CN108549791A - 一种基于模型参数自适应的烧结矿性质预测方法 - Google Patents

一种基于模型参数自适应的烧结矿性质预测方法 Download PDF

Info

Publication number
CN108549791A
CN108549791A CN201810398668.4A CN201810398668A CN108549791A CN 108549791 A CN108549791 A CN 108549791A CN 201810398668 A CN201810398668 A CN 201810398668A CN 108549791 A CN108549791 A CN 108549791A
Authority
CN
China
Prior art keywords
sinter
composite ore
data
ore
chemical index
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
CN201810398668.4A
Other languages
English (en)
Inventor
高宪文
佟俊霖
王明顺
张鼎森
郝得智
刘博健
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201810398668.4A priority Critical patent/CN108549791A/zh
Publication of CN108549791A publication Critical patent/CN108549791A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

一种基于模型参数自适应的烧结矿预测方法，收集混合矿理化指标和对应烧结矿性质历史数据；通过RBF神经网络算法拟合出混合矿理化指标与烧结矿性质之间的关系并保存为函数；输入混合矿理化指标预测出烧结矿性质；并建立烧结配矿数据库，实现模型的自适应功能。本发明基于数据建模，快速准确的预测出烧结矿性质，并实现模型参数的自动更新，为配矿策略的制定提供依据。同时改变了现行的依赖人工经验判断的预测方法，提高了企业的工作效率。

Description

一种基于模型参数自适应的烧结矿性质预测方法
技术领域
本发明属于烧结矿性质预测技术领域，具体涉及一种基于模型参数自适应的烧结矿性质预测方法。
背景技术
烧结过程是一个复杂的流程工业生产过程，该生产过程环境恶劣，同时既包括物理过程，也包括化学过程。其中化学过程影响因素和不确定性的因素多，且许多因素又无法直接测量，比如产品指标中的碱度主要由原矿石中的SiO2含量和CaO的含量共同决定，虽然有数学公式可以定量地描述三者之间的关系，但是碱度还要受其他烧结辅料影响，而碱度与这些辅料的关系具有很强的非线性，无法用数学公式表征，这就需要通过分析一次烧结过程中碱度和其他辅料用量的具体数值，建立基于模型参数自适应的烧结矿性质预测模型定性地描述三者的关系。同时烧结厂生产使用的原料、辅剂和燃料并不是固定的，随着价格和原料性质的变化，烧结厂也在不断更换原材料，这时，模型参数自适应尤为重要。
发明内容
针对现有技术存在的不足，本发明提供一种基于模型参数自适应的烧结矿性质预测方法。
一种基于模型参数自适应的烧结矿性质预测方法，包括：
采集混合矿各项理化指标数据；
利用烧结矿性质预测模型预测烧结矿性质，该模型的输入为混合矿各项理化指标数据，输出为混合矿对应的烧结矿性质。
所述烧结矿性质预测模型的建立方法如下：
收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质，建立烧结配矿历史方案数据库；
根据烧结配矿数据库中的样本数据拟合出混合矿理化指标和烧结矿性质之间的函数关系，作为烧结矿性质预测模型。
所述各项理化指标，包括全铁品位、碱度、氧化钙值、二氧化硅值、氧化镁值。
所述烧结矿性质，包括全铁品位、碱度、氧化钙值、二氧化硅值、氧化铁值、氧化镁值、一级品率、合格品率。
所述混合矿理化指标和烧结矿性质之间的函数关系的拟合方法是：将混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质分别作为输入数据和输出数据，对混合矿理化指标和烧结矿性质之间的函数关系进行测试，若输出数据的误差大于设定值，则重新拟合，直至误差小于或等于设定值，此时拟合出的函数关系为烧结矿性质预测模型。
所述对混合矿理化指标和烧结矿性质之间的函数关系进行测试，具体包括：
对烧结配矿数据库中混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质进行标准化处理；
对样本化处理后的所有样本数据打乱顺序后随机排序，取前五分之四的样本数据作为训练数据，后五分之一作为测试数据；
将混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质分别作为输入数据和输出数据，采用RBF神经网络进行函数关系拟合。
所述收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质，建立烧结配矿历史方案数据库，包括：
确定烧结矿评价指标，包括全铁品位、二氧化硅值、氧化镁值、碱度；
收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质；
若烧结矿性质满足确定的评价指标，认为其合格，将符合要求的混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质加入到烧结配矿历史方案数据库中；
若烧结配矿历史方案数据库数据达到饱和时，通过对烧结配矿历史方案数据库中的原有数据更新替换，实现烧结配矿历史方案数据库的不断更新。
所述的方法，还包括：根据不断更新的混合矿各项理化指标数据和预测结果，定期更新所述烧结矿性质预测模型，实现烧结矿性质预测模型参数自适应。
有益效果：
烧结矿性质的预测有利于操作人员及时调整配矿策略，从而得到符合指标要求的烧结产品。本发明基于混合矿理化指标，对烧结矿性质进行预测，能够为配矿策略的选择提供依据。减少人工干预，使预测结果更具有说服力，同时降低了因操作人员业务能力问题造成失误的风险。现场数据自动保存，不需要人工记录，降低数据丢失、记录错误的几率。建立烧结配矿历史方案数据库，从而实现模型参数自适应，使配矿方案可以与时俱进。
附图说明
图1是本发明具体实施方式的烧结矿性质预测方法流程图。
具体实施方式
下面结合附图，以某烧结厂实际情况为例，对本发明的具体实施做详细说明。
本实施方式的基于模型参数自适应的烧结矿性质预测方法，包括如下步骤：
步骤1、采集混合矿各项理化指标数据；
步骤2、利用烧结矿性质预测模型预测烧结矿性质，该模型的输入为混合矿各项理化指标数据，输出为混合矿对应的烧结矿性质。
步骤3、根据不断更新的混合矿各项理化指标数据和预测结果，不断更新烧结配矿历史方案数据库，将原数据库中劣质的数据更新替换为优秀的新数据，实现数据库的不断更新，定期更新所述烧结矿性质预测模型，实现烧结矿性质预测模型参数自适应。
所述烧结矿性质预测模型的建立方法如下：
(1)收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质，建立烧结配矿历史方案数据库；
所述各项理化指标，包括全铁品位(TFe)、碱度(Ro)、氧化钙值(CaO)、二氧化硅值(SiO2)、氧化镁值(MgO)。
表1混合矿理化指标的历史数据
所述烧结矿性质，包括全铁品位、碱度、氧化钙值、二氧化硅值、氧化铁值、氧化镁值、一级品率、合格品率。
表2烧结矿性质的历史数据
所述收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质，建立烧结配矿历史方案数据库，包括：
(a)确定烧结矿评价指标，包括全铁品位、二氧化硅值、氧化镁值、碱度；表3为确定的烧结矿评价指标的上下限：
表3烧结矿评价指标
(b)收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质；
(c)若烧结矿性质满足确定的评价指标，认为其合格，将符合要求的混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质加入到烧结配矿历史方案数据库中；
(d)若烧结配矿历史方案数据库数据达到饱和时，通过对烧结配矿历史方案数据库中的原有数据更新替换，实现烧结配矿历史方案数据库的不断更新。
(2)根据烧结配矿数据库中的样本数据拟合出混合矿理化指标和烧结矿性质之间的函数关系，作为烧结矿性质预测模型。
所述混合矿理化指标和烧结矿性质之间的函数关系的拟合方法是：将混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质分别作为输入数据和输出数据，对混合矿理化指标和烧结矿性质之间的函数关系进行测试，若输出数据的误差大于设定值0.1％，则重新拟合，直至误差小于或等于设定值，此时拟合出的函数关系为烧结矿性质预测模型。
其中，所述对混合矿理化指标和烧结矿性质之间的函数关系进行测试，具体包括：
(a)对烧结配矿数据库中混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质进行标准化处理；
所述标准化处理是对烧结配矿数据库中混合矿和烧结矿各项指标的数据进行归一化处理；
P′＝2(P-Pmin)/(Pmax-Pmin)-1
其中：P′为归一化处理后的数据，P为输入数据即混合矿各项理化指标的历史数据，Pmax为输入数据中的最大值，Pmin为输入数据中的最小值。
(b)对样本化处理后的所有样本数据打乱顺序后随机排序，取前五分之四的样本数据作为训练数据，后五分之一作为测试数据；
(c)将混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质分别作为输入数据和输出数据，采用RBF神经网络进行函数关系拟合。
拟合得到烧结矿一级品率为：
α[f(x1,...,xi),g(x1,...,xi),h(x1,...,xi),k(x1,...,xi),l(x1,...,xi)]；
合格品率为：
β[f(x1,...,xi),g(x1,...,xi),h(x1,...,xi),k(x1,...,xi),l(x1,...,xi)]。
其中，f(x1,...,xi)为混合矿全铁品位；g(x1,...,xi)为混合矿碱度；h(x1,...,xi)为混合矿氧化钙值；k(x1,...,xi)为混合矿二氧化硅值；l(x1,...,xi)为混合矿氧化镁值。
本实施方式预测得到的烧结矿性质如下：
表4烧结矿预测性质
本发明基于模型参数自适应的烧结矿性质预测方法与现在依赖人工经验预测的方法相比较具有以下的优点：快速准确的预测烧结矿的性质，为配矿策略的选择提供依据。建立烧结配矿数据库，实现模型参数自动更新，使模型能够与时俱进。减少了人工干预，预防不必要的错误。

Claims (8)

1.一种基于模型参数自适应的烧结矿性质预测方法，其特征在于：包括：
采集混合矿各项理化指标数据；
利用烧结矿性质预测模型预测烧结矿性质，该模型的输入为混合矿各项理化指标数据，输出为混合矿对应的烧结矿性质。
2.根据权利要求1所述的方法，其特征在于，所述烧结矿性质预测模型的建立方法如下：
收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质，建立烧结配矿历史方案数据库；
根据烧结配矿数据库中的样本数据拟合出混合矿理化指标和烧结矿性质之间的函数关系，作为烧结矿性质预测模型。
3.根据权利要求1或2所述的方法，其特征在于，所述各项理化指标，包括全铁品位、碱度、氧化钙值、二氧化硅值、氧化镁值。
4.根据权利要求1或2所述的方法，其特征在于，所述烧结矿性质，包括全铁品位、碱度、氧化钙值、二氧化硅值、氧化铁值、氧化镁值、一级品率、合格品率。
5.根据权利要求2所述的方法，其特征在于，所述混合矿理化指标和烧结矿性质之间的函数关系的拟合方法是：将混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质分别作为输入数据和输出数据，对混合矿理化指标和烧结矿性质之间的函数关系进行测试，若输出数据的误差大于设定值，则重新拟合，直至误差小于或等于设定值，此时拟合出的函数关系为烧结矿性质预测模型。
6.根据权利要求5所述的方法，其特征在于，所述对混合矿理化指标和烧结矿性质之间的函数关系进行测试，具体包括：
对烧结配矿数据库中混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质进行标准化处理；
对样本化处理后的所有样本数据打乱顺序后随机排序，取前五分之四的样本数据作为训练数据，后五分之一作为测试数据；
将混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质分别作为输入数据和输出数据，采用RBF神经网络进行函数关系拟合。
7.根据权利要求5或6所述的方法，其特征在于，所述收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质，建立烧结配矿历史方案数据库，包括：
确定烧结矿评价指标，包括全铁品位、二氧化硅值、氧化镁值、碱度；
收集混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质；
若烧结矿性质满足确定的评价指标，认为其合格，将符合要求的混合矿各项理化指标的历史数据和混合矿对应的烧结矿性质加入到烧结配矿历史方案数据库中；
若烧结配矿历史方案数据库数据达到饱和时，通过对烧结配矿历史方案数据库中的原有数据更新替换，实现烧结配矿历史方案数据库的不断更新。
8.根据权利要求1所述的方法，其特征在于，还包括：根据不断更新的混合矿各项理化指标数据和预测结果，定期更新所述烧结矿性质预测模型，实现烧结矿性质预测模型参数自适应。
CN201810398668.4A 2018-04-28 2018-04-28 一种基于模型参数自适应的烧结矿性质预测方法 Pending CN108549791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810398668.4A CN108549791A (zh) 2018-04-28 2018-04-28 一种基于模型参数自适应的烧结矿性质预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810398668.4A CN108549791A (zh) 2018-04-28 2018-04-28 一种基于模型参数自适应的烧结矿性质预测方法

Publications (1)

Publication Number Publication Date
CN108549791A true CN108549791A (zh) 2018-09-18

Family

ID=63513100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810398668.4A Pending CN108549791A (zh) 2018-04-28 2018-04-28 一种基于模型参数自适应的烧结矿性质预测方法

Country Status (1)

Country Link
CN (1) CN108549791A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070217A (zh) * 2019-04-11 2019-07-30 武汉科技大学 一种基于过程参数的烧结矿质量预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339177A (zh) * 2008-08-27 2009-01-07 攀枝花新钢钒股份有限公司 基于神经网络的烧结矿FeO预报系统
CN102156405A (zh) * 2011-01-24 2011-08-17 王爱民 小样本贫信息下的烧结矿化学成分预测与智能控制系统
KR20150125110A (ko) * 2014-04-29 2015-11-09 현대제철 주식회사 소결 공정 중 손실 열량 예측 방법
CN106802977A (zh) * 2016-12-14 2017-06-06 同济大学 一种用于烧结矿性能指标预测及综合质量评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339177A (zh) * 2008-08-27 2009-01-07 攀枝花新钢钒股份有限公司 基于神经网络的烧结矿FeO预报系统
CN102156405A (zh) * 2011-01-24 2011-08-17 王爱民 小样本贫信息下的烧结矿化学成分预测与智能控制系统
KR20150125110A (ko) * 2014-04-29 2015-11-09 현대제철 주식회사 소결 공정 중 손실 열량 예측 방법
CN106802977A (zh) * 2016-12-14 2017-06-06 同济大学 一种用于烧结矿性能指标预测及综合质量评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
申炳昕: "基于人工神经网络的烧结矿化学成分预报系统的研究", 《万方数据知识服务平台》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070217A (zh) * 2019-04-11 2019-07-30 武汉科技大学 一种基于过程参数的烧结矿质量预测方法

Similar Documents

Publication Publication Date Title
CN103336107B (zh) 一种水泥熟料f-CaO含量软测量方法
CN101863088B (zh) 一种橡胶混炼过程中门尼粘度的预报方法
Vienna et al. 2016 update of Hanford glass property models and constraints for use in estimating the glass mass to be produced at Hanford by implementing current enhanced glass formulation efforts
CN109389238B (zh) 一种基于岭回归的短期负荷预测方法及装置
CN102601881B (zh) 一种橡胶硬度的在线质量监控和预测模型更新的方法
WO2021007845A1 (zh) 一种氧化铝生产指标的云-边协同预报系统及方法
CN110246547A (zh) 一种烧结过程配矿优化方法
CN106292563A (zh) 一种工业固废综合利用产业链风险监控管理系统
CN111340269B (zh) 用于流程工业过程的实时优化方法
CN108549791A (zh) 一种基于模型参数自适应的烧结矿性质预测方法
CN115186996A (zh) 回转窑工艺参数控制方法、装置、电子设备及存储介质
CN111833970A (zh) 一种水泥熟料质量表征参数预测模型构建方法及其应用
CN113361097B (zh) 一种基于大数据的工程项目管理系统
CN117851908A (zh) 一种改进的在线低压台区电能表失准监测方法及装置
CN102567386A (zh) 在线检测数据库更新方法
KR20180022030A (ko) 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법
CN114186713A (zh) 一种考虑远景发展情景约束的中长期用电量预测方法
CN109101683B (zh) 燃煤分质利用与清洁预处理系统热解釜的模型更新方法
CN110766234A (zh) 基于信息融合的水泥冷却过程篦下压力预测方法
CN102621018A (zh) 一种橡胶硬度的在线自动测量方法
CN114282658B (zh) 一种针对流量序列分析及预测的方法、设备和介质
CN102608303B (zh) 一种橡胶硬度的在线测量方法
CN115328900A (zh) 一种时段性智能电表数据采集及分析系统
CN113722935A (zh) 一种石化装置代理模型的自动更新方法
CN113537553A (zh) 一种区域配电网负荷需求混合预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180918

RJ01 Rejection of invention patent application after publication