CN106834662A - 一种基于多工况烧结过程的co/co2比值预测方法 - Google Patents
一种基于多工况烧结过程的co/co2比值预测方法 Download PDFInfo
- Publication number
- CN106834662A CN106834662A CN201710043118.6A CN201710043118A CN106834662A CN 106834662 A CN106834662 A CN 106834662A CN 201710043118 A CN201710043118 A CN 201710043118A CN 106834662 A CN106834662 A CN 106834662A
- Authority
- CN
- China
- Prior art keywords
- ratio
- sintering process
- submodel
- prediction
- process parameter
- 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
Classifications
-
- C—CHEMISTRY; METALLURGY
- C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
- C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
- C22B1/00—Preliminary treatment of ores or scrap
- C22B1/14—Agglomerating; Briquetting; Binding; Granulating
- C22B1/16—Sintering; Agglomerating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Metallurgy (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Geochemistry & Mineralogy (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Manufacture And Refinement Of Metals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多工况烧结过程的CO/CO2比值预测方法,包括以下步骤:确定影响CO/CO2比值的烧结过程参数;建立所述烧结过程参数、烧结过程中测得的CO量和CO2量的样本数据库,并计算已烧结矿的CO/CO2比值;确定影响CO/CO2比值的主要烧结过程参数;对所述主要烧结过程参数进行工况分类;基于同一工况分类里的已烧结矿的主要烧结过程参数和所述已烧结矿的CO/CO2比值,建立CO/CO2比值预测子模型;计算所述CO/CO2比值预测子模型的权值;基于所述CO/CO2比值预测子模型的权值,建立CO/CO2比值预测模型。本发明能够准确预测CO/CO2比值,为烧结过程实时调节烧结过程参数以实现碳效优化和节能减耗提供重要依据。
Description
技术领域
本发明涉及烧结过程节能降耗领域,尤其涉及一种基于多工况烧结过程的CO/CO2比值预测方法。
背景技术
钢铁是我国经济建设的最主要的原材料之一,钢铁工业的发展水平是一个国家综合国力的重要标志,国民经济增长率和钢铁需求量之间存在着非常紧密的关系。随着全球生态环境的恶化,各国越来越重视对环境的保护,“可持续发展”、“绿色制造”和“低碳经济”等经济发展观念被越来越多的国家接受,并融入到各国的经济发展中。铁矿粉烧结工艺是炼铁过程中最重要的生产环节之一,其生产的烧结矿是高炉生产的主要原料。烧结生产过程本身也是钢铁行业中仅次于高炉炼铁的耗能环节,其能耗约占钢铁冶金总能耗的10%~15%。因此,在确保烧结矿产量质量的前提下,提高烧结过程碳效是实现我国钢铁行业绿色生产的重要途径之一。
烧结过程包含了众多的工艺过程,从原始的铁矿粉到烧结矿的烧透,包括烧结配料、混合制粒、偏析布料、点火燃烧、冷却以及破碎筛分过程。目前,大多数烧结厂的烧结方式是带式抽风烧结方式。烧结生产过程主要是将配好且充分混合后的烧结料平铺到烧结机上,然后点火器通过高温点火将烧结料表面点燃,随着台车的移动,烧结机下部的风箱开始强制抽风,这样烧结料层就开始自上而下开始燃烧,直到最后烧结料层的烧穿。烧结过程的工艺流程见附图1。
在烧结生产过程中整个烧结料层会发生大量的物理化学反应,混合料层会出现分层现象,其中料层自上而下分别为烧结矿层、燃烧层、干燥层、过湿层和混合料层,整个烧结料层的变化图见附图2。
焦粉在烧结生产过程中的燃烧是烧结对碳素的利用过程,焦粉的燃烧情况好坏直接影响焦粉在烧结过程中的利用情况。以烧结过程为对象进行碳效分析,确定CO/CO2比值作为衡量烧结过程碳效的指标,CO/CO2比值能反映烧结过程中焦炭的利用率以及碳素的消耗情况,CO/CO2比值的预测能够为实现烧结过程的碳效优化奠定基础;因此建立烧结过程CO/CO2比值预测模型,对于降低我国钢铁能耗,降低钢铁行业的温室气体排放有重大意义。
发明内容
有鉴于此,本发明的实施例提供了一种能对烧结过程的CO/CO2比值进行准确预测的基于多工况烧结过程的CO/CO2比值预测方法。
本发明的实施例提供一种基于多工况烧结过程的CO/CO2比值预测方法,包括以下步骤:
根据烧结矿的烧结过程确定影响CO/CO2比值的烧结过程参数;
对所述烧结过程参数、烧结过程中测得的CO量和CO2量的历史生产数据进行零相位滤波和时序配准,并对所述历史生产数据进行采样处理,建立样本数据库,并利用所述样本数据库计算已烧结矿的CO/CO2比值;
利用相关分析法对所述样本数据库中的烧结过程参数进行分析,计算所述烧结过程参数与CO/CO2比值之间的关联度,根据所述关联度确定影响CO/CO2比值的主要烧结过程参数;
对所述主要烧结过程参数进行工况分类;
基于同一工况分类里的已烧结矿的主要烧结过程参数和所述已烧结矿的CO/CO2比值,利用神经网络模型建立CO/CO2比值预测子模型;
根据所述CO/CO2比值预测子模型和已烧结矿的CO/CO2比值,计算CO/CO2比值预测子模型的权值;
根据所述CO/CO2比值预测子模型的权值,建立CO/CO2比值预测模型。
进一步地,所述CO/CO2比值预测方法还包括以下步骤:对待预测矿的主要烧结过程参数进行工况分类;将同一工况分类里的待预测矿的主要烧结过程参数输入到所述CO/CO2比值预测子模型中;利用所述CO/CO2比值预测子模型进行计算;所述CO/CO2比值预测子模型的输出变量为待预测矿的CO/CO2比值的初始预测值;将所述待预测矿的CO/CO2比值的初始预测值输入到所述CO/CO2比值预测模型中,利用所述CO/CO2比值预测模型进行计算;所述CO/CO2比值预测模型的输出变量为待预测矿的CO/CO2比值的预测值。
进一步地,所述烧结过程参数通过分析烧结过程机理及碳素流向得到,所述烧结过程参数包括焦粉比、台车速度、返矿量、圆辊转速、终点温度、MgO量、SiO2量、CaO量、二混水分、溶剂比、料层厚度和风箱负压;所述主要烧结过程参数包括焦粉比、台车速度、返矿量、终点温度、SiO2量、二混水分、溶剂比、料层厚度和风箱负压。
进一步地,所述CO/CO2比值的计算公式为:
式中:λ表示CO/CO2比值,QR表示CO量,QZ表示CO2量,所述CO量和CO2量的数据从样本数据库中获得。
进一步地,利用模糊C均值聚类算法对主要烧结过程参数进行工况分类。
进一步地,所述模糊C均值聚类算法包括以下步骤:
(4.1)根据试错的方法确定聚类类数C,建立初始隶属度矩阵:
U=[uij],i=1,2,…,C,j=1,2,…,R
式中:uij是隶属度,uij∈(0,1];R是样本数;
(4.2)设主要烧结过程参数的样本数据集为{xj,j=1,2,…R},xj表示一个样本数据,根据试错的方法确定加权指数m,对模糊C均值聚类中心进行求解,模糊C均值聚类中心的计算公式为:
式中:ci是模糊C均值聚类中心;
(4.3)根据模糊C均值聚类中心更新步骤(4.1)中的隶属度,新的隶属度组成新隶属度矩阵,新的隶属度计算公式为:
(4.4)将步骤(4.3)中的新的隶属度代入步骤(4.2)中,计算新的模糊C均值聚类中心,然后将新的模糊C均值聚类中心代入步骤(4.3)中,对模糊C均值聚类中心和隶属度执行反复计算至前后两个隶属度矩阵的差异低于阈值或迭代次数达到指定次数时算法收敛,当算法收敛时,可以得到不同类别的模糊C均值聚类中心和每个样本对于不同类别的隶属度值,根据不同类别的模糊C均值聚类中心和每个样本对于不同类别的隶属度值对烧结过程的烧结工况进行工况分类。
进一步地,利用BP神经网络模型建立CO/CO2比值预测子模型,所述CO/CO2比值预测子模型为:
式中:{Xi,i=1,2,…N}是主要烧结过程参数,其中N是输入神经元个数,即输入的主要烧结过程参数个数;M是隐含层节点;wij是第i个输入神经元与第j个隐含层神经元之间的权值;wjo是第j个隐含层神经元与输出神经元之间的权值;bs和bo分别是隐含层和输出层的阈值;是第l个CO/CO2比值预测子模型中的第k个样本的CO/CO2比值的初始预测值。
进一步地,所述计算CO/CO2比值预测子模型的权值的具体步骤为:
(6.1)将第l个工况分类里的主要烧结过程参数输入到第l个CO/CO2比值预测子模型中,得到CO/CO2比值的初始预测值;
(6.2)利用步骤(6.1)中的CO/CO2比值的初始预测值,对第l个CO/CO2比值预测子模型的相对预测误差进行求解:
式中:Plk是第l个CO/CO2比值预测子模型的相对预测误差;n是第l个工况里的样本数;ylk是第l个CO/CO2比值预测子模型中的第k个样本的CO/CO2比值的实际值;
(6.3)利用步骤(6.2)中的相对预测误差,对第l个CO/CO2比值预测子模型的相对预测误差的信息熵进行求解:
式中:El是信息熵;
(6.4)利用步骤(6.3)中的信息熵,对第l个CO/CO2比值预测子模型的权值进行求解:
式中:f是子模型个数;wl是第l个CO/CO2比值预测子模型的权值。
进一步地,利用信息熵的融合方法建立CO/CO2比值预测模型,其具体步骤为:对f个CO/CO2比值预测子模型的CO/CO2比值的初始预测值计算加权和,得到CO/CO2比值预测模型为:
式中,是CO/CO2比值的预测值。
进一步地,所述相关分析法为spearman分析法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过对烧结过程机理和碳素流向进行分析,确定影响CO/CO2比值的烧结过程参数,并采用spearman分析法对烧结过程参数进行相关性分析,确定影响CO/CO2比值的主要烧结过程参数,可实现直接预测CO/CO2比值,为实现烧结过程的碳效优化奠定基础;
(2)本发明采用模糊C均值聚类算法对烧结过程进行工况分类,有效保证CO/CO2比值预测模型的精确和合理;
(3)本发明基于烧结过程的不同工况,通过建立CO/CO2比值预测子模型,根据信息熵的融合方法建立CO/CO2比值预测模型,不仅有效提高了CO/CO2比值预测模型的精度,而且可实现全面描述烧结过程的碳效问题;
(4)本发明基于烧结过程的历史生产数据,进行CO/CO2比值预测模型的仿真验证,能够在实际生产过程中广泛应用。
附图说明
图1是带式抽风烧结机的烧结过程工艺流程图。
图2是带式抽风烧结机的烧结料层分层现象的示意图。
图3是本发明一实施例的流程图。
图4是本发明一实施例CO/CO2比值预测过程的流程图。
图5是本发明一实施例的烧结过程CO/CO2比值的预测值与实际的CO/CO2比值的对比图。
图6是本发明一实施例的烧结过程CO/CO2比值的预测值与实际的CO/CO2比值的相对误差图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
利用本发明提供了一种基于多工况烧结过程的CO/CO2比值预测方法,请参照图3,本实施例包括以下步骤:
步骤S301,通过分析烧结矿的烧结过程的固体燃料燃烧机理以及碳素流向确定影响CO/CO2比值的烧结过程参数,这些烧结过程参数包括焦粉比、台车速度、返矿量、圆辊转速、终点温度、MgO量、SiO2量、CaO量、二混水分、溶剂比、料层厚度和风箱负压。
步骤S302,对步骤S301中确定的烧结过程参数、烧结过程中测得的CO量和CO2量的历史生产数据进行零相位滤波和时序配准处理,从而保证这些历史生产数据在同一时序上,并对历史生产数据进行采样处理,建立样本数据库,利用样本数据库计算已烧结矿的CO/CO2比值;CO/CO2比值的计算公式为:
式中:λ表示CO/CO2比值,QR表示CO量,QZ表示CO2量,CO量和CO2量的数据从样本数据库中获得。
步骤S303,利用相关分析法对样本数据库中的烧结过程参数进行分析,计算CO/CO2比值与烧结过程参数之间的关联度,根据关联度确定影响CO/CO2比值的主要烧结过程参数,这些主要烧结过程参数包括焦粉比、台车速度、返矿量、终点温度、SiO2量、二混水分、溶剂比、料层厚度和风箱负压;一实施例中,根据某钢铁厂360m2烧结机获取的日报表,收集焦粉比、台车速度、返矿量、圆辊转速、终点温度、MgO量、SiO2量、CaO量、二混水分、溶剂比、料层厚度和风箱负压的数据,利用spearman分析法对焦粉比、台车速度、返矿量、圆辊转速、终点温度、MgO量、SiO2量、CaO量、二混水分、溶剂比、料层厚度和风箱负压进行相关性分析,计算烧结过程参数和CO/CO2比值的关联度,这些烧结过程参数和CO/CO2比值的关联度如下表所示。
烧结过程参数和CO/CO2比值的关联度
依据烧结过程参数和CO/CO2比值的关联度,通过spearman分析法对烧结过程参数进行筛选,确定影响CO/CO2比值的主要烧结过程参数包括焦粉比、台车速度、返矿量、终点温度、SiO2量、二混水分、溶剂比、料层厚度和风箱负压。
步骤S304,利用模糊C均值聚类算法对主要烧结过程参数进行工况分类;
模糊C均值聚类算法具体包括以下步骤:
(4.1)根据试错的方法确定聚类类数C,建立初始隶属度矩阵:
U=[uij],i=1,2,…,C,j=1,2,…,R
式中:uij是隶属度,uij∈(0,1];R是样本数;
(4.2)设主要烧结过程参数的样本数据集为{xj,j=1,2,…R},xj表示一个样本数据,根据试错的方法确定加权指数m,对模糊C均值聚类中心进行求解,模糊C均值聚类中心的计算公式为:
式中:ci是模糊C均值聚类中心;
(4.3)根据模糊C均值聚类中心更新步骤(4.1)中的隶属度,新的隶属度组成新隶属度矩阵,新的隶属度计算公式为:
(4.4)将步骤(4.3)中的新的隶属度代入步骤(4.2)中模糊C均值聚类中心的计算公式,计算新的模糊C均值聚类中心,然后将新的模糊C均值聚类中心代入步骤(4.3)中的隶属度计算公式,反复计算模糊C均值聚类中心和隶属度至前后两个隶属度矩阵的差异低于阈值或迭代次数达到指定次数时算法收敛,当算法收敛时,就得到了不同类别的模糊C均值聚类中心和每个样本对于不同类别的隶属度值,从而完成了模糊聚类划分,根据不同类别的模糊C均值聚类中心和每个样本对于不同类别的隶属度值对烧结过程的烧结工况进行工况分类。
步骤S305,基于同一工况分类里的已烧结矿的主要烧结过程参数和步骤S302中的已烧结矿的CO/CO2比值,利用神经网络模型建立CO/CO2比值预测子模型,CO/CO2比值预测子模型为:
式中:{Xi,i=1,2,…N}是主要烧结过程参数,其中N是输入神经元个数,即输入的主要烧结过程参数个数;M是隐含层节点;wij是第i个输入神经元与第j个隐含层神经元之间的权值;wjo是第j个隐含层神经元与输出神经元之间的权值;bs和bo分别是隐含层和输出层的阈值;是第l个CO/CO2比值预测子模型中的第k个样本的CO/CO2比值的初始预测值。
一实施例中,利用BP神经网络模型建立CO/CO2比值预测子模型。
步骤S306,根据步骤S302中的已烧结矿的CO/CO2比值和CO/CO2比值预测子模型,计算CO/CO2比值预测子模型的权值,计算CO/CO2比值预测子模型的权值的具体步骤为:
(6.1)将第l个工况分类里的主要烧结过程参数输入到第l个CO/CO2比值预测子模型中,得到CO/CO2比值的初始预测值
(6.2)利用步骤(6.1)中的CO/CO2比值的初始预测值对第l个CO/CO2比值预测子模型的相对预测误差进行求解:
式中:Plk是第l个CO/CO2比值预测子模型的相对预测误差;n是第l个工况里的样本数;ylk是第l个CO/CO2比值预测子模型中的第k个样本的CO/CO2比值的实际值;
(6.3)利用步骤(6.2)中的相对预测误差Plk,对第l个CO/CO2比值预测子模型的相对预测误差的信息熵进行求解:
式中:El是信息熵;
(6.4)利用步骤(6.3)中的信息熵El,对第l个CO/CO2比值预测子模型的权值进行求解:
式中:f是子模型个数;wl是第l个CO/CO2比值预测子模型的权值。
步骤S307,根据CO/CO2比值预测子模型的权值,利用信息熵的融合方法建立CO/CO2比值预测模型;具体步骤为:对f个CO/CO2比值预测子模型的CO/CO2比值的初始预测值计算加权和,得到CO/CO2比值预测模型为:
式中,是CO/CO2比值的预测值。
参照图4,CO/CO2比值预测方法还包括以下步骤,以下步骤为待预测矿的CO/CO2比值预测过程:
步骤S401,对待预测矿的主要烧结过程参数进行工况分类;
步骤S402,将步骤S401中同一工况分类里的待预测矿的主要烧结过程参数输入到CO/CO2比值预测子模型中;
步骤S403,利用CO/CO2比值预测子模型进行计算;
步骤S404,步骤S403可以计算得到待预测矿的CO/CO2比值的初始预测值;
步骤S405,将待预测矿的CO/CO2比值的初始预测值输入到CO/CO2比值预测模型中,利用CO/CO2比值预测模型进行计算;
步骤S406,利用CO/CO2比值预测模型计算后可以得到待预测矿的CO/CO2比值的预测值。
一实施例中,随机选取450组主要烧结过程参数数据、CO量和CO2量,根据CO/CO2比值的计算公式计算CO/CO2比值,以410组主要烧结过程参数数据和CO/CO2比值作为训练集,采用模糊C均值聚类算法对410组训练集进行聚类,根据试错的方法确定聚类类数为3,加权指数为2.5,通过仿真将410组训练集划分为3个类别,即3个烧结工况,3个烧结工况中的样本数分别为68组、158组和184组;利用BP神经网络模型建立3个烧结工况的烧结过程CO/CO2比值预测子模型,计算得到CO/CO2比值的初始预测值,然后利用信息熵的融合方法对三个CO/CO2比值预测子模型进行融合,通过计算,三个CO/CO2比值预测子模型的权值分别为0.205、0.374和0.421,对三个CO/CO2比值预测子模型的CO/CO2比值的初始预测值计算加权和,建立CO/CO2比值预测模型;
以40组主要烧结过程参数数据和CO/CO2比值作为测试集,采用模糊C均值聚类算法对40组测试集进行聚类,将40组测试集划分为3个烧结工况,将同一工况分类里的主要烧结过程参数输入CO/CO2比值预测子模型,经过计算得到CO/CO2比值的初始预测值,将CO/CO2比值的初始预测值输入到CO/CO2比值预测模型,CO/CO2比值预测模型的输出变量即为CO/CO2比值的预测值,将CO/CO2比值的实际值与CO/CO2比值的预测值进行验证,预测值与实际值的对比结果和相对误差分别见图5和图6,由图5和图6可知,预测值与实际值拟合效果较好,且预测值的相对误差在[-5%,4%]之内,因此,建立的CO/CO2比值预测模型具有可行性。
本方法可以实现直接预测CO/CO2比值,预测准确率高,为烧结过程实时调节烧结过程参数以实现碳效优化和节能减耗提供重要依据。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:包括以下步骤:
根据烧结矿的烧结过程确定影响CO/CO2比值的烧结过程参数;
对所述烧结过程参数、烧结过程中测得的CO量和CO2量的历史生产数据进行零相位滤波和时序配准,并对所述历史生产数据进行采样处理,建立样本数据库,并利用所述样本数据库计算已烧结矿的CO/CO2比值;
利用相关分析法对所述样本数据库中的烧结过程参数进行分析,计算所述烧结过程参数与CO/CO2比值之间的关联度,根据所述关联度确定影响CO/CO2比值的主要烧结过程参数;
对所述主要烧结过程参数进行工况分类;
基于同一工况分类里的已烧结矿的主要烧结过程参数和所述已烧结矿的CO/CO2比值,利用神经网络模型建立CO/CO2比值预测子模型;
根据所述CO/CO2比值预测子模型和已烧结矿的CO/CO2比值,计算CO/CO2比值预测子模型的权值;
根据所述CO/CO2比值预测子模型的权值,建立CO/CO2比值预测模型。
2.如权利要求1所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:所述CO/CO2比值预测方法还包括以下步骤:对待预测矿的主要烧结过程参数进行工况分类;将同一工况分类里的待预测矿的主要烧结过程参数输入到所述CO/CO2比值预测子模型中;利用所述CO/CO2比值预测子模型进行计算;所述CO/CO2比值预测子模型的输出变量为待预测矿的CO/CO2比值的初始预测值;将所述待预测矿的CO/CO2比值的初始预测值输入到所述CO/CO2比值预测模型中,利用所述CO/CO2比值预测模型进行计算;所述CO/CO2比值预测模型的输出变量为待预测矿的CO/CO2比值的预测值。
3.如权利要求1所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:所述烧结过程参数通过分析烧结过程机理及碳素流向得到,所述烧结过程参数包括焦粉比、台车速度、返矿量、圆辊转速、终点温度、MgO量、SiO2量、CaO量、二混水分、溶剂比、料层厚度和风箱负压;所述主要烧结过程参数包括焦粉比、台车速度、返矿量、终点温度、SiO2量、二混水分、溶剂比、料层厚度和风箱负压。
4.如权利要求1所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:所述CO/CO2比值的计算公式为:
式中:λ表示CO/CO2比值,QR表示CO量,QZ表示CO2量,所述CO量和CO2量的数据从样本数据库中获得。
5.如权利要求1所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:利用模糊C均值聚类算法对主要烧结过程参数进行工况分类。
6.如权利要求5所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:所述模糊C均值聚类算法包括以下步骤:
(4.1)根据试错的方法确定聚类类数C,建立初始隶属度矩阵:
U=[uij],i=1,2,…,C,j=1,2,…,R
式中:uij是隶属度,uij∈(0,1];R是样本数;
(4.2)设主要烧结过程参数的样本数据集为{xj,j=1,2,…R},xj表示一个样本数据,根据试错的方法确定加权指数m,对模糊C均值聚类中心进行求解,模糊C均值聚类中心的计算公式为:
式中:ci是模糊C均值聚类中心;
(4.3)根据模糊C均值聚类中心更新步骤(4.1)中的隶属度,新的隶属度组成新隶属度矩阵,新的隶属度计算公式为:
(4.4)将步骤(4.3)中的新的隶属度代入步骤(4.2)中,计算新的模糊C均值聚类中心,然后将新的模糊C均值聚类中心代入步骤(4.3)中,对模糊C均值聚类中心和隶属度执行反复计算至前后两个隶属度矩阵的差异低于阈值或迭代次数达到指定次数时算法收敛,当算法收敛时,可以得到不同类别的模糊C均值聚类中心和每个样本对于不同类别的隶属度值,根据不同类别的模糊C均值聚类中心和每个样本对于不同类别的隶属度值对烧结过程的烧结工况进行工况分类。
7.如权利要求1所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:利用BP神经网络模型建立CO/CO2比值预测子模型,所述CO/CO2比值预测子模型为:
式中:{Xi,i=1,2,…N}是主要烧结过程参数,其中N是输入神经元个数,即输入的主要烧结过程参数个数;M是隐含层节点;wij是第i个输入神经元与第j个隐含层神经元之间的权值;wjo是第j个隐含层神经元与输出神经元之间的权值;bs和bo分别是隐含层和输出层的阈值;是第l个CO/CO2比值预测子模型中的第k个样本的CO/CO2比值的初始预测值。
8.如权利要求7所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:所述计算CO/CO2比值预测子模型的权值的具体步骤为:
(6.1)将第l个工况分类里的主要烧结过程参数输入到第l个CO/CO2比值预测子模型中,得到CO/CO2比值的初始预测值;
(6.2)利用步骤(6.1)中的CO/CO2比值的初始预测值,对第l个CO/CO2比值预测子模型的相对预测误差进行求解:
式中:Plk是第l个CO/CO2比值预测子模型的相对预测误差;n是第l个工况里的样本数;ylk是第l个CO/CO2比值预测子模型中的第k个样本的CO/CO2比值的实际值;
(6.3)利用步骤(6.2)中的相对预测误差,对第l个CO/CO2比值预测子模型的相对预测误差的信息熵进行求解:
式中:El是信息熵;
(6.4)利用步骤(6.3)中的信息熵,对第l个CO/CO2比值预测子模型的权值进行求解:
式中:f是子模型个数;wl是第l个CO/CO2比值预测子模型的权值。
9.如权利要求8所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:利用信息熵的融合方法建立CO/CO2比值预测模型,其具体步骤为:对f个CO/CO2比值预测子模型的CO/CO2比值的初始预测值计算加权和,得到CO/CO2比值预测模型为:
式中,是CO/CO2比值的预测值。
10.如权利要求1所述的一种基于多工况烧结过程的CO/CO2比值预测方法,其特征在于:所述相关分析法为spearman分析法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710043118.6A CN106834662B (zh) | 2017-01-19 | 2017-01-19 | 一种基于多工况烧结过程的co/co2比值预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710043118.6A CN106834662B (zh) | 2017-01-19 | 2017-01-19 | 一种基于多工况烧结过程的co/co2比值预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106834662A true CN106834662A (zh) | 2017-06-13 |
CN106834662B CN106834662B (zh) | 2018-09-18 |
Family
ID=59119307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710043118.6A Active CN106834662B (zh) | 2017-01-19 | 2017-01-19 | 一种基于多工况烧结过程的co/co2比值预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106834662B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619931A (zh) * | 2019-09-19 | 2019-12-27 | 中国地质大学(武汉) | 一种基于多时间尺度优化的烧结过程碳效优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03142342A (ja) * | 1989-10-30 | 1991-06-18 | Kawasaki Steel Corp | 金属粉の焼結寸法変化の予測方法 |
JPH0587462A (ja) * | 1991-09-27 | 1993-04-06 | Nkk Corp | 焼結鉱の焼成制御装置 |
JPH102678A (ja) * | 1996-06-18 | 1998-01-06 | Nkk Corp | 焼結鉱製造制御方法 |
WO2008031177A1 (en) * | 2006-09-11 | 2008-03-20 | Gerdau Açominas S/A | Process using artificial neural network for predictive control in sinter machine |
CN103439889A (zh) * | 2013-08-28 | 2013-12-11 | 山西太钢不锈钢股份有限公司 | 基于排放烟气分析的烧结终点预测方法 |
CN105468799A (zh) * | 2014-09-03 | 2016-04-06 | 宝山钢铁股份有限公司 | 预报高温废气循环烧结工艺热状态参数的仿真方法 |
-
2017
- 2017-01-19 CN CN201710043118.6A patent/CN106834662B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03142342A (ja) * | 1989-10-30 | 1991-06-18 | Kawasaki Steel Corp | 金属粉の焼結寸法変化の予測方法 |
JPH0587462A (ja) * | 1991-09-27 | 1993-04-06 | Nkk Corp | 焼結鉱の焼成制御装置 |
JPH102678A (ja) * | 1996-06-18 | 1998-01-06 | Nkk Corp | 焼結鉱製造制御方法 |
WO2008031177A1 (en) * | 2006-09-11 | 2008-03-20 | Gerdau Açominas S/A | Process using artificial neural network for predictive control in sinter machine |
CN103439889A (zh) * | 2013-08-28 | 2013-12-11 | 山西太钢不锈钢股份有限公司 | 基于排放烟气分析的烧结终点预测方法 |
CN105468799A (zh) * | 2014-09-03 | 2016-04-06 | 宝山钢铁股份有限公司 | 预报高温废气循环烧结工艺热状态参数的仿真方法 |
Non-Patent Citations (3)
Title |
---|
姜慧研 等: "基于SVM和PSO的烧结工况预报方法", 《东北大学学报》 * |
杜培明 等: "模糊C均值算法在烧结断面图像分割中的应用", 《仪器仪表用户》 * |
陈鑫: "混沌粒子群算法的烧结碳耗BP神经网络模型", 《计算机与应用化学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619931A (zh) * | 2019-09-19 | 2019-12-27 | 中国地质大学(武汉) | 一种基于多时间尺度优化的烧结过程碳效优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106834662B (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777684B (zh) | 一种建立综合焦比预测模型和预测综合焦比的方法 | |
CN112699613B (zh) | 炼铁多目标一体化配料优化方法、系统、设备及介质 | |
CN109918702A (zh) | 一种高炉配料与操作的协同多目标优化方法 | |
CN109583118B (zh) | 一种烧结配比计算及烧结矿成本优化方法 | |
CN110070217A (zh) | 一种基于过程参数的烧结矿质量预测方法 | |
CN103544273B (zh) | 利用模式识别技术对炉况整体状态进行评估的方法 | |
CN107203140B (zh) | 一种基于模糊综合的烧结生产过程性能评估方法 | |
CN103194553B (zh) | 一种基于最小二乘支持向量机的高炉氧气使用量控制方法 | |
CN108388762A (zh) | 基于深度置信网络的烧结矿化学成分预测方法 | |
CN104975118B (zh) | 铁前原料配比优化方法 | |
CN106755972A (zh) | 一种基于数据降维法预测烧结过程综合焦比的方法 | |
CN106636616B (zh) | 一种基于风箱废气温度的烧结矿成品率预测方法 | |
CN111308894B (zh) | 一种烧结过程耦合配矿及控制过程的参数调节方法 | |
CN104680012A (zh) | 一种烧结配料计算模型 | |
CN106022496A (zh) | 原料烧结的配料优化方法和系统 | |
CN109252005A (zh) | 建立配煤结构优化模型的方法 | |
CN110246547B (zh) | 一种烧结过程配矿优化方法 | |
CN114968997B (zh) | 一种基于时空特征提取的烧结终点预报方法 | |
Du et al. | Intelligent integrated control for burn-through point to carbon efficiency optimization in iron ore sintering process | |
CN116822714A (zh) | 一种基于生命周期评价的钢铁产品碳足迹管理方法与系统 | |
CN112434852A (zh) | 一种高炉送风制度合理性的评价方法 | |
CN108800967B (zh) | 基于神经网络的环冷机温度控制方法及系统 | |
Xu et al. | The Environmental Consequences of Place‐Based Policies in China: An Empirical Study Based on SO2 Emission Data | |
CN106834662B (zh) | 一种基于多工况烧结过程的co/co2比值预测方法 | |
CN114334025A (zh) | 一种水泥熟料煅烧环境变量的构建及验证方法 |
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 |