CN107016509B - 一种降低轧钢工序吨钢能耗的方法 - Google Patents
一种降低轧钢工序吨钢能耗的方法 Download PDFInfo
- Publication number
- CN107016509B CN107016509B CN201710236313.0A CN201710236313A CN107016509B CN 107016509 B CN107016509 B CN 107016509B CN 201710236313 A CN201710236313 A CN 201710236313A CN 107016509 B CN107016509 B CN 107016509B
- Authority
- CN
- China
- Prior art keywords
- key parameter
- value
- energy consumption
- per ton
- consumption per
- 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.)
- Expired - Fee Related
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 102
- 239000010959 steel Substances 0.000 title claims abstract description 102
- 238000005265 energy consumption Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005096 rolling process Methods 0.000 title claims abstract description 30
- 238000010079 rubber tapping Methods 0.000 claims abstract description 49
- 238000013178 mathematical model Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000010238 partial least squares regression Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000002791 soaking Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 2
- 235000008434 ginseng Nutrition 0.000 claims 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000002085 persistent effect Effects 0.000 abstract 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 239000003245 coal Substances 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 238000003303 reheating Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Heat Treatment Processes (AREA)
- Control Of Metal Rolling (AREA)
Abstract
本发明旨在提供一种降低轧钢工序吨钢能耗的方法:A、采集轧钢工序中涉及的关键参数的历史数据,构建出炉温度、吨钢能耗的数学模型;B、采集实时生产中的关键参数,作为关键参数初始值;C、将关键参数初始值分别导入出炉温度、吨钢能耗数学模型得到出炉温度与吨钢能耗预测值;D、将关键参数初始值进行随机优化后,得到关键参数临时优化值,并计算得到出炉温度临时优化值与吨钢能耗临时优化值,判断临时优化值的有效性;E、持续循环优化,直至得到关键参数调控目标值;F、将关键参数调控目标值输入轧钢工序控制系统对轧钢工序过程进行控制。该方法克服现有技术改造成本高、控制精度差等缺陷,具有稳定出炉温度、降低吨钢能耗的特点。
Description
技术领域
本发明涉及轧钢控制方法领域,具体涉及一种降低轧钢工序吨钢能耗的方法。
背景技术
能源的竞争是钢铁工业正在面临的挑战,降低能源消耗、建立环境友好的钢铁企业已经成为钢铁工业可持续发展的一个重要方面,也是钢铁工业利润增长的一个重要的基础工作。轧钢加热炉的能源消耗约占冶金行业能源消耗的10%左右,其中轧钢加热炉又占了75至80%。如何有效提高加热炉的热效率,降低能源消耗,从而提高企业的竞争力,已成为当前各个钢厂所不得不面对的最重要的课题之一。中国冶金行业的轧钢加热炉在产量、炉型结构、机械化、自动化水平及理论操作上与国外还存在一定的差距,炉子吨钢燃耗高、效率低,造成了能源的极大浪费,因此提高加热炉效率、搞好加热炉节能工作,是降低轧钢生产成本,实现钢铁企业可持续发展的有效方法之一。
国内主要的加热炉公司目前主要通过采用增加炉体长度、烟气余热的回收利用技术、改进型烧嘴技术、余热回收蒸汽技术和高等级的全纤维耐火材料等改良炉体设备的方式,或者通过采用更加先进复杂的双交叉限幅算法、模糊PID算法等燃烧控制系统来提高加热炉的热效率。然而无论是采用改良炉体设备还是采用更先进的燃烧控制系统都会大幅度提高技术改造成本,尤其是对于已投产的生产线而言,还面临施工工期长,设备利用率低,生产成本飙升等难题,从而降低了钢厂的积极性。
发明内容
本发明旨在提供一种降低轧钢工序吨钢能耗的方法,该方法克服现有技术改造成本高、控制精度差等缺陷,具有应用简单、稳定出炉温度、降低吨钢能耗的特点。
本发明的技术方案如下:
A、采集轧钢工序中涉及的关键参数的历史数据,采用偏最小二乘回归方法构建出炉温度数学模型和吨钢能耗的数学模型;
B、采集实时生产中的关键参数,作为关键参数初始值,设置出炉温度的目标值的范围,设置各个关键参数的范围以及循环优化次数的上限;
C、将关键参数分别导入出炉温度数学模型和吨钢能耗数学模型,分别得到出炉温度预测值与吨钢能耗预测值;
D、以各个关键参数初始值作为中间值,分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围,在各个关键参数的取值范围内进行随机优化后,得到关键参数临时优化值,并将其分别导入出炉温度数学模型、吨钢能耗数学模型,分别得到出炉温度临时优化值与吨钢能耗临时优化值,并将循环优化次数加一;
如果出炉温度临时优化值位于出炉温度的目标值的范围内,且吨钢能耗临时优化值小于吨钢能耗预测值,则该关键参数临时优化值有效;
如果出炉温度临时优化值未位于出炉温度的目标值的范围内,但是出炉温度临时优化值比出炉温度预测值更接近出炉温度的目标值的范围,且吨钢能耗临时优化值小于吨钢能耗预测值,则该关键参数临时优化值有效;
否则该关键参数临时优化值无效;
E、如果关键参数临时优化值有效,且当前循环优化次数未达到上限,则将该关键参数临时优化值作为步骤D的关键参数初始值,进行步骤D的处理;
如果关键参数临时优化值无效,且当前循环优化次数未达到上限,则返回步骤D,进行步骤D的处理;
如果当前循环优化次数达到上限,则将最近一次有效的关键参数临时优化值作为关键参数调控目标值;
F、将关键参数调控目标值输入轧钢工序控制系统,根据关键参数调控目标值对轧钢工序过程进行控制。
优选地,所述的轧钢工序中涉及的关键参数为:钢坯的入炉温度、预热段温度及时间、一加热段温度及时间、二加热段温度及时间、三加热段温度及时间、均热段温度及时间。
优选地,所述的步骤D中的关键参数临时优化值的获取详细过程为:将关键参数初始值加上区间在[-5,5]的一个随机值后,如果该关键参数值位于其对应的关键参数的范围内,则将该关键参数值作为关键参数临时优化值;否则,再次选择区间在[-5,5]的一个随机值重复上述操作,直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内,再将其作为关键参数临时优化值。
优选地,所述的偏最小二乘回归方法构建数学模型的方法如下:
a、将关键参数构成的自变量矩阵X=[x1,…,xp]n*p进行标准化处理,得矩阵变量E0=[E01,…,E0p]n*p;将出炉温度和吨钢能耗构成的因变量矩阵Y=[y1,…,yq]n*q进行标准化处理,得矩阵变量F0=[F01,…,F0q]n*p;
b、求解矩阵E0 TF0F0 TE0的最大特征值所对应的特征向量W1;求解矩阵F0 TE0E0 TF0的最大特征值所对应的特征向量C1;
c、求解主成分
t1=E0W1 (1);
u1=F0C1 (2);
ti和ui则是第i次分别从自变量X和Y中提取的第i对主成分,ti是x1,…,xp的线性组合,ui是y1,…,yq的线性组合;
d、分别求E0和F0对t1的回归方程:
E0=t1G1 T+E1 (3);
F0=t1H1 T+F1 (4);
式中
e、用残差矩阵E1和F1取代E0和F0,然后求解第二个特征向量W2和C2以及第二个主成分t2和u2:
t2=E1W2 (5);
u2=F1C2 (6);
f、分别求E1和F2对t2的回归方程
E1=t2G2 T+E2 (7);
F1=t2H2 T+F2 (8);
式中
H2=F1 Tt2/||t2||2;
g、如此利用剩下的残差信息矩阵不断迭代计算,直到Em TEm中主对角元素近似0,就退出,则F0和E0在t1,…,tm上的回归方程为:
E0=t1G1 T+t2G2 T+ΛtmGm T+Em (9);
F0=t1H1 T+t2H2 T+ΛtmHm T+Fm (10);
由于ti是x1,…,xp的线性组合,因此,将ti代入到公式(10)当中,再通过反标准化处理,就可以得到关于屈服强度、抗拉强度的偏最小二乘回归数学模型:
YK=bk1X1+…+bkPXP+FmK k=1,..,q (11)。
本发明突破了传统的通过改良炉体设备或燃烧控制系统的方式的局限,利用工业大数据的角度实现节能降耗,利用偏最小二乘回归方法(PLS)模型算法,建立起钢坯出炉温度及吨钢能耗的数学模型,再通过数据转换的方法可以挖掘出影响吨钢能耗波动和出炉温度波动的主要参数,最后再通过采用双目标循环优化法对PLS数学模型进行主要参数优化设计,使被优化的参数能够在满足工艺限制条件下自动调整,达到钢坯的出炉温度尽可能在很小的范围内波动,电耗保持稳定的目标,同时煤耗能够保持在最低的双目标优化系统,打破了传统的煤耗升电耗降或者煤耗降电耗升的怪圈,从而真正达到节能降耗的目的。
本发明利用大数据进行技术改造,不仅能够对新建的生产线,而且对旧式的生产线一样有效,能够有效降低技术改造的生产成本,同时能够大幅度缩短工期;更重要的是,该系统将PLC一级电气自动化系统升级到智能控制系统,不仅能够实现原始的煤耗的预测,还能够实现在线优化煤耗和预测出炉温度,真正实现了“人工智能”控制,解决了因为操作人员的经验限制,导致操作控制不当造成的能耗损失的问题。
附图说明
图1为本发明降低轧钢工序吨钢能耗方法的流程图
图2为本实施例方法的吨钢能耗预测值与原始的吨钢能耗预测值的对比图
具体实施方式
下面结合附图和实施例具体说明本发明。
实施例1
如图1所示,本实施例以典型的热轧产品厚度为7.5mm的SS400钢板为代表,提供的降低轧钢工序吨钢能耗方法包括以下步骤:
A、采集轧钢工序中涉及的关键参数的历史数据,采用偏最小二乘回归方法构建出炉温度数学模型和吨钢能耗的数学模型;
所述的轧钢工序中涉及的关键参数为:钢坯的入炉温度、预热段温度及时间、一加热段温度及时间、二加热段温度及时间、三加热段温度及时间、均热段温度及时间;
所述的偏最小二乘回归方法构建数学模型的方法如下:
a、将关键参数构成的自变量矩阵X=[x1,…,xp]n*p(p=11)进行标准化处理,得矩阵变量E0=[E01,…,E0p]n*p;将出炉温度和吨钢能耗构成的因变量矩阵Y=[y1,…,yq]n*q(q=2)进行标准化处理,得矩阵变量F0=[F01,…,F0q]n*p;
b、求解矩阵E0 TF0F0 TE0的最大特征值所对应的特征向量W1;求解矩阵F0 TE0E0 TF0的最大特征值所对应的特征向量C1;
c、求解主成分
t1=E0W1 (1);
u1=F0C1 (2);
ti和ui则是第i次分别从自变量X和Y中提取的第i对主成分,ti是x1,…,xp的线性组合,ui是y1,…,yq的线性组合;
d、分别求E0和F0对t1的回归方程:
E0=t1G1 T+E1 (3);
F0=t1H1 T+F1 (4);
式中
e、用残差矩阵E1和F1取代E0和F0,然后求解第二个特征向量W2和C2以及第二个主成分t2和u2:
t2=E1W2 (5);
u2=F1C2 (6);
f、分别求E1和F2对t2的回归方程
E1=t2G2 T+E2 (7);
F1=t2H2 T+F2 (8);
式中
H2=F1 Tt2/||t2||2;
g、如此利用剩下的残差信息矩阵不断迭代计算,直到Em TEm中主对角元素近似0,就退出,则F0和E0在t1,…,tm上的回归方程为:
E0=t1G1 T+t2G2 T+ΛtmGm T+Em (9);
F0=t1H1 T+t2H2 T+ΛtmHm T+Fm (10);
由于ti是x1,…,xp的线性组合,因此,将ti代入到公式(10)当中,再通过反标准化处理,就可以得到关于屈服强度、抗拉强度的偏最小二乘回归数学模型:
YK=bk1X1+…+bkPXP+FmK k=1,..,q (11);
B、采集实时生产中的关键参数,作为关键参数初始值,设置出炉温度的目标范围为1060℃~1090℃,钢坯的入炉温度的温度范围为12℃~800℃、预热段温度范围为700℃~900℃、预热段时间为该段平均加热时间58min、一热段温度范围为1100℃~1250℃、一加热段时间为该段平均加热时间25min、二热段温度范围为1210℃~1330℃、二加热段时间为该段平均加热时间31min、三热段温度范围为1250℃~1350℃、三加热段时间为该段平均加热时间27min、均热段温度范围为1220℃~1300℃、均加热段时间为该段平均加热时间32min,设置循环优化次数的上限为500次;
C、将关键参数分别导入出炉温度数学模型和吨钢能耗数学模型,分别得到出炉温度预测值与吨钢能耗预测值;
D、以各个关键参数初始值作为中间值,分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围,在各个关键参数的取值范围内进行随机优化后,得到关键参数临时优化值,并将其分别导入出炉温度数学模型、吨钢能耗数学模型,分别得到出炉温度临时优化值与吨钢能耗临时优化值,并将循环优化次数加一;
如果出炉温度临时优化值位于出炉温度的目标值的范围内,且吨钢能耗临时优化值小于吨钢能耗预测值,则该关键参数临时优化值有效;
如果出炉温度临时优化值未位于出炉温度的目标值的范围内,但是出炉温度临时优化值比出炉温度预测值更接近出炉温度的目标值的范围,且吨钢能耗临时优化值小于吨钢能耗预测值,则该关键参数临时优化值有效;
否则该关键参数临时优化值无效;
所述的步骤D中的关键参数临时优化值的获取详细过程为:将关键参数初始值加上区间在[-5,5]的一个随机值后,如果该关键参数值位于其对应的关键参数的范围内,则将该关键参数值作为关键参数临时优化值;否则,再次选择区间在[-5,5]的一个随机值重复上述操作,直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内,再将其作为关键参数临时优化值;
E、如果关键参数临时优化值有效,且当前循环优化次数未达到上限,则将该关键参数临时优化值作为步骤D的关键参数初始值,进行步骤D的处理;
如果关键参数临时优化值无效,且当前循环优化次数未达到上限,则返回步骤D,进行步骤D的处理;
如果当前循环优化次数达到上限,则将最近一次有效的关键参数临时优化值作为关键参数调控目标值;
F、将关键参数调控目标值输入轧钢工序控制系统,根据关键参数调控目标值对轧钢工序过程进行控制。
由图2的对比图可以看出,采用本实施例降低轧钢工序吨钢能耗方法,比原来工序操作的吨钢能耗预测值有很大幅度的降低,说明本实施例降低轧钢工序吨钢能耗方法效果显著。
Claims (3)
1.一种降低轧钢工序吨钢能耗的方法,其特征在于包括以下步骤:
A、采集轧钢工序中涉及的关键参数的历史数据,采用偏最小二乘回归方法构建出炉温度数学模型和吨钢能耗的数学模型;
B、采集实时生产中的关键参数,作为关键参数初始值,设置出炉温度的目标值的范围,设置各个关键参数的范围以及循环优化次数的上限;
C、将关键参数分别导入出炉温度数学模型和吨钢能耗数学模型,分别得到出炉温度预测值与吨钢能耗预测值;
D、以各个关键参数初始值作为中间值,分别根据各关键参数对应的工艺参数范围或设备参数范围设立该关键参数的取值范围,在各个关键参数的取值范围内进行随机优化后,得到关键参数临时优化值,并将其分别导入出炉温度数学模型、吨钢能耗数学模型,分别得到出炉温度临时优化值与吨钢能耗临时优化值,并将循环优化次数加一;
如果出炉温度临时优化值位于出炉温度的目标值的范围内,且吨钢能耗临时优化值小于吨钢能耗预测值,则该关键参数临时优化值有效;
如果出炉温度临时优化值未位于出炉温度的目标值的范围内,但是出炉温度临时优化值比出炉温度预测值更接近出炉温度的目标值的范围,且吨钢能耗临时优化值小于吨钢能耗预测值,则该关键参数临时优化值有效;
否则该关键参数临时优化值无效;
E、如果关键参数临时优化值有效,且当前循环优化次数未达到上限,则将该关键参数临时优化值作为步骤D的关键参数初始值,进行步骤D的处理;
如果关键参数临时优化值无效,且当前循环优化次数未达到上限,则返回步骤D,进行步骤D的处理;
如果当前循环优化次数达到上限,则将最近一次有效的关键参数临时优化值作为关键参数调控目标值;
F、将关键参数调控目标值输入轧钢工序控制系统,根据关键参数调控目标值对轧钢工序过程进行控制;
所述的轧钢工序中涉及的关键参数为:钢坯的入炉温度、预热段温度及时间、一加热段温度及时间、二加热段温度及时间、三加热段温度及时间和均热段温度及时间。
2.如权利要求1所述的降低轧钢工序吨钢能耗的方法,其特征在于:
所述的步骤D中的关键参数临时优化值的获取详细过程为:将关键参数初始值加上区间在[-5,5]的一个随机值后,如果该关键参数值位于其对应的关键参数的范围内,则将该关键参数值作为关键参数临时优化值;否则,再次选择区间在[-5,5]的一个随机值重复上述操作,直至该加上随机值之后的关键参数值位于其对应的关键参数的范围内,再将其作为关键参数临时优化值。
3.如权利要求1所述的降低轧钢工序吨钢能耗的方法,其特征在于:
所述的偏最小二乘回归方法构建数学模型的方法如下:
a、将关键参数构成的自变量矩阵X=[x1,…,xp]进行标准化处理,得矩阵变量E0=[E01,…,E0p];将出炉温度和吨钢能耗构成的因变量矩阵Y=[y1,…,yq]进行标准化处理,得矩阵变量F0=[F01,…,F0q],其中矩阵X、矩阵变量E0的维度均为n*p;矩阵Y、矩阵变量F0的维度均为n*q;
b、求解矩阵E0 TF0F0 TE0的最大特征值所对应的特征向量W1;求解矩阵F0 TE0E0 TF0的最大特征值所对应的特征向量C1;
c、求解主成分
t1=E0W1 (1);
u1=F0C1 (2);
ti和ui则是第i次分别从自变量矩阵X和因变量矩阵Y中提取的第i对主成分,ti是x1,…,xp的线性组合,ui是y1,…,yq的线性组合;
d、分别求E0和F0对t1的回归方程:
E0=t1G1 T+E1 (3);
F0=t1H1 T+F1 (4);
式中
e、用残差矩阵E1和残差矩阵F1取代E0和F0,然后求解第二个特征向量W2和C2以及第二个主成分t2和u2:
t2=E1W2 (5);
u2=F1C2 (6);
f、分别求残差矩阵E1和残差矩阵F1对t2的回归方程;
E1=t2G2 T+E2 (7);
F1=t2H2 T+F2 (8);
式中
H2=F1 Tt2/||t2||2;
E2、F2均为残差矩阵;
g、如此利用剩下的残差矩阵信息不断迭代计算,直到Em TEm中主对角元素为0,就退出,则F0和E0在t1,…,tm上的回归方程为:
E0=t1G1 T+t2G2 T+…tmGm T+Em (9);
F0=t1H1 T+t2H2 T+…tmHm T+Fm (10);
由于ti是x1,…,xp的线性组合,因此,将ti代入到公式(10)当中,再通过反标准化处理,就可以得到关于出炉温度和吨钢能耗的偏最小二乘回归数学模型:
Yk=bk1x1+…+bkpxp+Fmk k=1,2 (11);
其中:
Y1=b11x1+…+b1pxp+Fm1为出炉温度的偏最小二乘回归数学模型,b11…b1p为各个关键参数自变量相对于出炉温度的回归系数;Fm1为出炉温度的偏最小二乘回归数学模型的常数项;
Y2=b21x1+…+b2pxp+Fm2为吨钢能耗的偏最小二乘回归数学模型,b21…b2p为各个关键参数自变量相对于吨钢能耗的回归系数;Fm2为吨钢能耗的偏最小二乘回归数学模型的常数项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710236313.0A CN107016509B (zh) | 2017-04-12 | 2017-04-12 | 一种降低轧钢工序吨钢能耗的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710236313.0A CN107016509B (zh) | 2017-04-12 | 2017-04-12 | 一种降低轧钢工序吨钢能耗的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016509A CN107016509A (zh) | 2017-08-04 |
CN107016509B true CN107016509B (zh) | 2019-11-29 |
Family
ID=59446022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710236313.0A Expired - Fee Related CN107016509B (zh) | 2017-04-12 | 2017-04-12 | 一种降低轧钢工序吨钢能耗的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016509B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109055711A (zh) * | 2018-08-31 | 2018-12-21 | 中国地质大学(武汉) | 一种连退机组炉区吨钢能耗的获取方法 |
CN112036085B (zh) * | 2020-08-31 | 2023-03-24 | 中冶赛迪信息技术(重庆)有限公司 | 一种轧钢燃耗参数推荐方法、系统、介质及终端 |
CN112845610B (zh) * | 2020-12-31 | 2023-03-14 | 中冶赛迪信息技术(重庆)有限公司 | 一种轧钢电耗参数推荐方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2684975B1 (de) * | 2012-07-10 | 2016-11-09 | ThyssenKrupp Steel Europe AG | Kaltgewalztes Stahlflachprodukt und Verfahren zu seiner Herstellung |
CN104630410B (zh) * | 2015-02-10 | 2016-07-06 | 东北大学 | 一种基于数据解析的转炉炼钢质量实时动态预测方法 |
CN104694720B (zh) * | 2015-03-31 | 2017-05-17 | 北京首钢股份有限公司 | 一种热轧板卷力学性能预测与判定系统 |
-
2017
- 2017-04-12 CN CN201710236313.0A patent/CN107016509B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107016509A (zh) | 2017-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106636610B (zh) | 一种基于时间和炉长的双维度步进式加热炉升温曲线优化设定方法 | |
CN107016509B (zh) | 一种降低轧钢工序吨钢能耗的方法 | |
CN106636606B (zh) | 一种基于仿真模型的加热炉炉温控制方法 | |
CN101806541B (zh) | 一种优化控制大型步进梁式加热炉板坯加热制度的模型 | |
CN100349081C (zh) | 一种高炉热风炉系统协调控制方法 | |
CN104073623B (zh) | 一种辊底式退火炉温度控制方法 | |
CN103882221B (zh) | 热轧加热炉模型中动态预测板坯最短在炉时间的方法 | |
CN106906350B (zh) | 一种h型钢坯加热过程温度分布计算方法 | |
CN110814053B (zh) | 基于尝试法的棒材水箱反向自决策控温智能计算方法 | |
CN105018718B (zh) | 一种基于热负荷分配的加热炉工艺炉温控制方法 | |
CN107201440A (zh) | 一种加热炉炉温制度设定方法与系统 | |
CN111411215A (zh) | 一种多钢坯对象的炉温综合决策方法 | |
CN105838869B (zh) | 一种钢板淬火炉加热工艺在线调整方法 | |
CN103697712A (zh) | 基于时间感度的动态加热炉炉温控制方法 | |
CN102876822A (zh) | 高炉操作的闭环控制系统 | |
CN114317859B (zh) | 一种热风炉送风策略修正方法 | |
CN102925652B (zh) | 台车炉的智能优化控制方法 | |
Špička et al. | Optimizing the model of heating the Material in the Reheating Furnace in Metallurgy | |
CN111625047B (zh) | 一种中频电源加热功率控制方法 | |
Genkin et al. | Development of models and methods of optimal control in the production of sheet rolled metal | |
Xu et al. | The slab heating furnace temperature presetting model and optimization | |
He et al. | Combustion Furnace Control Based on Feedforward-Fuzzy Decoupling | |
CN105177275A (zh) | 一种不锈钢板坯的加热方法 | |
Qu et al. | Establishment and Optimization of Gas Flow Prediction Model for Annealing Furnace Based on GA-SVM | |
Schlag et al. | Neural networks for process control in steel manufacturing |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191129 |