CN108062583A - 一种面向节能减排的加热炉工艺参数寻优方法 - Google Patents

一种面向节能减排的加热炉工艺参数寻优方法 Download PDF

Info

Publication number
CN108062583A
CN108062583A CN201610979363.3A CN201610979363A CN108062583A CN 108062583 A CN108062583 A CN 108062583A CN 201610979363 A CN201610979363 A CN 201610979363A CN 108062583 A CN108062583 A CN 108062583A
Authority
CN
China
Prior art keywords
heating furnace
energy consumption
mrow
msub
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.)
Pending
Application number
CN201610979363.3A
Other languages
English (en)
Inventor
王坚
戴毅茹
凌卫青
王成辉
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201610979363.3A priority Critical patent/CN108062583A/zh
Publication of CN108062583A publication Critical patent/CN108062583A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明涉及一种面向节能减排的加热炉工艺参数寻优方法，该方法包括如下步骤：(1)获取大量加热炉运行样本数据；(2)以加热炉运行样本数据中的加热炉工艺参数为输入，吨钢能耗为输出构建加热炉能耗模型；(3)配置加热炉工艺参数范围；(4)利用加热炉能耗模型，以加热炉工艺参数范围作为优化作用域，吨钢能耗最低为优化目标进行优化计算，获取加热炉最优工艺参数。与现有技术相比，本发明算法简单、结果精确可靠。

Description

一种面向节能减排的加热炉工艺参数寻优方法
技术领域
本发明涉及一种加热炉工艺参数寻优方法，尤其是涉及一种面向节能减排的加热炉工艺参数寻优方法。
背景技术
钢铁工业是我国的支柱产业，其经济效益和市场竞争力对我国国民经济和社会发展及国防建设有着重大影响。2011年我国粗钢产量已超过6.83亿吨，占世界总产量44.7％，连续15年世界产钢排名第一。同时，作为高耗能行业的典型，钢铁行业存在能耗高、生产成本高、资源消耗大、环境污染严重等问题。其能耗占全国工业总能耗的15％左右，所排放的废水和废气占14％，固体废弃物占16％左右，其节能减排的总体水平相比于发达国家的先进水平有很大的差距。
通常在钢材的总量中，除少数采用铸造和锻压等加工方法外，约90％以上的钢材都要经过轧制成材才能满足国民经济各部门的需要。在轧制生产中，必须将钢材加热到一定的温度，使其具有一定的可塑性，才能进行轧制，即便是采用冷轧工艺，也需要先对钢材进行热处理。为了钢材的加热，就需要使用各种类型的加热炉来满足轧制要求。加热炉是轧钢生产的主要耗能设备，其能耗占轧钢工序能耗的60％～70％，其任务是加热钢坯，使钢坯表面温度及内部温度分布满足轧制要求，不产生过热和过烧现象，加热温度均匀，尽量减少钢坯的氧化和脱碳，生产出质量可靠的成品钢材。加热炉加热的好坏直接影响到产量、质量、能耗等技术经济指标，其能耗占整个钢铁工业能耗的20％左右，直接影响钢铁工业的生产成本。我国冶金行业轧钢加热炉几千座，包括新建及改造的蓄热式加热炉，不同炉子的能耗水平差距明显，一般加热炉单耗高达70～80kgce/t，而蓄热式加热炉的单耗仅为30m3天然气/t，即37kgce/t，节能潜力巨大。随着近年来铁矿石和原煤价格的上涨，钢铁企业利润空间下降，因此降低加热炉能耗是轧钢节能、降耗的主要方向。同时，加热炉有大惯性、热滞后很大、非线性等基本特性，并具有复杂的结构体系和易于受到各方面因素的干扰，使得加热炉是具有未知性、随机性等不确定性的复杂设备。因此需要寻求一种加热炉工艺能耗模型的构建和参数寻优的方法，从而使加热炉在最低能耗状态下进行生产，可以提升钢铁企业节能减排整体水平。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向节能减排的加热炉工艺参数寻优方法。
本发明的目的可以通过以下技术方案来实现：
一种面向节能减排的加热炉工艺参数寻优方法，该方法包括如下步骤：
(1)获取大量加热炉运行样本数据；
(2)以加热炉运行样本数据中的加热炉工艺参数为输入，吨钢能耗为输出构建加热炉能耗模型；
(3)配置加热炉工艺参数范围；
(4)利用加热炉能耗模型，以加热炉工艺参数范围作为优化作用域，吨钢能耗最低为优化目标进行优化计算，获取加热炉最优工艺参数。
所述的加热炉工艺参数包括炉压、净环水入口温度、净环水出口温度、煤气流量总和、空气流量总、空燃比和混合煤气热值。
步骤(2)采用神经网络方法构建加热炉能耗模型，具体为：
(201)构建多输入、单输出的单隐藏层神经网络，输入层包括n个单元，设为：x＝(x1,x2,...,xn)，其中第i个单元xi为加热炉工艺参数集合中的第i个参数，n等于加热炉工艺参数总个数，输出层为1个单元，记作y，y表示吨钢能耗，采用Kolmogorov定理获取隐含层神经元，隐含层单元个数为s＝2n+1，记作h＝(h1,h2,...,hs)；
(202)选取加热炉运行样本数据的90％作为训练样本，10％的数据作为检验数据，进行模型训练得到加热炉能耗模型：y＝f(x)。
步骤(4)具体为：
(401)根据加热炉能耗模型y＝f(x)建立目标函数Y：Y＝min y，y为吨钢能耗，x为加热炉工艺参数集合，x＝(x1,x2,...,xn)，其中xi为加热炉工艺参数集合中的第i个参数，n等于加热炉工艺参数总个数；
(402)根据加热炉工艺参数范围建立约束条件：
其中，ximin为第i个参数对应的最小值，ximax为第i个参数对应的最大值；
(403)根据上述目标函数和约束条件，采用免疫粒子群迭代算法进行迭代求解，进而获取吨钢能耗最低时对应的加热炉工艺参数集合为加热炉最优工艺参数。
该方法基于Hadoop数据分析平台进行加热炉工艺参数的寻优计算，所述的Hadoop数据分析平台包括：
数据层：用于存储加热炉运行数据样本；
分析层：用于建立加热炉能耗模型并进行加热炉最优工艺参数计算；
应用层：用于和用户交互，展示分析层计算结果。
与现有技术相比，本发明具有如下优点：
(1)本发明通过大量的样本数据构建加热炉能耗模型，在能耗模型基础上进行寻优计算得加热炉最优工艺参数，从而使加热炉在最低能耗状态下进行生产，可以提升钢铁企业节能减排整体水平；
(2)采用神经网络方法构建加热炉能耗模型，使得模型更加精确，进而提高后续获取的加热炉最优工艺参数的精度；
(3)采用免疫粒子群迭代算法进行迭代计算，免疫粒子群迭代算法算法简单，迭代速度快，求解精确。
附图说明
图1为本发明加热炉工艺参数寻优方法的流程框图；
图2为本发明建立的多输入、单输出的单隐藏层神经网络示意图；
图3为采用本发明加热炉工艺参数寻优前后的吨钢能耗对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种面向节能减排的加热炉工艺参数寻优方法，该方法包括如下步骤：
步骤1：选取合适的加热炉工艺参数，获取大量加热炉运行样本数据。考虑到加热炉运行过程中，工艺参数众多，因此需要选取影响加热炉生产的关键因素。以某厂热轧环节加热炉为例，钢坯通过推钢机进入加热炉体内，经过预热段、加热段、均热段三段进行加热达到热轧工艺钢坯温度要求。该过程涉及到的关键工艺参数有炉压、净环水出口温度、净环水入口温度、煤气流量总和、空气流量总和、空燃比、混合煤气热值等，因此将加热炉工艺参数确定为炉压、净环水入口温度、净环水出口温度、煤气流量总和、空气流量总、空燃比和混合煤气热值，加热炉吨钢能耗作为输出。其中在获取大量加热炉运行样本数据时还需对各工艺参数进行筛选。
步骤2：以加热炉运行样本数据中的加热炉工艺参数为输入，吨钢能耗为输出构建加热炉能耗模型。具体地，采用神经网络方法构建加热炉能耗模型，包括：
(201)构建多输入、单输出的单隐藏层神经网络，如图2所示，输入层包括n个单元，设为：x＝(x1,x2,...,xn)，其中第i个单元xi为加热炉工艺参数集合中的第i个参数，n等于加热炉工艺参数总个数，输出层为1个单元，记作y，y表示吨钢能耗，采用Kolmogorov定理获取隐含层神经元，隐含层单元个数为s＝2n+1，记作h＝(h1,h2,...,hs)，即：
y＝吨钢能耗。
(202)选取加热炉运行样本数据的90％作为训练样本，10％的数据作为检验数据，进行模型训练得到加热炉能耗模型：y＝f(x)，具体训练过程为：给网络赋一组随机初始权值和阈值，计算网络输出值，反向调整权值与阈值，通过最后一次训练得到的最终的权值和阈值结果。
步骤3：配置加热炉工艺参数范围，即根据实际需要对加热炉工艺参数：炉压、净环水入口温度、净环水出口温度、煤气流量总和、空气流量总、空燃比和混合煤气热值设定一个范围。
步骤4：利用加热炉能耗模型，以加热炉工艺参数范围作为优化作用域，吨钢能耗最低为优化目标进行优化计算，获取加热炉最优工艺参数，具体地：
(401)根据加热炉能耗模型y＝f(x)建立目标函数Y：Y＝min y，y为吨钢能耗，x为加热炉工艺参数集合，，其中xi为加热炉工艺参数集合中的第i个参数，n等于加热炉工艺参数总个数；
(402)根据加热炉工艺参数范围建立约束条件：
其中，ximin为第i个参数对应的最小值，ximax为第i个参数对应的最大值；
(403)根据上述目标函数和约束条件，采用免疫粒子群迭代算法进行迭代求解，进而获取吨钢能耗最低时对应的加热炉工艺参数集合为加热炉最优工艺参数。
免疫粒子群算法是结合PSO算法(基本粒子群Safari)和IA(遗传算法)算法的优点，采用扬长避短的策略形成的一种新优化算法。免疫粒子群算法是基于生物免疫机制提出的一种改进的粒子群算法，它是模拟和反映生物机体免疫系统的上述特点，并结合工程优化应用而提出的一种仿生优化算法。它将求解问题的目标函数对应为入侵生命体的抗原，而问题的解对应为免疫系统产生的抗体，通过抗原和抗体的亲和力(Affinity)描述可行解与最优解的逼近程度。具体如下：
(a)初始化粒子速度并计算适应度。混合粒子群算法初始化一群随机粒子，其中包括粒子位置Xi＝(xi1,xi2,...,xiD)，速度Vi＝(vi1,vi2,...,viD)。每一次迭代，粒子通过跟踪粒子本身的最优解Pbest＝(pi1,pi2,...,piD)和群体最优解Gbest＝(pg1,pg2,...,pgD)这两个“极值”来更新自己。在找到上述的极值后，粒子的第d维(1≤d≤D)根据以下两个公式来更新粒子的位置和速度：
Vid＝ω*Vid+c1*rand()*(Pbest-xid)+c2*rand()*(Gbest-xid)Xid＝Xid+Vid
其中，Vid是第i个粒子的速度，Xid是第i个粒子的位置，rand()是(0,1)之间的随机数，c1和c2为学习因子或加速系数，ω是加权系数。对于需要优化的参数，算法采用实数编码。适应度函数是进行寻优的依据，根据适应度的大小衡量粒子的优劣。这里的参数寻优用意在于使得吨钢能耗最低。
(b)通过提取“疫苗”、“接种疫苗”和“免疫选择”来指导搜索过程，提高优化性能，抑制优化过程中出现的退化现象。免疫疫苗的选择:粒了群算法优化过程中的全局最优位置Gbest与全局最优解最接近，本文将Gbest作为有效特征信息，即疫苗。分解疫苗即为提取免疫基因。接种疫苗:随机从粒了群中抽取R个粒了，并用先前提取的疫苗对这些粒了某些位进行接种，形成新一代的N个粒了。免疫选择:如果接种疫苗后的粒了适应度值不如父代，则取消疫苗接种；否则保留该粒了，形成新一代粒了群。
(c)迭代执行上一个步骤直到满足优化条件，这里的优化条件是加热炉工艺参数范围作为优化作用域，吨钢能耗最低为优化目标进行优化计算的。
本发明该方法基于Hadoop数据分析平台进行加热炉工艺参数的寻优计算，Hadoop数据分析平台包括：
数据层：用于存储加热炉运行数据样本；
分析层：用于建立加热炉能耗模型并进行加热炉最优工艺参数计算；
应用层：用于和用户交互，展示分析层计算结果。
对加热炉的最佳工况参数进行寻优操作并输出参数结果如表1所示，图3为采用本发明加热炉工艺参数寻优前后的吨钢能耗对比图，可以看出，采用本发明加热炉工艺参数寻优吨钢能耗明显降低。
表1加热炉工艺参数寻优结果

Claims (5)

1.一种面向节能减排的加热炉工艺参数寻优方法，其特征在于，该方法包括如下步骤：
(1)获取大量加热炉运行样本数据；
(2)以加热炉运行样本数据中的加热炉工艺参数为输入，吨钢能耗为输出构建加热炉能耗模型；
(3)配置加热炉工艺参数范围；
(4)利用加热炉能耗模型，以加热炉工艺参数范围作为优化作用域，吨钢能耗最低为优化目标进行优化计算，获取加热炉最优工艺参数。
2.根据权利要求1所述的一种面向节能减排的加热炉工艺参数寻优方法，其特征在于，所述的加热炉工艺参数包括炉压、净环水入口温度、净环水出口温度、煤气流量总和、空气流量总、空燃比和混合煤气热值。
3.根据权利要求1所述的一种面向节能减排的加热炉工艺参数寻优方法，其特征在于，步骤(2)采用神经网络方法构建加热炉能耗模型，具体为：
(201)构建多输入、单输出的单隐藏层神经网络，输入层包括n个单元，设为：x＝(x1,x2,...,xn)，其中第i个单元xi为加热炉工艺参数集合中的第i个参数，n等于加热炉工艺参数总个数，输出层为1个单元，记作y，y表示吨钢能耗，采用Kolmogorov定理获取隐含层神经元，隐含层单元个数为s＝2n+1，记作h＝(h1,h2,...,hs)；
(202)选取加热炉运行样本数据的90％作为训练样本，10％的数据作为检验数据，进行模型训练得到加热炉能耗模型：y＝f(x)。
4.根据权利要求1所述的一种面向节能减排的加热炉工艺参数寻优方法，其特征在于，步骤(4)具体为：
(401)根据加热炉能耗模型y＝f(x)建立目标函数Y：Y＝min y，y为吨钢能耗，x为加热炉工艺参数集合，x＝(x1,x2,...,xn)，其中xi为加热炉工艺参数集合中的第i个参数，n等于加热炉工艺参数总个数；
(402)根据加热炉工艺参数范围建立约束条件：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mn>1</mn> <mi>min</mi> </mrow> </msub> <mo>&amp;le;</mo> <msub> <mi>x</mi> <mn>1</mn> </msub> <mo>&amp;le;</mo> <msub> <mi>x</mi> <mrow> <mn>1</mn> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>...</mn> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mi>min</mi> </mrow> </msub> <mo>&amp;le;</mo> <msub> <mi>x</mi> <mi>n</mi> </msub> <mo>&amp;le;</mo> <msub> <mi>x</mi> <mrow> <mi>n</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>
其中，ximin为第i个参数对应的最小值，ximax为第i个参数对应的最大值；
(403)根据上述目标函数和约束条件，采用免疫粒子群迭代算法进行迭代求解，进而获取吨钢能耗最低时对应的加热炉工艺参数集合为加热炉最优工艺参数。
5.根据权利要求1所述的一种面向节能减排的加热炉工艺参数寻优方法，其特征在于，该方法基于Hadoop数据分析平台进行加热炉工艺参数的寻优计算，所述的Hadoop数据分析平台包括：
数据层：用于存储加热炉运行数据样本；
分析层：用于建立加热炉能耗模型并进行加热炉最优工艺参数计算；
应用层：用于和用户交互，展示分析层计算结果。
CN201610979363.3A 2016-11-08 2016-11-08 一种面向节能减排的加热炉工艺参数寻优方法 Pending CN108062583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610979363.3A CN108062583A (zh) 2016-11-08 2016-11-08 一种面向节能减排的加热炉工艺参数寻优方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610979363.3A CN108062583A (zh) 2016-11-08 2016-11-08 一种面向节能减排的加热炉工艺参数寻优方法

Publications (1)

Publication Number Publication Date
CN108062583A true CN108062583A (zh) 2018-05-22

Family

ID=62137468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610979363.3A Pending CN108062583A (zh) 2016-11-08 2016-11-08 一种面向节能减排的加热炉工艺参数寻优方法

Country Status (1)

Country Link
CN (1) CN108062583A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
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
CN111159919A (zh) * 2020-01-07 2020-05-15 安徽工业大学 一种衡量加热炉能耗分摊的方法
CN111460673A (zh) * 2020-04-07 2020-07-28 东北石油大学 一种对储油罐管式加热工艺参数及加热管结构优化的方法
CN112036085A (zh) * 2020-08-31 2020-12-04 中冶赛迪重庆信息技术有限公司 一种轧钢燃耗参数推荐方法、系统、介质及终端
CN117006805A (zh) * 2023-07-31 2023-11-07 中国石油天然气集团有限公司 一种联产lng提氦工艺优化方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102998979A (zh) * 2012-12-17 2013-03-27 富通集团有限公司 一种中频感应加热炉的运行优化方法
CN103019097A (zh) * 2012-11-29 2013-04-03 北京和隆优化控制技术有限公司 一种轧钢加热炉优化控制系统
CN103761423A (zh) * 2013-12-31 2014-04-30 中南大学 一种基于pso-elm的热轧板材组织-性能预测方法
CN104152668A (zh) * 2014-07-28 2014-11-19 首钢总公司 降低轧钢加热炉钢坯氧化烧损的装置及其方法
CN104299052A (zh) * 2014-10-12 2015-01-21 刘岩 一种基于人工蜂群和神经网络的建筑能耗预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019097A (zh) * 2012-11-29 2013-04-03 北京和隆优化控制技术有限公司 一种轧钢加热炉优化控制系统
CN102998979A (zh) * 2012-12-17 2013-03-27 富通集团有限公司 一种中频感应加热炉的运行优化方法
CN103761423A (zh) * 2013-12-31 2014-04-30 中南大学 一种基于pso-elm的热轧板材组织-性能预测方法
CN104152668A (zh) * 2014-07-28 2014-11-19 首钢总公司 降低轧钢加热炉钢坯氧化烧损的装置及其方法
CN104299052A (zh) * 2014-10-12 2015-01-21 刘岩 一种基于人工蜂群和神经网络的建筑能耗预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王卓 等: "基于Hadoop的钢铁生产大数据存储平台研究", 《软件》 *

Cited By (6)

* Cited by examiner, † Cited by third party
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
CN111159919A (zh) * 2020-01-07 2020-05-15 安徽工业大学 一种衡量加热炉能耗分摊的方法
CN111460673A (zh) * 2020-04-07 2020-07-28 东北石油大学 一种对储油罐管式加热工艺参数及加热管结构优化的方法
CN112036085A (zh) * 2020-08-31 2020-12-04 中冶赛迪重庆信息技术有限公司 一种轧钢燃耗参数推荐方法、系统、介质及终端
CN117006805A (zh) * 2023-07-31 2023-11-07 中国石油天然气集团有限公司 一种联产lng提氦工艺优化方法及装置
CN117006805B (zh) * 2023-07-31 2024-02-27 中国石油天然气集团有限公司 一种联产lng提氦工艺优化方法及装置

Similar Documents

Publication Publication Date Title
CN108062583A (zh) 一种面向节能减排的加热炉工艺参数寻优方法
CN106096788B (zh) 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统
CN106119458B (zh) 基于bp神经网络的转炉炼钢工艺成本控制方法及系统
CN106777684B (zh) 一种建立综合焦比预测模型和预测综合焦比的方法
CN106779384B (zh) 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法
CN104745780A (zh) 一种Cr12MoV钢锻造及热处理的生产方法
CN102284512B (zh) 一种大变形管线钢管制造工艺控制方法
CN103631140B (zh) 基于性能评估的焦炉加热燃烧过程火道温度自动调节方法
CN103942422B (zh) 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法
Hu et al. Hybrid modeling and online optimization strategy for improving carbon efficiency in iron ore sintering process
CN102653801A (zh) 基于遗传算法建立的无料钟高炉炉顶布料控制方法
CN106755972A (zh) 一种基于数据降维法预测烧结过程综合焦比的方法
CN101974672A (zh) 实现非调质钢热锻成形微观组织的控制方法
CN110849149A (zh) 基于能源感知的烧结配料方案级联优化获取方法及装置
CN107203140A (zh) 一种基于模糊综合的烧结生产过程性能评估方法
CN113836786A (zh) 一种结合焦炉加热制度参数的智能冶金焦炭预测方法
CN111798023B (zh) 一种炼钢烧结生产中综合焦比预测的方法
CN110619931B (zh) 一种基于多时间尺度优化的烧结过程碳效优化方法
CN109654897B (zh) 一种提高碳效的烧结终点智能控制方法
CN107030121A (zh) 一种连铸坯感应加热快速自适应温控方法
CN111861041B (zh) 一种预测Nb微合金钢动态再结晶型流变应力的方法
CN116127760A (zh) 基于混合建模与改进沙丘猫群算法的加热炉炉温优化方法
Zhang et al. Deep learning-based prediction framework of temperature control time for wide-thick slab hot rolling production
CN106834662B (zh) 一种基于多工况烧结过程的co/co2比值预测方法
Quan et al. Prediction of air leakage rate of sintering furnace based on BP neural network optimized by PSO

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180522