CN109376500A - 基于预测模型的烧结过程综合焦比在线优化方法及系统 - Google Patents
基于预测模型的烧结过程综合焦比在线优化方法及系统 Download PDFInfo
- Publication number
- CN109376500A CN109376500A CN201811566613.6A CN201811566613A CN109376500A CN 109376500 A CN109376500 A CN 109376500A CN 201811566613 A CN201811566613 A CN 201811566613A CN 109376500 A CN109376500 A CN 109376500A
- Authority
- CN
- China
- Prior art keywords
- coke ratio
- comprehensive coke
- comprehensive
- sintering process
- brp
- 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
Links
Classifications
-
- 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
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明提供了基于预测模型的烧结过程综合焦比在线优化方法及系统,首先,确定以综合焦比作为衡量烧结过程碳效的指标;通过烧结过程的机理分析和数据统计分析,确定影响综合焦比的关键烧结参数,并使用模糊C均值聚类算法辨识不同的工况模式,针对不同的工况模式分别建立综合焦比预测子模型;然后,使用模糊隶属度函数对不同工况模式下的综合焦比预测子模型进行融合,得到综合焦比混合预测模型;最后,基于综合焦比混合预测模型,以操作参数为约束条件,运用粒子群优化算法来实现烧结过程综合焦比的在线优化。本发明的有益效果是:实现烧结过程综合焦比的在线优化,为现场工人提供指导意见,有利于实现烧结过程节能降耗和绿色制造。
Description
技术领域
本发明涉及钢铁烧结技术领域,尤其涉及基于预测模型的烧结过程综合焦比在线优化方法及系统。
背景技术
当前资源和环境问题对实现全球可持续发展的约束日益凸显,在这样的背景下,世界各国都积极追求“绿色”、“低碳”、“可持续发展”。钢铁工业作为国民经济支柱产业之一,钢铁工业的发展也将决定我国国民经济的发展。面对当前资源短缺,环境污染日益严重的现象,钢铁工业亟需承担起节能减排,绿色制造的重任。
烧结过程是钢铁冶金过程的一个重要环节,其生成物烧结矿的质量与产量优劣不仅仅直接影响到高炉炼铁过程的产量、质量和能耗,还会对高炉炼铁过程能够获得良好经济技术指标和技术进步产生至关重要。并且该过程也是钢铁冶金过程除高炉炼铁过程外最大的耗能工序,其能耗约占钢铁冶金总能耗的10%~15%,其能源消耗中,焦粉燃料消耗约为80%,电能消耗约为13.5%,燃气消耗约为6%,其他约为0.5%。由此可见,实现钢铁生产过程碳效在线优化、有效利用能源和减少排放的关键在于揭示能耗、排放、质量和产量与过程状态参数和操作参数之间的关系,从而运用智能优化算法优化与碳效相关的过程参数,对于降低我国吨钢综合能耗,提高钢铁工业能源利用率,节约成本有重大意义。
发明内容
为了解决上述问题,本发明提供了基于预测模型的烧结过程综合焦比在线优化方法及系统,基于预测模型的烧结过程综合焦比在线优化方法,主要包括以下步骤:
S101:以综合焦比作为衡量烧结过程碳效的指标,采用统计分析方法确定影响综合焦比的关键烧结参数;关键烧结参数包括:BTP、BTP温度、风箱负压、垂直燃烧速度、BRP和BRP温度;所述综合焦比是指生产每吨烧结矿所消耗的焦炭数量;其中,BRP表示上升点,BTP表示烧结终点;
S102:根据模糊C均值聚类算法辨识烧结过程的不同的工况模式;
S103:根据反向传播神经网络建模方法,以关键烧结参数为输入,综合焦比为输出,针对不同的工况模式分别建立综合焦比预测子模型;
S104:使用模糊隶属度函数对不同工况模式下的综合焦比预测子模型进行融合,得到综合焦比混合预测模型;
S105:基于综合焦比混合预测模型,以操作参数为约束条件,运用粒子群优化算法来实现烧结过程综合焦比的在线优化,即通过在线调整综合焦比预测混合预测模型输入——操作参数,使得模型预测的综合焦比最小,来实现综合焦比的实时优化;所述操作参数包括料层厚度和台车速度。
进一步地,在步骤S101中,综合焦比的计算公式如下:
其中,mr是烧结原料的重量(t),η表示综合焦比(kg/t),CC表示焦粉配比(%),ηy表示成品率(%),ηb表示烧损率(%),md表示大成矿产量(kg/h),mp表示铺底料量(kg/h),mx表示小成矿产量(kg/h),mf表示返矿量(kg/h)。
进一步地,在步骤S101中,影响综合焦比的关键烧结参数中,关键烧结参数BRP和BRP温度没有被纪录在日报表中,关键烧结参数BTP、BTP温度、风箱负压和垂直燃烧速度被纪录保存在日报表中;根据烧结过程机理分析可知,影响关键烧结参数BRP和BRP温度的是原料参数和操作参数;根据反向传播神经网络建模方法,以原料参数和操作参数为输入,分别建立关于BRP和BRP温度反向传播神经网络预测模型SBRP和TBRP,输出关键烧结参数BRP和BRP温度。
进一步地,所述原料参数包括:返矿、焦粉配比、SiO2含量、CaO含量、TFe含量和MgO含量。
进一步地,在步骤S102中,根据模糊C均值聚类算法通过以下公式辨识烧结过程的不同的工况模式:
其中,m是模糊指数,Jm是目标函数,k为正整数,L为聚类数目,即工况数目;i为正整数,N是样本数目;μki是样本点相对于聚类中心的模糊隶属度,其中,s.t.为μki的约束条件;dki是样本点相对于聚类中心的欧拉距离。
进一步地,在步骤S104中,运用模糊C均值聚类算法辨识工况模式产生的模糊隶属度对不同的综合焦比预测子模型进行融合,得到的综合焦比混合预测模型如下所示:
其中,y=f(x)为预测的综合焦比,μki是样本点相对于聚类中心的模糊隶属度,yk为第k种工况模式下的综合焦比预测子模型的预测值,k为正整数,k=1,2,3,…,L,L为聚类数目,即工况数目,L为正整数,且L>=1。
进一步地,在步骤S105中,烧结过程综合焦比的在线优化是指:基于综合焦比混合预测模型,采用粒子群优化算法,以操作参数为约束条件,获得最小综合焦比和最优的操作参数,实现综合焦比的实时优化。
进一步地,在步骤S105中,将烧结过程综合焦比的在线优化转化为单目标优化问题:
其中,H表示料层厚度,VS表示台车速度,Hmin表示料层厚度的最小值,Hmax表示料层厚度的最大值,表示台车速度的最小值,表示台车速度的最大值,f(x)为预测的综合焦比,x为状态参数,即所述的BTP、BTP温度、风箱负压、垂直燃烧速度、BRP和BRP温度,SBRP表示以原料参数和操作参数为输入、以BRP为输出的BRP反向传播神经网络预测模型,TBRP表示以原料参数和操作参数为输入、以BRP温度为输出的BRP温度反向传播神经网络预测模型,Ccao,Csio2,…,Vs,H分别表示SiO2含量、CaO含量、TFe含量、MgO含量、返矿、焦粉配比、台车速度和料层厚度。
进一步地,在步骤S105中,采用粒子群优化算法进行迭代寻优处理,该算法是通过下面公式来更新粒子速度和位置:
其中,j是迭代次数,w是惯性权重,α1和α2加速度因子,取值范围均为[1,2],Rand1和Rand2是[0,1]之间的随机数,和分别表示粒子d在第j步的速度和位置,Pbest是粒子个体最优值,Gbest是全局最优值;
以综合焦比混合预测模型的输出,即预测的综合焦比f(x)为自适应度函数值来进行粒子群优化算法的迭代,当达到预设迭代次数或者优化结果保持不变时,停止粒子群优化算法,此时获得最优操作参数和最小综合焦比,完成烧结过程中综合焦比在线优化,综合焦比最小即烧结过程达到最优碳效。
基于预测模型的烧结过程综合焦比在线优化系统,包括:处理器及存储设备;所述处理器加载并执行所述存储设备中存储的指令及数据用于所述的任意一种基于预测模型的烧结过程综合焦比在线优化方法。
本发明提供的技术方案带来的有益效果是:实现烧结过程综合焦比的在线优化,为现场工人提供指导意见,有利于实现烧结过程节能降耗和绿色制造。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中基于预测模型的烧结过程综合焦比在线优化方法的流程图;
图2是本发明实施例中综合焦比混合预测模型原理框图;
图3是本发明实施例中综合焦比预测结果与实际值的对比图;
图4是本发明实施例中综合焦比预测相对误差结果图;
图5是本发明实施例中综合焦比在线优化方案图;
图6是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了基于预测模型的烧结过程综合焦比在线优化方法及系统。基于预测模型的烧结过程综合焦比在线优化方法,选定综合焦比作为衡量烧结过程碳效的指标,通过对烧结过程的机理分析,采用统计分析方法确定影响综合焦比的关键烧结参数;关键烧结参数包括:烧结终点(BTP)、BTP温度、风箱负压、垂直燃烧速度、上升点(BRP)和BRP温度;所述综合焦比是指生产每吨烧结矿所消耗的焦炭数量;将状态参数(BTP、BTP温度、风箱负压、垂直燃烧速度、BRP、BRP温度)、原料参数(返矿,焦粉配比,SiO2含量,CaO含量,TFe含量,MgO含量)和操作参数(料层厚度和台车速度)进行时序配准和数据预处理,采用模糊C均值聚类算法来辨识不同工况模式。在此基础上,运用反向传播神经网络建模方法建立不同工况下的综合焦比预测子模型,再使用模糊隶属度值融合不同工况模式下的综合焦比预测子模型形成综合焦比混合预测模型。在建立综合焦比混合预测模型的基础上,采用粒子群优化算法实现综合焦比的在线优化。
请参考图1,图1是本发明实施例中基于预测模型的烧结过程综合焦比在线优化方法的流程图,具体包括如下步骤:
S101:以综合焦比作为衡量烧结过程碳效的指标,采用统计分析方法确定影响综合焦比的关键烧结参数;关键烧结参数包括:BTP、BTP温度、风箱负压、垂直燃烧速度、BRP和BRP温度;所述综合焦比是指生产每吨烧结矿所消耗的焦炭数量;其中,BRP表示上升点,上升点即烧结上升点;BTP表示烧结终点;
烧结过程是一类具有复杂化学和物理变化的生产过程,影响烧结过程综合焦比主要是烧结热状态,而烧结状态参数能够反映烧结过程的热状态。为了进一步验证状态参数与综合焦比之间的关系,采用皮尔逊相关系数分析法进行统计学分析,分析结果如表1所示;
表1综合焦比与状态参数的皮尔逊相关系数分析结果
当皮尔逊相关系数的绝对值大于或等于0.1时,就能说明两个变量之间具有一定相关性。因此,由表1可以得知,烧结过程状态参数与综合焦比具有较强的相关性,故可用这些状态参数来作为综合焦比混合预测模型的输入。
影响综合焦比的关键烧结参数中,关键烧结参数BTP、BTP温度、风箱负压和垂直燃烧速度被纪录保存在日报表中,可以直接得到,而关键烧结参数BRP和BRP温度没有被纪录在日报表中,不能直接得到,因此需要先设法得到关键烧结参数BRP和BRP温度。根据烧结过程机理分析可知,直接影响关键烧结参数BRP和BRP温度的是原料参数和操作参数;根据反向传播神经网络建模方法,以原料参数和操作参数为输入,分别建立关于关键烧结参数BRP和BRP温度的反向传播神经网络预测模型SBRP和TBRP,输出关键烧结参数BRP和BRP温度。所述原料参数包括:返矿、焦粉配比、SiO2含量、CaO含量、TFe含量和MgO含量;所述操作参数包括:料层厚度和台车速度。
综合焦比的计算公式如下:
其中,mr是烧结原料的重量(t),η表示综合焦比(kg/t),CC表示焦粉配比(%),ηy表示成品率(%),ηb表示烧损率(%),md表示大成矿产量(kg/h),mp表示铺底料量(kg/h),mx表示小成矿产量(kg/h),mf表示返矿量(kg/h)。
S102:根据模糊C均值聚类算法辨识烧结过程的不同的工况模式;将求解工况模式的问题转化为求解单目标函数最优的问题,根据模糊C均值聚类算法通过以下公式辨识烧结过程的不同的工况模式,即目标函数最小时,得到对应的工况数目:
其中,m是模糊指数,Jm是目标函数,k为正整数,L为聚类数目,即工况数目;i为正整数,N是样本数目;μki是样本点相对于聚类中心的模糊隶属度,其中,s.t.为μki的约束条件;dki是样本点相对于聚类中心的欧拉距离;根据模糊C均值算法,通过迭代优化,可以得到最终的聚类中心及对应的聚类数目;
本实施例中,在确定影响综合焦比的关键烧结参数基础上,以1h为采样周期对实际生产数据预处理和时序配准处理,获得状态参数(BTP、BTP温度、风箱负压、垂直燃烧速度、BRP、BRP温度)、原料参数(返矿,焦粉配比,SiO2含量,CaO含量,TFe含量,MgO含量)和操作参数(料层厚度和台车速度)共1300组,其中1200组数据用于训练,剩下的100组数据用于测试。采用模糊C均值聚类算法对训练样本数据进行多工况辨识,获得6种工况模式。
S103:根据反向传播神经网络建模方法,以关键烧结参数为输入,综合焦比为输出,针对不同的工况模式分别建立综合焦比预测子模型;针对6种工况模式,以烧结状态参数,即BTP、BTP温度、风箱负压、垂直燃烧速度、BRP、BRP温度为输入,综合焦比为输出,分别建立综合焦比预测子模型;
S104:使用模糊隶属度函数对不同工况模式下的综合焦比预测子模型进行融合,得到综合焦比混合预测模型;在模糊C均值聚类辨识多工况模式时,还能得到不同工况模式下的隶属度函数;使用这些隶属度函数值对不同工况模式下所建立的综合焦比预测子模型进行融合,最后形成如图2所示的综合焦比混合预测模型,该综合焦比混合预测模型具有双层结构,能够较好反映烧结过程动态。
运用模糊C均值聚类算法辨识工况模式产生的模糊隶属度对不同的综合焦比预测子模型进行融合,得到的综合焦比混合预测模型如下所示:
其中,y=f(x)为预测的综合焦比,μki是样本点相对于聚类中心的模糊隶属度,yk为第k种工况模式下的综合焦比预测子模型的预测值,k为正整数,k=1,2,3,…,L,L为聚类数目,即工况数目,L为正整数,且L>=1。
所述综合焦比混合预测模型的预测结果与实际结果的对比如图3所示,所述综合焦比混合预测模型的预测相对误差如图4所示。由图3和图4可知,所述综合焦比混合预测模型输出的综合焦比预测结果的相对误差在[-3%,3%]之内,在综合焦比的允许误差范围之内。因此,所述综合焦比混合预测模型能够较好的预测实际综合焦比,满足实际烧结过程生产要求,为烧结过程的碳效优化提供模型基础。
S105:基于综合焦比混合预测模型,以操作参数为约束条件,运用粒子群优化算法来实现烧结过程综合焦比的在线优化,即通过在线调整综合焦比预测混合预测模型输入——操作参数,使得模型预测的综合焦比最小,来实现综合焦比的实时优化;所述操作参数包括料层厚度和台车速度。
烧结过程综合焦比的在线优化是指:基于综合焦比混合预测模型,采用粒子群优化算法,以操作参数为约束条件,获得最小综合焦比和最优的操作参数,实现综合焦比的实时优化。
将烧结过程综合焦比的在线优化转化为单目标优化问题:
其中,H表示料层厚度,VS表示台车速度,Hmin表示料层厚度的最小值,Hmax表示料层厚度的最大值,表示台车速度的最小值,表示台车速度的最大值,f(x)为预测的综合焦比,x为状态参数,即所述的BTP、BTP温度、风箱负压、垂直燃烧速度、BRP和BRP温度,SBRP表示以原料参数和操作参数为输入、以BRP为输出的BRP反向传播神经网络预测模型,TBRP表示以原料参数和操作参数为输入、以BRP温度为输出的BRP温度反向传播神经网络预测模型,Ccao,Csio2,…,Vs,H分别表示SiO2含量、CaO含量、TFe含量、MgO含量、返矿、焦粉配比、台车速度和料层厚度。
采用粒子群优化算法进行迭代寻优处理,该算法是通过下面公式来更新粒子速度和位置:
其中,j是迭代次数,w是惯性权重,α1和α2加速度因子,取值范围均为[1,2],Rand1和Rand2是[0,1]之间的随机数,和分别表示粒子d在第j步的速度和位置,Pbest是粒子个体最优值,Gbest是全局最优值;
以综合焦比混合预测模型的输出,即预测的综合焦比f(x)为自适应度函数值来进行粒子群优化算法的迭代,当达到预设迭代次数或者优化结果保持不变时,停止粒子群优化算法,此时获得最优操作参数和最小综合焦比,完成烧结过程中综合焦比在线优化,综合焦比最小即烧结过程达到最优碳效。
本实施例中,综合焦比的在线优化方案如图5所示,其他状态参数是指:BTP、BTP温度、风箱负压和垂直燃烧速度,基于所建立的综合焦比混合预测模型,以操作参数(料层厚度和台车速度)为约束条件,采用粒子群优化算法来实现综合焦比的在线优化,判断是否达到最优焦比综合,若是,则得到最优操作参数和最小综合焦比;若否,则调整操作参数,直到获得最优操作参数和最小综合焦比为止。综合焦比的在线优化结果如表2所示;
表2综合焦比在线优化结果
由表2可知,优化后的综合焦比相对于实际综合焦比平均降低了1.298kg/t。因此,所提的综合焦比在线优化策略能够实现综合焦比的降低,能够节约实际烧结生产的成本。获得的最优操作参数能够为现场工人提供指导意见,有利于实现烧结过程节能减排和绿色制造。
请参见图6,图6是本发明实施例的硬件设备工作示意图,所述硬件设备具体包括:基于预测模型的烧结过程综合焦比在线优化系统401、处理器402及存储设备403。
基于预测模型的烧结过程综合焦比在线优化系统401:所述基于预测模型的烧结过程综合焦比在线优化系统401实现所述基于预测模型的烧结过程综合焦比在线优化方法。
处理器402:所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述基于预测模型的烧结过程综合焦比在线优化方法。
存储设备403:所述存储设备403存储指令及数据;所述存储设备403用于实现所述基于预测模型的烧结过程综合焦比在线优化方法。
本发明的有益效果是:实现烧结过程综合焦比的在线优化,为现场工人提供指导意见,有利于实现烧结过程节能降耗和绿色制造。
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.基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:包括以下步骤:
S101:以综合焦比作为衡量烧结过程碳效的指标,采用统计分析方法确定影响综合焦比的关键烧结参数;关键烧结参数包括:BTP、BTP温度、风箱负压、垂直燃烧速度、BRP和BRP温度;所述综合焦比是指生产每吨烧结矿所消耗的焦炭数量;其中,BRP表示上升点,BTP表示烧结终点;
S102:根据模糊C均值聚类算法辨识烧结过程的不同的工况模式;
S103:根据反向传播神经网络建模方法,以关键烧结参数为输入,综合焦比为输出,针对不同的工况模式分别建立综合焦比预测子模型;
S104:使用模糊隶属度函数对不同工况模式下的综合焦比预测子模型进行融合,得到综合焦比混合预测模型;
S105:基于综合焦比混合预测模型,以操作参数为约束条件,运用粒子群优化算法来实现烧结过程综合焦比的在线优化,即通过在线调整综合焦比预测混合预测模型输入——操作参数,使得模型预测的综合焦比最小,来实现综合焦比的实时优化;所述操作参数包括料层厚度和台车速度。
2.如权利要求1所述的基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:在步骤S101中,综合焦比的计算公式如下:
其中,mr是烧结原料的重量(t),η表示综合焦比(kg/t),CC表示焦粉配比(%),ηy表示成品率(%),ηb表示烧损率(%),md表示大成矿产量(kg/h),mp表示铺底料量(kg/h),mx表示小成矿产量(kg/h),mf表示返矿量(kg/h)。
3.如权利要求1所述的基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:在步骤S101中,影响综合焦比的关键烧结参数中,关键烧结参数BRP和BRP温度没有被纪录在日报表中,关键烧结参数BTP、BTP温度、风箱负压和垂直燃烧速度被纪录保存在日报表中;根据烧结过程机理分析可知,影响关键烧结参数BRP和BRP温度的是原料参数和操作参数;根据反向传播神经网络建模方法,以原料参数和操作参数为输入,分别建立关于BRP和BRP温度反向传播神经网络预测模型SBRP和TBRP,输出关键烧结参数BRP和BRP温度。
4.如权利要求3所述的基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:所述原料参数包括:返矿、焦粉配比、SiO2含量、CaO含量、TFe含量和MgO含量。
5.如权利要求1所述的基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:在步骤S102中,根据模糊C均值聚类算法通过以下公式辨识烧结过程的不同的工况模式:
其中,m是模糊指数,Jm是目标函数,k为正整数,L为聚类数目,即工况数目;i为正整数,N是样本数目;μki是样本点相对于聚类中心的模糊隶属度,其中,s.t.为μki的约束条件;dki是样本点相对于聚类中心的欧拉距离。
6.如权利要求1所述的基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:
在步骤S104中,运用模糊C均值聚类算法辨识工况模式产生的模糊隶属度对不同的综合焦比预测子模型进行融合,得到的综合焦比混合预测模型如下所示:
其中,y=f(x)为预测的综合焦比,μki是样本点相对于聚类中心的模糊隶属度,yk为第k种工况模式下的综合焦比预测子模型的预测值,k为正整数,k=1,2,3,…,L,L为聚类数目,即工况数目,L为正整数,且L>=1。
7.如权利要求1所述的基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:在步骤S105中,烧结过程综合焦比的在线优化是指:基于综合焦比混合预测模型,采用粒子群优化算法,以操作参数为约束条件,获得最小综合焦比和最优的操作参数,实现综合焦比的实时优化。
8.如权利要求1所述的基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:在步骤S105中,将烧结过程综合焦比的在线优化转化为单目标优化问题:
其中,H表示料层厚度,VS表示台车速度,Hmin表示料层厚度的最小值,Hmax表示料层厚度的最大值,表示台车速度的最小值,表示台车速度的最大值,f(x)为预测的综合焦比,x为状态参数,即所述的BTP、BTP温度、风箱负压、垂直燃烧速度、BRP和BRP温度,SBRP表示以原料参数和操作参数为输入、以BRP为输出的BRP反向传播神经网络预测模型,TBRP表示以原料参数和操作参数为输入、以BRP温度为输出的BRP温度反向传播神经网络预测模型,Ccao,Csio2,…,Vs,H分别表示SiO2含量、CaO含量、TFe含量、MgO含量、返矿、焦粉配比、台车速度和料层厚度。
9.如权利要求1所述的基于预测模型的烧结过程综合焦比在线优化方法,其特征在于:
在步骤S105中,采用粒子群优化算法进行迭代寻优处理,该算法是通过下面公式来更新粒子速度和位置:
其中,j是迭代次数,w是惯性权重,α1和α2加速度因子,取值范围均为[1,2],Rand1和Rand2是[0,1]之间的随机数,和分别表示粒子d在第j步的速度和位置,Pbest是粒子个体最优值,Gbest是全局最优值;
以综合焦比混合预测模型的输出,即预测的综合焦比f(x)为自适应度函数值来进行粒子群优化算法的迭代,当达到预设迭代次数或者优化结果保持不变时,停止粒子群优化算法,此时获得最优操作参数和最小综合焦比,完成烧结过程中综合焦比在线优化,综合焦比最小即烧结过程达到最优碳效。
10.基于预测模型的烧结过程综合焦比在线优化系统,其特征在于:包括:处理器及存储设备;所述处理器加载并执行所述存储设备中存储的指令及数据用于实现权利要求1~9所述的任意一种基于预测模型的烧结过程综合焦比在线优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811566613.6A CN109376500A (zh) | 2018-12-19 | 2018-12-19 | 基于预测模型的烧结过程综合焦比在线优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811566613.6A CN109376500A (zh) | 2018-12-19 | 2018-12-19 | 基于预测模型的烧结过程综合焦比在线优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376500A true CN109376500A (zh) | 2019-02-22 |
Family
ID=65371200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811566613.6A Pending CN109376500A (zh) | 2018-12-19 | 2018-12-19 | 基于预测模型的烧结过程综合焦比在线优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376500A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245690A (zh) * | 2019-05-23 | 2019-09-17 | 中国地质大学(武汉) | 一种基于模糊聚类的高炉炉况识别方法与系统 |
CN110570019A (zh) * | 2019-08-14 | 2019-12-13 | 中国地质大学(武汉) | 一种基于宽度学习的烧结过程综合焦比时序预测方法 |
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 |
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 |
CN111308894A (zh) * | 2020-03-06 | 2020-06-19 | 马鞍山钢铁股份有限公司 | 一种烧结过程耦合配矿及控制过程的参数调节方法 |
CN111798023A (zh) * | 2020-05-11 | 2020-10-20 | 宁波大学 | 一种炼钢烧结生产中综合焦比预测的方法 |
CN112329269A (zh) * | 2020-11-27 | 2021-02-05 | 中国地质大学(武汉) | 一种基于工况识别的烧结点火温度建模预测方法 |
TWI735385B (zh) * | 2020-11-25 | 2021-08-01 | 中國鋼鐵股份有限公司 | 硫氧化物的預測方法與燒結工廠 |
CN113254738A (zh) * | 2021-04-27 | 2021-08-13 | 深圳坤湛科技有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
CN113517037A (zh) * | 2021-03-25 | 2021-10-19 | 中南大学 | 一种数据与知识融合的烧结矿FeO预测方法及系统 |
EP4286546A1 (en) * | 2023-02-23 | 2023-12-06 | Tata Steel IJmuiden B.V. | Method for the manufacturing of sinter granules |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4522649A (en) * | 1982-08-09 | 1985-06-11 | United States Steel Corporation | Method of furnace operation with high pellet burdens |
CN106022377A (zh) * | 2016-05-20 | 2016-10-12 | 中南大学 | 一种铁矿烧结料层透气性状态的在线预测方法 |
CN106777684A (zh) * | 2016-12-14 | 2017-05-31 | 中国地质大学(武汉) | 一种建立综合焦比预测模型和预测综合焦比的方法 |
CN106755972A (zh) * | 2016-12-14 | 2017-05-31 | 中国地质大学(武汉) | 一种基于数据降维法预测烧结过程综合焦比的方法 |
-
2018
- 2018-12-19 CN CN201811566613.6A patent/CN109376500A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4522649A (en) * | 1982-08-09 | 1985-06-11 | United States Steel Corporation | Method of furnace operation with high pellet burdens |
CN106022377A (zh) * | 2016-05-20 | 2016-10-12 | 中南大学 | 一种铁矿烧结料层透气性状态的在线预测方法 |
CN106777684A (zh) * | 2016-12-14 | 2017-05-31 | 中国地质大学(武汉) | 一种建立综合焦比预测模型和预测综合焦比的方法 |
CN106755972A (zh) * | 2016-12-14 | 2017-05-31 | 中国地质大学(武汉) | 一种基于数据降维法预测烧结过程综合焦比的方法 |
Non-Patent Citations (1)
Title |
---|
XIN CHEN等: "Modeling and optimization method featuring multiple operating modes for improving carbon efficiency of iron ore sintering process", 《CONTROL ENGINEERING PRACTICE》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245690A (zh) * | 2019-05-23 | 2019-09-17 | 中国地质大学(武汉) | 一种基于模糊聚类的高炉炉况识别方法与系统 |
CN110570019A (zh) * | 2019-08-14 | 2019-12-13 | 中国地质大学(武汉) | 一种基于宽度学习的烧结过程综合焦比时序预测方法 |
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 |
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 |
CN111308894B (zh) * | 2020-03-06 | 2022-06-07 | 马鞍山钢铁股份有限公司 | 一种烧结过程耦合配矿及控制过程的参数调节方法 |
CN111308894A (zh) * | 2020-03-06 | 2020-06-19 | 马鞍山钢铁股份有限公司 | 一种烧结过程耦合配矿及控制过程的参数调节方法 |
CN111798023A (zh) * | 2020-05-11 | 2020-10-20 | 宁波大学 | 一种炼钢烧结生产中综合焦比预测的方法 |
CN111798023B (zh) * | 2020-05-11 | 2023-08-29 | 宁波大学 | 一种炼钢烧结生产中综合焦比预测的方法 |
TWI735385B (zh) * | 2020-11-25 | 2021-08-01 | 中國鋼鐵股份有限公司 | 硫氧化物的預測方法與燒結工廠 |
CN112329269A (zh) * | 2020-11-27 | 2021-02-05 | 中国地质大学(武汉) | 一种基于工况识别的烧结点火温度建模预测方法 |
CN112329269B (zh) * | 2020-11-27 | 2022-05-17 | 中国地质大学(武汉) | 一种基于工况识别的烧结点火温度建模预测方法 |
CN113517037A (zh) * | 2021-03-25 | 2021-10-19 | 中南大学 | 一种数据与知识融合的烧结矿FeO预测方法及系统 |
CN113517037B (zh) * | 2021-03-25 | 2022-11-15 | 中南大学 | 一种数据与知识融合的烧结矿FeO预测方法及系统 |
CN113254738A (zh) * | 2021-04-27 | 2021-08-13 | 深圳坤湛科技有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
CN113254738B (zh) * | 2021-04-27 | 2022-01-04 | 佛山众陶联供应链服务有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
EP4286546A1 (en) * | 2023-02-23 | 2023-12-06 | Tata Steel IJmuiden B.V. | Method for the manufacturing of sinter granules |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376500A (zh) | 基于预测模型的烧结过程综合焦比在线优化方法及系统 | |
Hu et al. | A multilevel prediction model of carbon efficiency based on the differential evolution algorithm for the iron ore sintering process | |
CN106777684B (zh) | 一种建立综合焦比预测模型和预测综合焦比的方法 | |
CN107368125B (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法 | |
CN110570019A (zh) | 一种基于宽度学习的烧结过程综合焦比时序预测方法 | |
CN103544273A (zh) | 利用模式识别技术对炉况整体状态进行评估的方法 | |
Zhang et al. | Multi-objective optimization and analysis model of sintering process based on BP neural network | |
CN111047103B (zh) | 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 | |
CN107506865A (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN110427715A (zh) | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 | |
Feng et al. | Endpoint temperature prediction of molten steel in RH using improved case-based reasoning | |
CN107203140B (zh) | 一种基于模糊综合的烧结生产过程性能评估方法 | |
CN112329269B (zh) | 一种基于工况识别的烧结点火温度建模预测方法 | |
Song et al. | Identifying characteristic changes in club convergence of China's urban pollution emission: A spatial-temporal feature analysis | |
CN111915080A (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
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 | |
CN111308894B (zh) | 一种烧结过程耦合配矿及控制过程的参数调节方法 | |
Yinping et al. | Optimization method of energy saving train operation for railway network | |
CN110245690A (zh) | 一种基于模糊聚类的高炉炉况识别方法与系统 | |
CN115186900A (zh) | 适用于多工况类别的动态高炉煤气产生量预测方法及系统 | |
CN109654897A (zh) | 一种提高碳效的烧结终点智能控制方法 | |
CN106834662B (zh) | 一种基于多工况烧结过程的co/co2比值预测方法 | |
Qiang et al. | The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM |
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: 20190222 |