的融合处理,并将处理后的数据存入所述系统数据库中。
上述方案中优选的是,所述数据融合单元包括时间融合模块、空间融合模块及状态融合模块。
上述方案中优选的是,所述数据融合单元获取所述数据预处理单元处理后的数据,所述数据融合单元通过所述时间、空间和状态的融合处理判断烧结终点是否为提前或滞后以及其提前或滞后的程度。
上述方案中优选的是,所述时间融合模块对与烧结终点相关的异步传感器的数据进行采样时间同步处理。
上述方案中优选的是,所述异步传感器包括测速仪、料厚仪、水分仪。
上述方案中优选的是,所述采样时间同步处理包括如下步骤:首先,对所述数据按照时间序列进行排列,并将所述排列后的数据存放到所述系统数据库中;然后,采用拟合算法求得所述数据按时间变化的拟合曲线;最后,从所述拟合曲线中取出采样时刻的拟合值进行时间融合对准。
上述方案中优选的是,所述空间融合模块对从多个同种检测设备获得的数据进行空间配准。
上述方案中优选的是,所述空间配准包括如下步骤:首先,设置尺度压缩比例因子;然后,根据神经网络法或者等比例压缩法,按所述尺度压缩比例因子对所述获得的数据进行压缩或者放大处理;最后,将坐标系由单轴坐标系转换到矩阵坐标系,实现数据空间的融合。
上述方案中优选的是,所述状态融合模块用于实现数据融合处理,对时空融合后的数据进行烧结状态判断,即判断烧结终点是否为提前或滞后以及其提前或滞后的程度。
上述方案中优选的是,所述烧结状态判断包括如下步骤:
第一步,将经过所述时空融合后的数据定义为Xi'=[XX1,XX2,…XXn],其中,XXn表示第n种数据时空融合后的数值;
第二步,定义专家烧结状态为Xj,Xj以数值表示烧结状态,从0-1之间的连续或离散数值表示从欠烧到过烧;
第三步,采用学习算法推导出Xi'与Xj的关系矩阵f(*);令Xi=f(Xi')→Xj,则Xi表示经理论推导出的烧结状态;
第四步,设xi、xj为Xi、Xj的一次观测值,以概率密度函数曲线作为Xi、Xj的特征函数,记成p1(x)、p2(x);
第五步,为了表示观测值xi、xj之间的偏差的大小,定义置信距离测度dij,dij的值为第i项数据与第j项数据的所述置信距离测度,dij反映了第i项数据与第j项数据的融合度,dij的值可借助正态分布误差函数 e r f ( θ ) = 2 π ∫ 0 θ ( e - u 2 ) d u 直接求得:
d i j = e r f ( x j - x i 2 δ i )
d j i = e r f ( x i - x j 2 δ j ) ,
则置信距离测度dij构成一个矩阵
第六步,确定一个阈值ε,当置信距离测度小于ε时认为两种数据相互支持,定义rij表示第i项数据与第j项数据的支持程度;
当第i项数据与第j项数据相互支持时,rij值为1(rij=1),否则为0,则关系矩阵为:
r i j = 1 d i j ≤ β i j 0 d i j > β i j
R m = r 11 r 12 ... r 1 m r 21 r 22 ... r 2 m ... r m 1 r m 2 ... r m m ;
第七步,求出各项数据相互支持的最佳融合支持数,设其支持数为l,根据支持程度rij求出支持数l,则融合集为X=(x1..xl),在相互支持时的条件概率密度为:
p ( μ | x 1 ... x l ) = p ( μ ; x 1 ... x l ) p ( x 1 ... x l ) ,
其中μ是测量的均值,服从正态分布且xk服从并令α是与μ无关的常数;μ00是期望的数学期望和均方差;δk是第k次测量的均方差;
第八步,求取最佳估计,判断xi、xj满足的概率分布函数,根据不同的分布函数采用极大似然估计、贝叶斯估计等概率估计法进行估计获得最佳烧结状态估计值根据贝叶斯估计法 p ( μ | x 1 ... x l ) = α exp [ - 1 / 2 Σ k = 1 l ( x k - μ δ k ) 2 - 1 / 2 ( μ - μ 0 δ 0 ) 2 ] ,
上式中的指数部分是关于μ的二次函数,p(μ|x1...xl)为正态分布服从
p ( μ | x 1 ... x l ) = 1 2 π δ N exp [ - 1 / 2 ( μ - μ N δ N ) 2 ] ,
则有 μ N = ( Σ k = 1 l x k δ k 2 + μ 0 δ 0 2 ) / ( Σ k = 1 l 1 δ k 2 + 1 δ 0 2 ) , 所以μ的状态融合估计为 μ ^ = μ N , 即最佳状态融合值为μN
上述方案中优选的是,所述自适应控制单元获取所述数据融合单元处理后的数据,并计算控制参数,所述自适应控制单元根据所述控制参数对烧结设备进行调整。
上述方案中优选的是,所述自适应控制单元还根据烧结过程状态计算烧结终点的位置,其中,所述烧结过程状态反映了烧结终点的提前或滞后的程度。
上述方案中优选的是,所述对烧结设备进行调整包括如下步骤:
第一步,根据当前烧结状态求出当前烧结终点位置,设烧结终点位置为yN,则yN=g(μN),其中,g(*)为经验控制函数,其系数可根据现场经验赋予;
第二步,取烧结终点位置为目标值,根据理想烧结终点位置及当前烧结终点位置的偏差和变化率为控制器的输入;
第三步,建立自适应模糊控制器来控制烧结过程控制参数;
第四步,根据控制器输出参数来控制烧结机机速、抽风机频率及风箱风门角度的变化量等烧结过程控制参数。
上述方案中优选的是,所述系统数据库存放所述烧结终点控制系统的数据,所述数据包括采样数据和\或过程数据。
上述方案中优选的是,所述采样数据包括根据专家系统所需参数的种类、格式、采样周期及检测精度,从现场的PLC(可编程逻辑控制器)和/或DCS(分布式控制系统)系统中收集的数据。
上述方案中优选的是,所述过程数据包括时间融合数据、空间融合数据、状态融合数据及当前烧结终点位置数据。
本发明还提供一种基于数据融合的烧结终点控制方法,所述控制方法包括如下步骤:
第一步,建立系统数据库;
第二步,采集与烧结终点相关的数据;
第三步,对所述采集到的数据进行数据处理;
第四步,对所述处理后的数据进行分析,判断出烧结状态,推导出烧结终点为提前或滞后以及其提前或滞后的程度;
第五步,根据所述烧结状态以及所述推导结果调整烧结设备,使得所述烧结设备趋于理想的状态。
上述方案中优选的是,所述第三步中的对所述采集到的数据进行数据处理包括对数据进行滤波处理和\或剔除坏点的处理。
上述方案中优选的是,所述第四步中的数据分析包括对数据进行时间融合处理、空间融合处理和状态融合处理。
上述方案中优选的是,所述时间融合处理对与烧结终点相关的异步传感器的数据进行采样时间同步处理。
上述方案中优选的是,所述采样时间同步处理包括如下步骤:
首先,对所述数据按照时间序列进行排列,并将所述排列后的数据存放到所述系统数据库中;然后,采用拟合算法求得所述数据按时间变化的拟合曲线;最后,从所述拟合曲线中取出采样时刻的拟合值进行时间融合对准。
上述方案中优选的是,所述空间融合处理对从多个同种检测设备获得的数据进行空间配准。
上述方案中优选的是,所述数据的空间配准包括如下步骤:
首先,设置尺度压缩比例因子;然后,根据神经网络法或者等比例压缩法,按所述尺度压缩比例因子对所述获得的数据进行压缩或者放大处理;最后,将坐标系由单轴坐标系转换到矩阵坐标系,实现数据空间的融合。
上述方案中优选的是,所述状态融合处理用于实现数据融合处理,对时空融合后的数据进行烧结状态判断,即判断烧结终点是否为提前或滞后以及其提前或滞后的程度。
上述方案中优选的是,所述烧结状态判断包括如下步骤:
第一步,将经过所述时空融合后的数据定义为Xi'=[XX1,XX2,…XXn],其中,XXn表示第n种数据时空融合后的数值;
第二步,定义专家烧结状态为Xj,Xj以数值表示烧结状态,从0-1之间的连续或离散数值表示从欠烧到过烧;
第三步,采用学习算法推导出Xi'与Xj的关系矩阵f(*);令Xi=f(Xi')→Xj,则Xi表示经理论推导出的烧结状态;
第四步,设xi、xj为Xi、Xj的一次观测值,以概率密度函数曲线作为Xi、Xj的特征函数,记成p1(x)、p2(x);
第五步,为了表示观测值xi、xj之间的偏差的大小,定义置信距离测度dij,dij的值为第i项数据与第j项数据的所述置信距离测度,dij反映了第i项数据与第j项数据的融合度,dij的值可借助正态分布误差函数 e r f ( θ ) = 2 π ∫ 0 θ ( e - u 2 ) d u 直接求得:
d i j = e r f ( x j - x i 2 δ i )
d j i = e r f ( x i - x j 2 δ j ) ,
则置信距离测度dij构成一个矩阵
第六步,根据工艺要求确定一个阈值ε,当置信距离测度小于ε时认为两种数据相互支持,定义rij表示第i项数据与第j项数据的支持程度;
当第i项数据与第j项数据相互支持时,rij值为1(rij=1),否则为0,则关系矩阵为:
r i j = 1 d i j ≤ β i j 0 d i j > β i j
R m = r 11 r 12 ... r 1 m r 21 r 22 ... r 2 m ... r m 1 r m 2 ... r m m ;
第七步,求出各项数据相互支持的最佳融合支持数,设其支持数为l,根据支持程度rij求出支持数l,则融合集为X=(x1..xl),在相互支持时的条件概率密度为:
p ( μ | x 1 ... x l ) = p ( μ ; x 1 ... x l ) p ( x 1 ... x l ) ,
其中μ是测量的均值,服从正态分布且xk服从并令α是与μ无关的常数;μ00是期望的数学期望和均方差;δk是第k次测量的均方差;
第八步,求取最佳估计,根据现场实际经验,判断xi、xj满足的概率分布函数,根据不同的分布函数采用极大似然估计、贝叶斯估计等概率估计法进行估计获得最佳烧结状态估计值根据贝叶斯估计法 p ( μ | x 1 ... x l ) = α exp [ - 1 / 2 Σ k = 1 l ( x k - μ δ k ) 2 - 1 / 2 ( μ - μ 0 δ 0 ) 2 ] ,
上式中的指数部分是关于μ的二次函数,p(μ|x1...xl)为正态分布服从
p ( μ | x 1 ... x l ) = 1 2 π δ N exp [ - 1 / 2 ( μ - μ N δ N ) 2 ] ,
则有 μ N = ( Σ k = 1 l x k δ k 2 + μ 0 δ 0 2 ) / ( Σ k = 1 l 1 δ k 2 + 1 δ 0 2 ) , 所以μ的状态融合估计为 μ ^ = μ N , 即最佳状态融合值为μN
上述方案中优选的是,所述调整烧结设备包括如下步骤:
第一步,根据当前烧结状态求出当前烧结终点位置,设烧结终点位置为yN,则yN=g(μN),其中,g(*)为经验控制函数,其系数可根据现场经验赋予;
第二步,取烧结终点位置为目标值,根据理想烧结终点位置及当前烧结终点位置的偏差和变化率为控制器的输入;
第三步,建立自适应模糊控制器来控制烧结过程控制参数;
第四步,根据控制器输出参数来控制烧结机机速、抽风机频率及风箱风门角度的变化量等烧结过程控制参数。
从以上技术方案可以看出,本发明提供一种基于数据融合的烧结终点控制方法及控制系统,通过融合各种参数数据,分析当前烧结状态,调节烧结终点位置,达到烧结过程的优化控制。
附图说明
图1为现有技术中烧结系统的工艺流程参考图。
图2为本发明的基于数据融合的烧结终点控制系统功能结构图。
图3为本发明的基于数据融合的烧结终点控制系统的数据融合单元结构图。
图4为本发明的基于数据融合的烧结终点控制系统状态融合模块实施步骤。
图5为本发明的基于数据融合的烧结终点控制系统自适应控制单元原理图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明提供一种基于数据融合的烧结终点控制方法及控制系统,通过融合各种参数数据,分析当前烧结状态,调节烧结终点位置,达到烧结过程的优化控制,能够提高成品率。下面结合附图和实施例对本发明的基于数据融合的烧结终点控制方法及控制系统做进一步的描述。
如图2所示,本发明的基于数据融合的烧结终点控制系统主要包括如下单元:数据采集单元、数据预处理单元、数据融合单元、自适应控制单元及系统数据库。
其中,所述数据采集单元采集与烧结终点相关的参数数据,所述数据采集单元通过集散型控制系统和/或厂级局域网的数据接口采集与烧结过程相关的各种可测量的参数数据,并将采集到的参数数据存入所述系统数据库。
所述数据预处理单元对所述采集到的参数数据进行数据滤波和剔除坏点处理。首先,所述数据预处理单元从所述系统数据库中获取参数数据,然后对所述参数数据进行状态判断和预处理。为了减少干扰,采用数字滤波的方法对生产数据进行滤波处理。然后对检测到的故障数据进行判断,若检测到的故障数据超出的烧结设备允许的范围或正常生产允许的范围,判断是否为检测设备故障或是生产状态异常,剔除因检测设备故障引起的坏点数据,对属于生产状态异常的情况进行报警处理。
所述数据融合单元包括时间融合模块、空间融合模块及状态融合模块。所述数据融合单元接收所述数据预处理单元处理后的多源数据,对该多源数据进行时间、空间及状态的分析综合,判断当前烧结状态,从而推导出烧结终点是否为提前或滞后以及其提前或滞后的程度。
所述自适应控制单元负责计算控制参数,即进行控制参数的计算及控制。所述自适应控制单元根据当前烧结过程状态求出当前烧结终点的位置,并根据修正后的控制参数进行设备调整使烧结状态趋于理想状态。其中,烧结过程状态反映了烧结终点的提前滞后程度。
所述系统数据库包括所述烧结终点控制系统所需的全部采样数据及过程数据。所述系统数据库采用相应的数据库访问技术通过实时数据库接口实时读取和存放各个数据单元的过程数据。所述采样数据包括但不限于:根据专家系统所需参数的种类、格式、采样周期及检测精度等,从现场的PLC(可编程逻辑控制器)和/或DCS(分布式控制系统)系统中收集数据。所述过程数据包括但不限于:时间融合数据、空间融合数据、状态融合数据及当前烧结终点位置数据。
基于上述数据融合的烧结终点控制系统,本发明还提供一种基于数据融合的烧结终点控制方法,所述方法及包括如下步骤:
第一步,建立系统数据库。
第二步,由数据采集单元负责采集各个与烧结终点相关的参数数据;
第三步,在数据预处理单元中对各个数据进行数据滤波和剔除坏点处理;
第四步,预处理后的数据进入数据融合单元进行数据分析及综合,判断当前烧结状态,推导出烧结终点提前或滞后程度;
第五步,当前烧结状态进入自适应控制单元,计算控制参数,根据修正后的控制参数进行设备调整,使烧结状态趋于理想状态。
如图3所示的基于数据融合的烧结终点控制系统的数据融合单元结构图。本发明的数据融合单元包括时间融合模块、空间融合模块及状态融合模块。数据融合单元接收数据预处理单元处理后的多源数据,对数据进行时间、空间及状态的分析和综合,判断当前烧结状态,从而推导出烧结终点提前或滞后的程度。数据预处理后的多源数据经过数据融合单元后可以得到当前烧结状态,用于进一步获得当前状态的烧结终点。
本实施例中以假定烧结状态服从正态分布进行贝叶斯估计为例进行说明。
第一步,时间融合模块;在时间融合模块中对各种与烧结终点相关的异步传感器数据进行采样时间同步处理。所述异步传感器包括但不限于测速仪、料厚仪、水分仪等。具体包括如下步骤:
第S101步,时间融合模块对各种检测数据按照时间序列进行排列,排列后的数据存放到系统数据库中。
第S102步,然后,采用各种样条拟合算法,求得某一传感器数据按时间变化的拟合曲线。
第S103步,根据其他传感器的采样时刻,从本拟合曲线中取出相应时刻的拟合值,进行时间融合对准。
第二步,空间融合模块;在空间融合模块中对多个同种检测设备获得数据进行空间配准,保证测量信息一致性、完备性。如多个料厚仪分布于烧结机不同位置,每个料厚仪检测单点数据,而烧结过程要求混合料在横向上均匀烧结,纵向上指定位置烧透,即需求料层在横纵方向上的矩阵数据。具体包括如下步骤:
第S201步,空间融合模块首先设置尺度压缩比例因子。
第S202步,然后空间融合模块将从多个同种检测设备获得的数据,按照神经网络法计算尺度压缩比例对数据进行压缩或者放大处理。
第S203步,空间融合模块将坐标系由单轴坐标系转换到矩阵坐标系,实现数据空间融合。
第三步,状态融合模块。在状态融合模块中实现多源数据与烧结状态的数据融合处理,状态融合模块结合专家经验对时空融合后的数据进行烧结状态判断,判断烧结过烧、欠烧及其过欠烧程度。
图4为本发明的基于数据融合的烧结终点控制系统状态融合模块实施步骤。如图4所示,
第一步,经时空融合后的多源数据定义为Xi'=[XX1,XX2,…XXn],XXn表示第n种数据时空融合后的数值。
第二步,根据专家经验,定义此时专家烧结状态为Xj,Xj以数值表示烧结状态,如从0-1之间的连续或离散数值,表示从欠烧到过烧等。
第三步,根据历史数据,采用支持向量机、极限学习机等学习算法推导出Xi'与Xj的关系矩阵f(*)。令Xi=f(Xi')→Xj,则Xi表示经理论推导出的烧结状态。
第四步,设xi、xj为Xi、Xj的一次观测值,以概率密度函数曲线作为Xi、Xj的特征函数,记成p1(x)、p2(x)。
第五步,为了反映观测值xi、xj之间的偏差的大小,定义置信距离测度dij,dij的值为第i项数据与第j项数据的置信距离测度,dij的值越小,两种数据的值越详尽,否则偏差就很大,因此dij反映了第i项数据与第j项数据的融合度,dij的值可借助
正态分布误差函数直接求得:
d i j = e r f ( x j - x i 2 δ i ) .
d j i = e r f ( x i - x j 2 δ j )
则置信距离测度dij构成一个矩阵
第六步,根据工艺要求人为确定一个阈值ε,当置信距离测度小于ε时认为两种数据相互支持,定义rij表示第i项数据与第j项数据的支持程度。
当第i项数据与第j项数据相互支持时,rij值为1(rij=1),否则为0,则关系矩阵为:
r i j = 1 d i j ≤ β i j 0 d i j > β i j
R m = r 11 r 12 ... r 1 m r 21 r 22 ... r 2 m ... r m 1 r m 2 ... r m m .
第七步,求出各项数据相互支持的最佳融合支持数,实施例设其支持数为l,根据支持程度rij求出支持数l,则融合集为X=(x1..xl),各个观测值的在相互支持时的条件概率密度为:
p ( μ | x 1 ... x l ) = p ( μ ; x 1 ... x l ) p ( x 1 ... x l ) ,
其中μ是测量的均值,实施例服从正态分布且xk服从并令α是与μ无关的常数;μ00是期望的数学期望和均方差;δk是第k次测量的均方差;
第八步,求取最佳估计,根据现场实际经验,判断xi、xj满足的概率分布函数,根据不同的分布函数采用极大似然估计、贝叶斯估计等概率估计法进行估计获得最佳烧结状态估计值实施例根据贝叶斯估计法 p ( μ | x 1 ... x l ) = α exp [ - 1 / 2 Σ k = 1 l ( x k - μ δ k ) 2 - 1 / 2 ( μ - μ 0 δ 0 ) 2 ] ,
上式中的指数部分是关于μ的二次函数,p(μ|x1...xl)仍为正态分布,假设服从
p ( μ | x 1 ... x l ) = 1 2 π δ N exp [ - 1 / 2 ( μ - μ N δ N ) 2 ] ,
则有 μ N = ( Σ k = 1 l x k δ k 2 + μ 0 δ 0 2 ) / ( Σ k = 1 l 1 δ k 2 + 1 δ 0 2 ) , 所以μ的状态融合估计为 μ ^ = μ N , 即最佳状态融合值为μN
图5为本发明的基于数据融合的烧结终点控制系统自适应控制单元原理图。如图5所示本发明的自适应控制单元完成控制参数计算及控制。具体包括如下步骤:
第一步,根据当前烧结状态求出当前烧结终点位置。设烧结终点位置为yN,则yN=g(μN),其中,g(*)为经验控制函数,其系数可根据现场经验赋予。
第二步,取烧结终点位置为目标值,根据理想烧结终点位置及当前烧结终点位置的偏差和变化率为控制器的输入。
第三步,结合专家经验建立自适应模糊控制器来控制烧结过程控制参数。
第四步,根据控制器输出参数来控制烧结机机速、抽风机频率及风箱风门角度的变化量等烧结过程控制参数。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (33)

1.一种基于数据融合的烧结终点控制系统,其特征在于,所述烧结终点控制系统包括数据采集单元、数据预处理单元、数据融合单元、自适应控制单元和系统数据库,其中,
所述数据采集单元、所述数据预处理单元、所述数据融合单元与所述系统数据库连接;
所述自适应控制单元与所述数据融合单元连接;
所述数据采集单元与系统外部的输入设备连接;
所述自适应控制单元与系统外部的自动化系统连接。
2.如权利要求1所述的烧结终点控制系统,其特征在于,所述数据采集单元采集与烧结终点相关的数据,并将采集到的数据存入所述系统数据库中。
3.如权利要求2所述的烧结终点控制系统,其特征在于,所述数据采集单元通过局域网的数据接口采集与烧结终点相关的数据。
4.如权利要求1所述的烧结终点控制系统,其特征在于,所述数据预处理单元从所述系统数据库中获取数据,对所述获取的数据进行滤波处理和\或剔除坏点的处理,并将处理后的数据存入所述系统数据库中。
5.如权利要求4所述的烧结终点控制系统,其特征在于,所述数据预处理单元的所述滤波处理包括采用数字滤波方法对所述获取的数据进行滤波处理。
6.如权利要求4所述的烧结终点控制系统,其特征在于,所述数据预处理单元的所述剔除坏点的处理包括判断故障数据和剔除故障数据,其中,所述判断故障数据为:如果数据超出的烧结设备允许的范围或正常生产允许的范围,则所述数据预处理单元判断是否为设备故障或生产异常;
所述剔除故障数据为剔除因设备故障引起的故障数据。
7.如权利要求4所述的烧结终点控制系统,其特征在于,所述数据预处理单元还对属于生产异常的情况进行报警处理。
8.如权利要求1所述的烧结终点控制系统,其特征在于,所述数据融合单元从所述系统数据库中获取数据,对所述获取的数据进行时间、空间和状态的融合处理,并将处理后的数据存入所述系统数据库中。
9.如权利要求8所述的烧结终点控制系统,其特征在于,所述数据融合单元包括时间融合模块、空间融合模块及状态融合模块。
10.如权利要求8所述的烧结终点控制系统,其特征在于,所述数据融合单元获取所述数据预处理单元处理后的数据,所述数据融合单元通过所述时间、空间和状态的融合处理判断烧结终点是否为提前或滞后以及其提前或滞后的程度。
11.如权利要求9所述的烧结终点控制系统,其特征在于,所述时间融合模块对与烧结终点相关的异步传感器的数据进行采样时间同步处理。
12.如权利要求11所述的烧结终点控制系统,其特征在于,所述异步传感器包括测速仪、料厚仪、水分仪。
13.如权利要求11所述的烧结终点控制系统,其特征在于,所述采样时间同步处理包括如下步骤:
首先,对所述数据按照时间序列进行排列,并将所述排列后的数据存放到所述系统数据库中;
然后,采用拟合算法求得所述数据按时间变化的拟合曲线;
最后,从所述拟合曲线中取出采样时刻的拟合值进行时间融合对准。
14.如权利要求9所述的烧结终点控制系统,其特征在于,所述空间融合模块对从多个同种检测设备获得的数据进行空间配准。
15.如权利要求14所述的烧结终点控制系统,其特征在于,所述空间配准包括如下步骤:
首先,设置尺度压缩比例因子;
然后,根据神经网络法或者等比例压缩法,按所述尺度压缩比例因子对所述获得的数据进行压缩或者放大处理;
最后,将坐标系由单轴坐标系转换到矩阵坐标系,实现数据空间的融合。
16.如权利要求9所述的烧结终点控制系统,其特征在于,所述状态融合模块用于实现数据融合处理,对时空融合后的数据进行烧结状态判断,即判断烧结终点是否为提前或滞后以及其提前或滞后的程度。
17.如权利要求16所述的烧结终点控制系统,其特征在于,所述烧结状态判断包括如下步骤:
第一步,将经过所述时空融合后的数据定义为Xi'=[XX1,XX2,…XXn],其中,XXn表示第n种数据时空融合后的数值;
第二步,定义专家烧结状态为Xj,Xj以数值表示烧结状态,从0-1之间的连续或离散数值表示从欠烧到过烧;
第三步,采用学习算法推导出Xi'与Xj的关系矩阵f(*)。令Xi=f(Xi')→Xj,则Xi表示经理论推导出的烧结状态;
第四步,设xi、xj为Xi、Xj的一次观测值,以概率密度函数曲线作为Xi、Xj的特征函数,记成p1(x)、p2(x);
第五步,为了表示观测值xi、xj之间的偏差的大小,定义置信距离测度dij,dij的值为第i项数据与第j项数据的所述置信距离测度,dij反映了第i项数据与第j项数据的融合度,dij的值可借助正态分布误差函数直接求得:
d i j = e r f ( x j - x i 2 δ i )
d j i = e r f ( x i - x j 2 δ j ) ,
则置信距离测度dij构成一个矩阵
第六步,确定一个阈值ε,当置信距离测度小于ε时认为两种数据相互支持,定义rij表示第i项数据与第j项数据的支持程度;
当第i项数据与第j项数据相互支持时,rij值为1(rij=1),否则为0,则关系矩阵为:
r i j = 1 d i j ≤ β i j 0 L > β i j
R m = r 11 r 12 ... r 1 m r 21 r 22 ... r 2 m ... r m 1 r m 2 ... r m m ;
第七步,求出各项数据相互支持的最佳融合支持数,设其支持数为l,根据支持程度rij求出支持数l,则融合集为X=(x1..xl),在相互支持时的条件概率密度为:
p ( μ | x 1 ... x l ) = p ( μ ; x 1 ... x l ) p ( x 1 ... x l ) ,
其中μ是测量的均值,服从正态分布且xk服从并令α是与μ无关的常数;μ00是期望的数学期望和均方差;δk是第k次测量的均方差;
第八步,求取最佳估计,判断xi、xj满足的概率分布函数,根据不同的分布函数采用极大似然估计、贝叶斯估计等概率估计法进行估计获得最佳烧结状态估计值根据贝叶斯估计法 p ( μ | x 1 ... x l ) = α exp [ - 1 / 2 Σ k = 1 l ( x k - μ δ k ) 2 - 1 / 2 ( μ - μ 0 δ 0 ) 2 ] ,
上式中的指数部分是关于μ的二次函数,p(μ|x1...xl)为正态分布服从
p ( μ | x 1 ... x l ) = 1 2 π δ N exp [ - 1 / 2 ( μ - μ N δ N ) 2 ] ,
则有 μ N = ( Σ k = 1 l x k δ k 2 + μ 0 δ 0 2 ) / ( Σ k = 1 l 1 δ k 2 + 1 δ 0 2 ) , 所以μ的状态融合估计为即最佳状态融合值为μN
18.如权利要求1所述的烧结终点控制系统,其特征在于,所述自适应控制单元获取所述数据融合单元处理后的数据,并计算控制参数,所述自适应控制单元根据所述控制参数对烧结设备进行调整。
19.如权利要求18所述的烧结终点控制系统,其特征在于,所述自适应控制单元还根据烧结过程状态计算烧结终点的位置,其中,所述烧结过程状态反映了烧结终点的提前或滞后的程度。
20.如权利要求18所述的烧结终点控制系统,其特征在于,所述对烧结设备进行调整包括如下步骤:
第一步,根据当前烧结状态求出当前烧结终点位置,设烧结终点位置为yN,则yN=g(μN),其中,g(*)为经验控制函数,其系数可根据现场经验赋予;
第二步,取烧结终点位置为目标值,根据理想烧结终点位置及当前烧结终点位置的偏差和变化率为控制器的输入;
第三步,建立自适应模糊控制器来控制烧结过程控制参数;
第四步,根据控制器输出参数来控制烧结机机速、抽风机频率及风箱风门角度的变化量等烧结过程控制参数。
21.如权利要求1所述的烧结终点控制系统,其特征在于,所述系统数据库存放所述烧结终点控制系统的数据,所述数据包括采样数据和\或过程数据。
22.如权利要求21所述的烧结终点控制系统,其特征在于,所述采样数据包括根据专家系统所需参数的种类、格式、采样周期及检测精度,从现场的PLC(可编程逻辑控制器)和/或DCS(分布式控制系统)系统中收集的数据。
23.如权利要求21所述的烧结终点控制系统,其特征在于,所述过程数据包括时间融合数据、空间融合数据、状态融合数据及当前烧结终点位置数据。
24.一种基于数据融合的烧结终点控制方法,其特征在于,所述控制方法包括如下步骤:
第一步,建立系统数据库;
第二步,采集与烧结终点相关的数据;
第三步,对所述采集到的数据进行数据处理;
第四步,对所述处理后的数据进行分析,判断出烧结状态,推导出烧结终点为提前或滞后以及其提前或滞后的程度;
第五步,根据所述烧结状态以及所述推导结果调整烧结设备,使得所述烧结设备趋于理想的状态。
25.如权利要求24所述的烧结终点控制方法,其特征在于,所述第三步中的对所述采集到的数据进行数据处理包括对数据进行滤波处理和\或剔除坏点的处理。
26.如权利要求24所述的烧结终点控制方法,其特征在于,所述第四步中的数据分析包括对数据进行时间融合处理、空间融合处理和状态融合处理。
27.如权利要求26所述的烧结终点控制方法,其特征在于,所述时间融合处理对与烧结终点相关的异步传感器的数据进行采样时间同步处理。
28.如权利要求27所述的烧结终点控制方法,其特征在于,所述采样时间同步处理包括如下步骤:
首先,对所述数据按照时间序列进行排列,并将所述排列后的数据存放到所述系统数据库中;
然后,采用拟合算法求得所述数据按时间变化的拟合曲线;
最后,从所述拟合曲线中取出采样时刻的拟合值进行时间融合对准。
29.如权利要求26所述的烧结终点控制方法,其特征在于,所述空间融合处理对从多个同种检测设备获得的数据进行空间配准。
30.如权利要求29所述的烧结终点控制方法,其特征在于,所述数据的空间配准包括如下步骤:
首先,设置尺度压缩比例因子;
然后,根据神经网络法或者等比例压缩法,按所述尺度压缩比例因子对所述获得的数据进行压缩或者放大处理;
最后,将坐标系由单轴坐标系转换到矩阵坐标系,实现数据空间的融合。
31.如权利要求26所述的烧结终点控制方法,其特征在于,所述状态融合处理用于实现数据融合处理,对时空融合后的数据进行烧结状态判断,即判断烧结终点是否为提前或滞后以及其提前或滞后的程度。
32.如权利要求31所述的烧结终点控制方法,其特征在于,所述烧结状态判断包括如下步骤:
第一步,将经过所述时空融合后的数据定义为Xi'=[XX1,XX2,…XXn],其中,XXn表示第n种数据时空融合后的数值;
第二步,定义专家烧结状态为Xj,Xj以数值表示烧结状态,从0-1之间的连续或离散数值表示从欠烧到过烧;
第三步,采用学习算法推导出Xi'与Xj的关系矩阵f(*);令Xi=f(Xi')→Xj,则Xi表示经理论推导出的烧结状态;
第四步,设xi、xj为Xi、Xj的一次观测值,以概率密度函数曲线作为Xi、Xj的特征函数,记成p1(x)、p2(x);
第五步,为了表示观测值xi、xj之间的偏差的大小,定义置信距离测度dij,dij的值为第i项数据与第j项数据的所述置信距离测度,dij反映了第i项数据与第j项数据的融合度,dij的值可借助正态分布误差函数直接求得:
d i j = e r f ( x j - x i 2 δ i )
d j i = e r f ( x i - x j 2 δ j ) ,
则置信距离测度dij构成一个矩阵
第六步,确定一个阈值ε,当置信距离测度小于ε时认为两种数据相互支持,定义rij表示第i项数据与第j项数据的支持程度;
当第i项数据与第j项数据相互支持时,rij值为1(rij=1),否则为0,则关系矩阵为:
r i j = 1 d i j ≤ β i j 0 d i j > β i j
R m = r 11 r 12 ... r 1 m r 21 r 22 ... r 2 m ... r m 1 r m 2 ... r m m ;
第七步,求出各项数据相互支持的最佳融合支持数,设其支持数为l,根据支持程度rij求出支持数l,则融合集为X=(x1..xl),在相互支持时的条件概率密度为:
p ( μ | x 1 ... x l ) = p ( μ ; x 1 ... x l ) p ( x 1 ... x l ) ,
其中μ是测量的均值,服从正态分布且xk服从并令α是与μ无关的常数;μ00是期望的数学期望和均方差;δk是第k次测量的均方差;
第八步,求取最佳估计,判断xi、xj满足的概率分布函数,根据不同的分布函数采用极大似然估计、贝叶斯估计等概率估计法进行估计获得最佳烧结状态估计值根据贝叶斯估计法 p ( μ | x 1 ... x l ) = α exp [ - 1 / 2 Σ k = 1 l ( x k - μ δ k ) 2 - 1 / 2 ( μ - μ 0 δ 0 ) 2 ] ,
上式中的指数部分是关于μ的二次函数,p(μ|x1...xl)为正态分布服从
p ( μ | x 1 ... x l ) = 1 2 π δ N exp [ - 1 / 2 ( μ - μ N δ N ) 2 ] ,
则有 μ N = ( Σ k = 1 l x k δ k 2 + μ 0 δ 0 2 ) / ( Σ k = 1 l 1 δ k 2 + 1 δ 0 2 ) , 所以μ的状态融合估计为即最佳状态融合值为μN
33.如权利要求24所述的烧结终点控制方法,其特征在于,所述调整烧结设备包括如下步骤:
第一步,根据当前烧结状态求出当前烧结终点位置,设烧结终点位置为yN,则yN=g(μN),其中,g(*)为经验控制函数,其系数可根据现场经验赋予;
第二步,取烧结终点位置为目标值,根据理想烧结终点位置及当前烧结终点位置的偏差和变化率为控制器的输入;
第三步,建立自适应模糊控制器来控制烧结过程控制参数;
第四步,根据控制器输出参数来控制烧结机机速、抽风机频率及风箱风门角度的变化量等烧结过程控制参数。
CN201510358914.XA 2015-06-25 2015-06-25 基于数据融合的烧结终点控制系统及控制方法 Pending CN104913639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510358914.XA CN104913639A (zh) 2015-06-25 2015-06-25 基于数据融合的烧结终点控制系统及控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510358914.XA CN104913639A (zh) 2015-06-25 2015-06-25 基于数据融合的烧结终点控制系统及控制方法

Publications (1)

Publication Number Publication Date
CN104913639A true CN104913639A (zh) 2015-09-16

Family

ID=54082911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510358914.XA Pending CN104913639A (zh) 2015-06-25 2015-06-25 基于数据融合的烧结终点控制系统及控制方法

Country Status (1)

Country Link
CN (1) CN104913639A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844395A (zh) * 2016-03-22 2016-08-10 国家电网公司 一种冷热电混合能源综合信息管理系统
CN106842919A (zh) * 2017-01-08 2017-06-13 北京首钢自动化信息技术有限公司 一种烧结混合料水分的闭环控制方法
CN108344299A (zh) * 2018-02-07 2018-07-31 北京首钢自动化信息技术有限公司 一种烧结终点控制方法
CN108469180A (zh) * 2018-04-09 2018-08-31 华北理工大学 基于大数据和机器学习的烧结终点预测系统的建立方法
CN111025905A (zh) * 2019-12-18 2020-04-17 中国地质大学(武汉) 基于时序趋势特征提取的烧结终点模糊控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010190439A (ja) * 2009-02-16 2010-09-02 Jfe Steel Corp 焼結機
JP2012140686A (ja) * 2011-01-05 2012-07-26 Jfe Steel Corp 焼結機の焼結原料層厚制御方法及び装置
CN103017531A (zh) * 2012-12-27 2013-04-03 中冶长天国际工程有限责任公司 烧结终点控制方法及系统
CN103697699A (zh) * 2013-12-26 2014-04-02 中冶长天国际工程有限责任公司 烧结终点控制方法及系统
CN103759536A (zh) * 2014-02-20 2014-04-30 莱芜钢铁集团有限公司 一种烧结系统及其烧结终点控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010190439A (ja) * 2009-02-16 2010-09-02 Jfe Steel Corp 焼結機
JP2012140686A (ja) * 2011-01-05 2012-07-26 Jfe Steel Corp 焼結機の焼結原料層厚制御方法及び装置
CN103017531A (zh) * 2012-12-27 2013-04-03 中冶长天国际工程有限责任公司 烧结终点控制方法及系统
CN103697699A (zh) * 2013-12-26 2014-04-02 中冶长天国际工程有限责任公司 烧结终点控制方法及系统
CN103759536A (zh) * 2014-02-20 2014-04-30 莱芜钢铁集团有限公司 一种烧结系统及其烧结终点控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
宋强等: "基于多传感器数据融合技术的应用研究", 《自动化与仪表》 *
苗亮亮等: "高炉料面检测中的多源数据融合", 《光学精密工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844395A (zh) * 2016-03-22 2016-08-10 国家电网公司 一种冷热电混合能源综合信息管理系统
CN106842919A (zh) * 2017-01-08 2017-06-13 北京首钢自动化信息技术有限公司 一种烧结混合料水分的闭环控制方法
CN106842919B (zh) * 2017-01-08 2019-11-01 北京首钢自动化信息技术有限公司 一种烧结混合料水分的闭环控制方法
CN108344299A (zh) * 2018-02-07 2018-07-31 北京首钢自动化信息技术有限公司 一种烧结终点控制方法
CN108344299B (zh) * 2018-02-07 2019-10-08 北京首钢自动化信息技术有限公司 一种烧结终点控制方法
CN108469180A (zh) * 2018-04-09 2018-08-31 华北理工大学 基于大数据和机器学习的烧结终点预测系统的建立方法
CN111025905A (zh) * 2019-12-18 2020-04-17 中国地质大学(武汉) 基于时序趋势特征提取的烧结终点模糊控制方法及系统

Similar Documents

Publication Publication Date Title
CN104913639A (zh) 基于数据融合的烧结终点控制系统及控制方法
AU2010249160B2 (en) On-line optimization of induration of wet iron ore pellets on a moving grate
CN101482750B (zh) 湿法冶金合成过程草酸钴粒度预测方法
CN110782067B (zh) 一种基于模糊信息粒化的烧结终点波动范围预测方法
CN103028480A (zh) 一种基于模糊pid算法的立磨智能控制系统
CN106022377A (zh) 一种铁矿烧结料层透气性状态的在线预测方法
CN111444942B (zh) 一种高炉铁水硅含量智能预报方法及系统
CN110533082B (zh) 一种基于双模型协同预测的烧结混合加水控制方法
CN106777652B (zh) 一种预测高炉透气性的方法
CN103759536B (zh) 一种烧结系统及其烧结终点控制方法
CN101423348B (zh) 水泥回转窑烧成工况综合识别方法
CN103439889B (zh) 基于排放烟气分析的烧结终点预测方法
CN107563515A (zh) 潜在过程参数挖掘方法及装置
CN102156405B (zh) 小样本贫信息下的烧结矿化学成分预测与智能控制系统
CN114265885A (zh) 一种烧结返粉料的水分自动控制方法及系统
CN104656436B (zh) 一种分解炉出口温度建模方法
CN108709426B (zh) 基于频谱特征双边检测法烧结机漏风故障在线诊断方法
CN113253618B (zh) 全方位烧结工序智能化管控系统
CN114510098A (zh) 一种生产环境调控方法与系统
CN112070408A (zh) 基于大数据和深度学习的烧结矿成分预报模型
CN202351625U (zh) 小样本贫信息下的烧结矿化学成分预测与智能控制系统
Liu et al. Temporal Hypergraph Attention Network for Silicon Content Prediction in Blast Furnace
Toktassynova et al. Modelling and control structure of a phosphorite sinter process with grey system theory
CN104699039A (zh) 一种石灰双膛窑煅烧专家控制方法
Elena et al. Aspects of modeling and speed control of belt conveyors in sintering processes

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: 20150916

RJ01 Rejection of invention patent application after publication