CN110070217A - 一种基于过程参数的烧结矿质量预测方法 - Google Patents
一种基于过程参数的烧结矿质量预测方法 Download PDFInfo
- Publication number
- CN110070217A CN110070217A CN201910288760.XA CN201910288760A CN110070217A CN 110070217 A CN110070217 A CN 110070217A CN 201910288760 A CN201910288760 A CN 201910288760A CN 110070217 A CN110070217 A CN 110070217A
- Authority
- CN
- China
- Prior art keywords
- parameter
- sinter quality
- sintering process
- value
- sinter
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000005245 sintering Methods 0.000 claims abstract description 95
- 230000008569 process Effects 0.000 claims abstract description 70
- 238000004519 manufacturing process Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000000654 additive Substances 0.000 claims description 18
- 230000000996 additive effect Effects 0.000 claims description 18
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 11
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 235000019738 Limestone Nutrition 0.000 claims description 5
- 239000000292 calcium oxide Substances 0.000 claims description 5
- 235000012255 calcium oxide Nutrition 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 5
- 239000010459 dolomite Substances 0.000 claims description 5
- 229910000514 dolomite Inorganic materials 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 5
- 238000010304 firing Methods 0.000 claims description 5
- 239000006028 limestone Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000000203 mixture Substances 0.000 description 8
- 239000000126 substance Substances 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010959 steel Substances 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明涉及一种基于过程参数的烧结矿质量预测方法。其技术方案是:确定烧结矿质量参数和烧结过程参数;建立烧结过程参数和烧结矿质量参数的历史生产数据样本库,进行[0,1]归一化处理;以归一化处理后的烧结过程参数作为输入变量,烧结矿质量参数作为输出变量,采用BP神经网络映射非线性函数,建立基于过程参数的烧结矿质量预测模型;将实时采集到的烧结过程参数作为输入变量输入烧结矿质量预测模型,输出变量即为预测得到的烧结矿质量参数。本发明能对烧结矿质量参数进行提前预测,具有预测精度高和泛化能力强的特点。
Description
技术领域
本发明属于烧结矿质量预测技术领域。尤其涉及一种基于过程参数的烧结矿质量预测方法。
背景技术
在我国,烧结矿约占高炉入炉原料的75%以上,是合理高炉炉料结构的主要组成部分,其质量的稳定与优化对整个炼铁流程的技术经济指标都有重要的影响。由于烧结矿原料来源广、品种多、成分复杂,且烧结过程是一个大时滞、非线性、强耦合的复杂动态系统,烧结矿质量的检测与工艺参数的调整存在较大的滞后,化验、检验数据与当前时刻的工艺参数并非完全一致,无法用于实时指导烧结生产。通过在配料配比制定过程中,对烧结矿质量参数进行准确的预测、及时调整原料配比和提高成品烧结矿质量具有重要意义。
“基于神经网络的烧结矿FeO预报系统”(CN101339177A)、“小样本贫信息下的烧结矿化学成分预测与智能控制系统”(CN202351625U)和“烧结矿转鼓强度预测方法”(CN103258310A)等专利技术,公开了不同信息样本条件下对烧结矿FeO和转鼓强度的预测方法,虽各有优点,但亦存在没有考虑到烧结过程参数的调整运行对烧结质量参数的影响,无法全面准确的预测烧结矿质量参数。
武汉科技大学李雪银(李雪银,成燕,张良力.基于工艺无线以太网的烧结矿成分监测系统[J].自动化与仪表,2016,(5):39-43.)在深入研究烧结生产工艺特点的基础上,对烧结原料、混合料和成品烧结矿3类大样品全物料进行非破坏性地在线测量,建立了以降低经济指标为目标的烧结配比优化模型和烧结矿化学成分预测模型,实时测量和分析烧结物料成分的变化,监控烧结矿关键化学指标全铁含量(TFe)与碱度(R)的稳定性。中南大学范晓慧(范晓慧,冯婧,陈许玲等.烧结矿化学成分预报模型与控制指导专家系统[J].矿冶工程,2011,31(4):77-80.)建立了用于预报烧结矿化学成分的灰色GM(1,1)模型、BP神经网络模型和灰色神经网络模型,采用提前预报与专家系统相结合的方式实现烧结矿化学成分的控制指导,可以有效解决烧结矿化学成分的控制问题。
从以上两篇文献可以看出,尽管神经网络有很强的非线性拟合能力,可以映射任意复杂的非线性关系,但存在易陷入局部无穷小和泛化性差等问题。而且,在烧结矿化学成分预测方面,有些没有考虑烧结过程参数对烧结矿质量的影响,有些考虑的过程参数比较单一,还有的没有考虑到烧结矿物理性能指标参数对其质量的影响,不能根据实际烧结工艺较全面的反映烧结过程参数优化调整对质量参数的影响。
发明内容
本发明旨在克服现有技术缺陷,目的在于提供一种预测精度高、泛化能力强的基于过程参数的烧结矿质量预测方法。
为实现上述目的,本发明采用的技术方案的步骤是:
S1、确定烧结过程参数:含铁原料配比;生石灰添加量;石灰石添加量;白云石添加量;配碳量;返矿添加量;加水率;布料速度;点火温度;点火时间;烧结负压;烧结机速;料层厚度;烧结终点位置;废气温度。
确定烧结矿质量参数为:TFe含量;FeO含量;碱度;转鼓强度。
S2、对所述15个烧结过程参数和4个烧结矿质量参数的近期生产数据进行采样,建立近期生产数据样本库;所述近期生产数据是指最近1年内的正常生产数据,生产数据的采集间隔为90min。再对所述近期生产数据进行[0,1]归一化处理,归一化处理后的烧结过程参数值x′ij和烧结矿质量参数y′ij分别为:
式(1)中:
x′ik表示近期生产数据样本库中第i个烧结过程参数第k个样本归一化处理后的值,y'jk表示近期生产数据样本库中第j个烧结矿质量参数第k个样本归一化处理后的值;
xik表示表示近期生产数据样本库中第i个烧结过程参数第k个样本的值;
yik表示表示近期生产数据样本库中第j个烧结过程参数第k个样本的值;
ximax表示表示近期生产数据样本库中第i个烧结过程参数的最大值;
yjmax表示表示近期生产数据样本库中第j个烧结过程参数的最大值;
ximin表示表示近期生产数据样本库中第i个烧结过程参数最小值;
yjmin表示表示近期生产数据样本库中第j个烧结过程参数最小值;
i表示近期生产样本数据库中烧结过程参数的序数,i为1,2,3,...,14,15;
j表示近期生产样本数据库中烧结质量参数的序数,j为1,2,3,4;
k表示近期生产数据样本库中样本的序数,k为1,2,3,...,n-1,n。
S3、以所述归一化处理后的烧结过程参数值x′ik和烧结矿质量参数值y'jk依次作为输入变量和输出变量,采用BP神经网络映射非线性函数,进行网络训练学习。再建立烧结矿质量预测模型。
先采用三层前馈神经网络,所述三层前馈神经网络含有一个输入层、一个隐含层和一个输出层,烧结矿质量预测模型结构为15-16-4。
再设置烧结矿质量预测模型参数:隐含层节点数;初始权值;初始阈值;学习速率;训练步数;激励函数。
然后利用归一化处理后的烧结过程参数值x′ik和烧结矿质量参数值y'jk进行训练,通过BP算法反向传播优化整个模型。
S4、对每班次的烧结过程参数和烧结矿质量参数的实时生产数据进行采集,将采集到的烧结过程参数作为输入变量输入烧结矿质量预测模型,烧结矿质量预测模型开始预测,输出变量即为烧结矿质量参数的预测值。如果烧结矿质量预测模型的输出变量误差大于均方误差函数的设定值0.65×10-2,BP神经网络需要重新进行训练学习,直至烧结矿质量预测模型的输出变量误差小于或等于均方误差函数的设定值0.65×10-2。
用烧结矿质量参数预测值和采集到的烧结矿质量参数实时生产数据的原始值拟合曲线,验证烧结矿质量预测模型的预测精度。
由于采用上述技术方案,本发明与现有技术相比具有以下有益效果:
(1)本发明通过对烧结过程的实验和研究,确定影响烧结矿质量的15个烧结过程参数和4个烧结矿质量参数,通过建立神经网络模型,能直接预测烧结矿TFe含量、FeO含量、碱度和转鼓强度四个质量参数,为烧结过程实时调节过程参数以提高烧结矿质量参数和及时调整烧结配料配比提供重要依据;
(2)本发明基于烧结过程参数的运转特点,采用变学习步长和变动量项系数相结合的算法来实现网络收敛,建立的烧结矿质量预测模型,有效保证预测模型的精确与合理;
(3)本发明基于烧结过程的历史生产数据,进行预测建模和仿真试验,对新鲜数据泛化能力强,能够在实际生产过程中广泛应用。
因此,本发明建立的带动量项和变学习速率的BP神经网络模型,能对烧结矿质量参数进行提前预测,具有预测精度高和泛化能力强的特点。
附图说明
图1为本发明的一种三层前馈神经网络结构拓扑图;
图2为本发明的一种烧结矿TFe含量拟合曲线图;
图3为本发明的一种烧结矿FeO含量拟合曲线图;
图4为本发明的一种烧结矿碱度值拟合曲线图;
图5为本发明的一种烧结矿转鼓强度值拟合曲线图;
具体实施方式
下面结合附图和实施例对本发明做进一步的说明,并非对本发明的保护范围限制。
实施例1
一种基于过程参数的烧结矿质量预测方法。本实施例所述烧结矿质量预测方法的步骤是:
S1、确定烧结过程参数:含铁原料配比;生石灰添加量;石灰石添加量;白云石添加量;配碳量;返矿添加量;加水率;布料速度;点火温度;点火时间;烧结负压;烧结机速;料层厚度;烧结终点位置;废气温度。
确定烧结矿质量参数为:TFe含量;FeO含量;碱度;转鼓强度。
S2、对所述15个烧结过程参数和4个烧结矿质量参数的近期生产数据进行采样,建立近期生产数据样本库。本实施例中,建立近期生产数据样本库的具体过程如下:获取国内某大型钢厂烧结车间近1年来的历史生产数据,生产数据的采集间隔为90min,采集TFe含量、FeO含量、碱度和转鼓强度4个烧结矿质量参数和含铁原料配比、生石灰添加量、石灰石添加量、白云石添加量、配碳量、返矿添加量、加水率、布料速度、点火温度、点火时间、烧结负压、烧结机速、料层厚度、烧结终点位置和废气温度15个烧结过程参数的历史数据。剔除因系统通讯错误或/和异常工况引起的异常数据,共得到2000组数据,部分数据如下表1所示。选取其中200组数据,其中前120组数据用于模型训练,其余80组数据用于测试样本。
表1部分烧结过程参数和烧结矿质量参数历史数据
同时为了避免采集的历史生产数据单位和数量级所不一致带来的误差,再对近期生产数据进行[0,1]归一化处理,归一化处理后的烧结过程参数值x′ij和烧结矿质量参数y′ij分别为:
式(1)中:
x′ik表示近期生产数据样本库中第i个烧结过程参数第k个样本归一化处理后的值,y'jk表示近期生产数据样本库中第j个烧结矿质量参数第k个样本归一化处理后的值;
xik表示表示近期生产数据样本库中第i个烧结过程参数第k个样本的值;
yik表示表示近期生产数据样本库中第j个烧结过程参数第k个样本的值;
ximax表示表示近期生产数据样本库中第i个烧结过程参数的最大值;
yjmax表示表示近期生产数据样本库中第j个烧结过程参数的最大值;
ximin表示表示近期生产数据样本库中第i个烧结过程参数最小值;
yjmin表示表示近期生产数据样本库中第j个烧结过程参数最小值;
i表示近期生产样本数据库中烧结过程参数的序数,i为1,2,3,...,14,15;
j表示近期生产样本数据库中烧结质量参数的序数,j为1,2,3,4;
k表示近期生产数据样本库中样本的序数,k为1,2,3,...,n-1,n。
S3、以所述归一化处理后的烧结过程参数值x′ik和烧结矿质量参数值y'jk依次作为输入变量和输出变量,采用BP神经网络映射非线性函数,进行网络训练学习,再建立烧结矿质量预测模型。
先采用如图1所示的三层前馈神经网络,图1为三层前馈神经网络结构拓扑图,从图1可以看出:三层前馈神经网络含有一个输入层、一个隐含层和一个输出层,烧结矿质量预测模型结构为15-16-4。
其次是设置BP网络模型参数,本模型使用MATLAB进行仿真实验,BP模型参数设计如下,选取如图1所示的含铁原料配比、生石灰添加量、石灰石添加量、白云石添加量、配碳量、返矿添加量、加水率、布料速度、点火温度、点火时间、烧结负压、烧结机速、料层厚度、烧结终点位置和废气温度15参数作为输入,选取如图1所示的TFe含量、FeO含量、碱度和转鼓强度4个参数作为输出,输入层节点数为4,输出层节点数为15。隐含层节点数a取值为16。
输入层激励函数和隐含层激励函数选用函数tansig:
式(2)中:n为上一层函数传递来的输出值。
输出层激励函数选用函数purelin:
purelin(y)=x (3)
式(3)中:x表示隐含层函数输出值,
y表示输出层函数输出值。
初始权值取值为0.7,初始阈值取值为1,初始学习速率取值为0.05,训练步数取值为25000,网络训练误差ε取值为0.65×10-2。
以上参数的取值是综合考虑预测精度和训练实际的结果选取的。
然后利用归一化处理后的烧结过程参数值x′ik和烧结矿质量参数值y'jk进行训练,通过BP算法反向传播优化整个模型。
S4、对每班次的烧结过程参数和烧结矿质量参数的实时生产数据进行采集,将采集到的烧结过程参数作为输入变量输入烧结矿质量预测模型,烧结矿质量预测模型开始预测,输出变量即为烧结矿质量参数的预测值。如果烧结矿质量预测模型的输出变量误差大于均方误差函数的设定值0.65×10-2,BP神经网络需要重新进行训练学习,直至烧结矿质量预测模型的输出变量误差小于或等于均方误差函数的设定值0.65×10-2。
用TFe含量、FeO含量、碱度和转鼓强度的烧结矿质量参数预测值和采集到的对应的烧结矿质量参数实时生产数据的原始值分别拟合曲线,依次得到如图2所示的一种烧结矿TFe含量拟合曲线图;图3所示的一种烧结矿FeO含量拟合曲线图;图4所示的一种烧结矿碱度值拟合曲线图;图5所示的一种烧结矿转鼓强度值拟合曲线图。从图2可以看出,烧结矿TFe含量拟合程度较好;从图3可以看出,烧结矿FeO含量拟合程度较好;从图4可以看出,烧结矿碱度拟合程度较好;从图5可以看出,烧结矿转鼓强度拟合程度较好;
预测结束后,分别计算四个烧结矿质量参数预测结果的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)的评价指标,验证烧结矿质量预测模型的预测精度。
平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为:
(1)平均绝对误差(MAE)
式(4)中:yt表示采集到的烧结矿质量参数的实时生产数据;表示烧结矿质量参数预测值。
平均绝对误差(MAE)是所有单个烧结矿质量参数的实时生产数据与单个烧结矿质量参数预测值的偏差的绝对值的平均,以避免误差相互抵消,因而能准确反映实际预测误差的大小。
(2)平均绝对百分比误差(MAPE)
式(5)中:ek表示相对误差。
平均绝对百分比误差(MAPE)反映的是模型的预测精度,其值越小说明预测精度越高。
本实施例中,各烧结质量参数预测结果的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)如表2:
表2各烧结质量参数预测结果的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)
质量参数 | TFe含量 | FeO含量 | 碱度 | 转鼓强度 |
MAE | 0.4649 | 0.3754 | 0.0335 | 0.4127 |
MAPE | 0.0088 | 0.0453 | 0.017 | 0.0052 |
从表2可以看出,本实施例提出的基于过程参数的烧结矿质量预测方法平均绝对误差较低,对TFe含量、FeO含量、碱度和转鼓强度的预测精度分别达到99.12%、95.47%、98.30%、99.38%,这表明基于过程参数的烧结矿质量预测模型预测结果的有效性,模型具有预测精度高、泛化能力强的特点。
本具体实施方式与现有技术相比具有以下有益效果:
(1)本具体实施方式通过对烧结过程的实验和研究,确定影响烧结矿质量的15个烧结过程参数和4个烧结矿质量参数,通过建立神经网络模型,能直接预测烧结矿TFe含量、FeO含量、碱度和转鼓强度四个质量参数,为烧结过程实时调节过程参数以提高烧结矿质量参数和及时调整烧结配料配比提供重要依据;
(2)本具体实施方式基于烧结过程参数的运转特点,采用变学习步长和变动量项系数相结合的算法来实现网络收敛,建立的烧结矿质量预测模型,有效保证预测模型的精确与合理;
(3)本具体实施方式基于烧结过程的历史生产数据,进行预测建模和仿真试验,对新鲜数据泛化能力强,能够在实际生产过程中广泛应用。
(4)本具体实施方式操作简单、方便、修改参数比较容易,适用于复杂恶劣的工业环境,降低操作工人的劳动强度,控制效果良好,能显著提高烧结工艺的产量及质量指标。
因此,本具体实施方式建立的带动量项和变学习速率的BP神经网络模型,能对烧结矿质量参数进行提前预测,具有预测精度高和泛化能力强的特点。
Claims (1)
1.一种基于过程参数的烧结矿质量预测方法,其特征在于所述烧结矿质量预测方法的步骤是:
S1、确定烧结过程参数:含铁原料配比,生石灰添加量,石灰石添加量,白云石添加量,配碳量,返矿添加量,加水率,布料速度,点火温度,点火时间,烧结负压,烧结机速,料层厚度,烧结终点位置,废气温度;
确定烧结矿质量参数为:TFe含量,FeO含量,碱度,转鼓强度;
S2、对所述15个烧结过程参数和4个烧结矿质量参数的近期生产数据进行采样,建立近期生产数据样本库;所述近期生产数据是指最近1年内的正常生产数据,生产数据的采集间隔为90min;再对所述近期生产数据进行[0,1]归一化处理,归一化处理后的烧结过程参数值x′ij和烧结矿质量参数y′ij分别为:
式(1)中:
x′ik表示近期生产数据样本库中第i个烧结过程参数第k个样本归一化处理后的值,y'jk表示近期生产数据样本库中第j个烧结矿质量参数第k个样本归一化处理后的值,
xik表示表示近期生产数据样本库中第i个烧结过程参数第k个样本的值,
yik表示表示近期生产数据样本库中第j个烧结过程参数第k个样本的值,
ximax表示表示近期生产数据样本库中第i个烧结过程参数的最大值,
yjmax表示表示近期生产数据样本库中第j个烧结过程参数的最大值,
ximin表示表示近期生产数据样本库中第i个烧结过程参数最小值,
yjmin表示表示近期生产数据样本库中第j个烧结过程参数最小值,
i表示近期生产样本数据库中烧结过程参数的序数,i为1,2,3,...,14,15,
j表示近期生产样本数据库中烧结质量参数的序数,j为1,2,3,4,
k表示近期生产数据样本库中样本的序数,k为1,2,3,...,n-1,n;
S3、以所述归一化处理后的烧结过程参数值x′ik和烧结矿质量参数值y'jk依次作为输入变量和输出变量,采用BP神经网络映射非线性函数,进行网络训练学习;再建立烧结矿质量预测模型:
先采用三层前馈神经网络,所述三层前馈神经网络含有一个输入层、一个隐含层和一个输出层,烧结矿质量预测模型结构为15-16-4;
再设置烧结矿质量预测模型参数:隐含层节点数,初始权值,初始阈值,学习速率,训练步数和激励函数;
然后利用归一化处理后的烧结过程参数值x′ik和烧结矿质量参数值y'jk进行训练,通过BP算法反向传播优化整个模型;
S4、对每班次的烧结过程参数和烧结矿质量参数的实时生产数据进行采集,将采集到的烧结过程参数作为输入变量输入烧结矿质量预测模型,烧结矿质量预测模型开始预测,输出变量即为烧结矿质量参数的预测值;如果烧结矿质量预测模型的输出变量误差大于均方误差函数的设定值0.65×10-2,BP神经网络需要重新进行训练学习,直至烧结矿质量预测模型的输出变量误差小于或等于均方误差函数的设定值0.65×10-2;
用烧结矿质量参数预测值和采集到的烧结矿质量参数实时生产数据的原始值拟合曲线,验证烧结矿质量预测模型的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910288760.XA CN110070217A (zh) | 2019-04-11 | 2019-04-11 | 一种基于过程参数的烧结矿质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910288760.XA CN110070217A (zh) | 2019-04-11 | 2019-04-11 | 一种基于过程参数的烧结矿质量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070217A true CN110070217A (zh) | 2019-07-30 |
Family
ID=67367462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910288760.XA Withdrawn CN110070217A (zh) | 2019-04-11 | 2019-04-11 | 一种基于过程参数的烧结矿质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070217A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673556A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种用于胀管过程的质量管控方法及系统 |
CN111103420A (zh) * | 2019-11-20 | 2020-05-05 | 华东理工大学 | 一种原料不确定下的酚醛树脂产品质量预测方法 |
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 |
CN112149342A (zh) * | 2020-08-21 | 2020-12-29 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
CN112149810A (zh) * | 2020-11-02 | 2020-12-29 | 常州微亿智造科技有限公司 | 基于深度学习金属注射成型烧结产品质量预测迁移方法 |
CN112941307A (zh) * | 2021-01-28 | 2021-06-11 | 山西太钢不锈钢股份有限公司 | 一种稳定烧结过程的控制方法 |
CN113095561A (zh) * | 2021-04-06 | 2021-07-09 | 上海交通大学 | 一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法 |
CN114067926A (zh) * | 2021-11-29 | 2022-02-18 | 武汉钢铁有限公司 | 一种烧结台车各料层烧结矿的转鼓强度预测方法 |
CN114512197A (zh) * | 2022-04-20 | 2022-05-17 | 华北理工大学 | 一种基于配矿技术下预测烧结矿转鼓指数的方法 |
CN114880936A (zh) * | 2022-05-06 | 2022-08-09 | 北京智冶互联科技有限公司 | 预测FeO含量方法、模型训练方法、装置、电子设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108388762A (zh) * | 2018-03-07 | 2018-08-10 | 武汉科技大学 | 基于深度置信网络的烧结矿化学成分预测方法 |
CN108549791A (zh) * | 2018-04-28 | 2018-09-18 | 东北大学 | 一种基于模型参数自适应的烧结矿性质预测方法 |
-
2019
- 2019-04-11 CN CN201910288760.XA patent/CN110070217A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108388762A (zh) * | 2018-03-07 | 2018-08-10 | 武汉科技大学 | 基于深度置信网络的烧结矿化学成分预测方法 |
CN108549791A (zh) * | 2018-04-28 | 2018-09-18 | 东北大学 | 一种基于模型参数自适应的烧结矿性质预测方法 |
Non-Patent Citations (2)
Title |
---|
刘俊杰 等: "基于BP神经网络的烧结过程预报模型", 《冶金动力》 * |
易正明,邵慧君: "基于过程参数控制的烧结矿质量预测模型", 《矿冶工程》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673556A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种用于胀管过程的质量管控方法及系统 |
CN111103420B (zh) * | 2019-11-20 | 2022-05-10 | 华东理工大学 | 一种原料不确定下的酚醛树脂产品质量预测方法 |
CN111103420A (zh) * | 2019-11-20 | 2020-05-05 | 华东理工大学 | 一种原料不确定下的酚醛树脂产品质量预测方法 |
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 |
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 |
CN112149342A (zh) * | 2020-08-21 | 2020-12-29 | 杭州玖欣物联科技有限公司 | 一种优化水泥生料质量的模型方法 |
CN112149810A (zh) * | 2020-11-02 | 2020-12-29 | 常州微亿智造科技有限公司 | 基于深度学习金属注射成型烧结产品质量预测迁移方法 |
CN112941307A (zh) * | 2021-01-28 | 2021-06-11 | 山西太钢不锈钢股份有限公司 | 一种稳定烧结过程的控制方法 |
CN113095561A (zh) * | 2021-04-06 | 2021-07-09 | 上海交通大学 | 一种多源信息和长短时记忆网络的烧结矿FeO含量预测方法 |
CN114067926A (zh) * | 2021-11-29 | 2022-02-18 | 武汉钢铁有限公司 | 一种烧结台车各料层烧结矿的转鼓强度预测方法 |
CN114512197A (zh) * | 2022-04-20 | 2022-05-17 | 华北理工大学 | 一种基于配矿技术下预测烧结矿转鼓指数的方法 |
CN114880936A (zh) * | 2022-05-06 | 2022-08-09 | 北京智冶互联科技有限公司 | 预测FeO含量方法、模型训练方法、装置、电子设备及介质 |
CN114880936B (zh) * | 2022-05-06 | 2023-01-06 | 北京智冶互联科技有限公司 | 预测FeO含量方法、模型训练方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070217A (zh) | 一种基于过程参数的烧结矿质量预测方法 | |
CN106802977B (zh) | 一种用于烧结矿性能指标预测及综合质量评价方法 | |
AU2010249160B2 (en) | On-line optimization of induration of wet iron ore pellets on a moving grate | |
CN101661026B (zh) | 一种预测焦炭机械强度和热性质的方法 | |
CN108388762A (zh) | 基于深度置信网络的烧结矿化学成分预测方法 | |
CN106355272B (zh) | 一种烧结智能数据寻优方法 | |
CN106777684B (zh) | 一种建立综合焦比预测模型和预测综合焦比的方法 | |
Martín et al. | Hot metal temperature prediction in blast furnace using advanced model based on fuzzy logic tools | |
CN110514619A (zh) | 基于有偏估计的近红外定量分析模型构建方法 | |
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 | |
CN104680012A (zh) | 一种烧结配料计算模型 | |
CN101109950A (zh) | 高炉生产过程控制信息智能化系统 | |
CN110533082B (zh) | 一种基于双模型协同预测的烧结混合加水控制方法 | |
CN103439889B (zh) | 基于排放烟气分析的烧结终点预测方法 | |
CN104536396A (zh) | 一种水泥生料在分解炉内分解过程的软测量建模方法 | |
CN106327004A (zh) | 一种基于熟料质量指标的水泥烧成过程优化方法 | |
CN106636616A (zh) | 一种基于风箱废气温度的烧结矿成品率预测方法 | |
CN106228011B (zh) | 焦炭质量稳定性的评价方法 | |
Cardoso et al. | Artificial neural networks for modelling and controlling the variables of a blast furnace | |
CN102156405B (zh) | 小样本贫信息下的烧结矿化学成分预测与智能控制系统 | |
CN114842918B (zh) | 一种基于机器学习的烧结混合料自动加水方法 | |
CN104656436B (zh) | 一种分解炉出口温度建模方法 | |
CN108446799A (zh) | 基于Elman神经网络的余压透平装置发电功率预测方法 | |
CN109654897A (zh) | 一种提高碳效的烧结终点智能控制方法 | |
CN103885335A (zh) | 一种基于烧结过程决策支持系统的决策方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190730 |
|
WW01 | Invention patent application withdrawn after publication |