CN110246547A - 一种烧结过程配矿优化方法 - Google Patents

一种烧结过程配矿优化方法 Download PDF

Info

Publication number
CN110246547A
CN110246547A CN201810185838.0A CN201810185838A CN110246547A CN 110246547 A CN110246547 A CN 110246547A CN 201810185838 A CN201810185838 A CN 201810185838A CN 110246547 A CN110246547 A CN 110246547A
Authority
CN
China
Prior art keywords
value
sintering
property
sinter
ore
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.)
Granted
Application number
CN201810185838.0A
Other languages
English (en)
Other versions
CN110246547B (zh
Inventor
唐学飞
高宪文
杨光
王明顺
刘富春
张鼎森
袁立斌
郝得智
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.)
Angang Group Mining Co Ltd
Original Assignee
Angang Group Mining Co Ltd
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 Angang Group Mining Co Ltd filed Critical Angang Group Mining Co Ltd
Priority to CN201810185838.0A priority Critical patent/CN110246547B/zh
Publication of CN110246547A publication Critical patent/CN110246547A/zh
Application granted granted Critical
Publication of CN110246547B publication Critical patent/CN110246547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明的目的是针对现有混合矿的配矿技术存在的不足，提供了一种烧结过程配矿优化方法，属于烧结过程配矿技术领域。本方法从烧结工作中收集历史数据；根据历史数据通过SVR算法拟合出混合矿理化指标与烧结矿性质之间的关系；通过专家经验和理论公式推导确定目标函数为烧结矿产品质量最优；根据现场实际需要确定约束条件；通过NSGAⅡ算法进行优化，计算出最合理的配矿方案。并建立烧结配矿数据库，实现模型的自适应功能。本发明将优化算法与专家经验相结合，在保证烧结矿质量的前提下，提高一级品率，节约资源，降低生产成本；同时改变了烧结配矿工作由人工计算完成的现状，提高了企业的工作效率。

Description

一种烧结过程配矿优化方法
技术领域
本发明属于烧结过程配矿技术领域，具体涉及一种基于模型参数自适应的烧结过程配矿优化方法。
背景技术
在烧结过程阶段，将各种原料(铁矿粉、辅料、燃料、返矿及含铁生产废料等)按一定比例配比得到符合要求的混合矿，混合矿经高温烧结生成烧结矿；混合矿的配比对烧结后的烧结矿的化学成分指标具有决定性的作用，对烧结矿的物理性质具有重要影响，而烧结矿的理化指标则影响了金属冶炼过程能否正常进行。
目前，对混合矿的配矿工作主要依赖人工专家经验，通过试凑法进行。并且，由于烧结过程对矿石理化指标的影响尚无法通过公式表达，本领域技术人员往往认为混合矿的性质即为烧结矿的性质，但是在实际生产中，混合矿的性质并不是烧结矿的性质，通常的这种错误假设对烧结矿质量影响较大，无法做到降低烧结成本、节约能源消耗。
发明内容
本发明的目的是为了解决现有混合矿的配矿技术主要依赖人工专家经验并且没有考虑混合矿的性质的问题，提供了一种烧结过程配矿优化方法。本发明通过建立烧结配矿历史方案数据库拟合出混合矿理化指标和烧结矿性质之间的函数关系，进而优化出烧结配矿方案。
一种烧结过程配矿优化方法，包括如下步骤：
步骤1：收集混合矿各项理化指标的历史数据，包括全铁品位、碱度、氧化钙值、二氧化硅值、氧化镁值；
步骤2：收集混合矿对应的烧结矿性质的历史数据，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；
步骤3：根据步骤1和2收集的历史数据建立烧结配矿历史方案数据库；
步骤4：将数据库中的样本通过支持向量回归算法拟合出混合矿理化指标和烧结矿性质之间的函数关系；
步骤5：以产品质量最优为目标建立优化模型，建立优化公式，通过带精英策略的非支配排序遗传算法(NSGA-Ⅱ)计算，并选取最优的一组解作为最终烧结配矿方案；
步骤6：将所述最终烧结配矿方案对应的混合矿各项理化指标和烧结矿性质录入所述烧结配矿历史方案数据库；
步骤7：重复步骤4至6，计算下一次最优烧结配矿方案。
进一步的，步骤4所述的拟合混合矿理化指标和烧结矿性质之间的函数关系的方法，具体步骤如下：
步骤4.1：对数据库中混合矿和烧结矿各项指标的数值进行标准化处理；
例如，所述标准化处理为归一化处理，处理公式如下：
Pi＝2(P-Pmin)/(Pmax-Pmin)-1
其中：Pi为处理后的数据，P为输入数据，Pmax为输入数据中的最大值，Pmin为输入数据中的最小值；
步骤4.2：对所有样本打乱顺序，随机排序，取一部分样本作为训练数据，剩余的样本作为测试数据；
步骤4.3：通过支持向量回归算法(SVR)对数据进行拟合，并对拟合结果进行测试后，得到所述的函数关系。
进一步的，所述步骤5计算出最优的一组解的方法，具体步骤如下：
步骤5.1：以产品质量最优为目标建立优化模型，即以烧结产品的一级品率最大化为第一目标，以产品合格品率与标准值之差最小为第二目标，建立优化公式；
优化公式为：
maxα
min|β-η|
其中：η为合格率的标准值，标准值为常数，根据现场实际情况设置；
步骤5.2：确定约束条件，包括待生产的烧结矿性质中的全铁品位、碱度、氧化钙值、二氧化硅值、氧化铁值、氧化镁值的上下限以及烧结矿总量；
步骤5.3：收集现场的各种材料(包括烧结原料、燃料、辅料)的种类和性质，所述性质包括全铁品位、烧损、氧化钙值、二氧化硅值、氧化镁值、最高使用量、最低使用量；
步骤5.4：构建各种材料的性质与混合矿性质之间的函数关系；
步骤5.5：根据步骤4所述混合矿理化指标和烧结矿性质之间的函数关系和各种材料的性质与混合矿性质之间的函数关系，将步骤5.2的各种材料性质参数带入步骤5.1所述的约束条件中；
步骤5.6：通过带精英策略的非支配排序遗传算法(NSGA-Ⅱ)计算，确定遗传代数，确保最后一代的每一组数据都符合所述的约束条件；
步骤5.7：在遗传的最后一代的所有组数据中，选取最优的一组解作为最终烧结配矿方案，即选取的各种材料的种类和用量。
进一步的，所述步骤5.7中，根据现场实际操作习惯，确定混合矿理化指标的特征值范围，并根据确定的特征值范围在最后一代样本中选择最优的一组解。
进一步的，所述步骤5.7中，使用TOPSIS决策方法对最后一代样本进行排序，将排在首位的一组解作为最优的一组解。
进一步的，所述步骤5.7中，根据现场实际情况对所述最优的一组解进行微调作为最终方案。
与现有技术相比，本发明的优势在于：
根据结合历史数据、生产现场调研及烧结配矿理论分析，混合矿的配比对烧结矿的化学成分指标具有决定性的作用，对烧结矿的物理性质具有重要影响。本发明基于烧结矿质量最优，同时考虑矿石的全铁品位、碱度、氧化钙值、二氧化硅值、氧化铁值、氧化镁值，从而节约能源，降低烧结成本。减少了人工干预，降低了因操作者业务能力等问题造成的配矿结果不理想的可能性。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是本发明实施例1的烧结过程配矿优化方法流程图。
具体实施方式
实施例1
下面结合图1，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。
本实施方式的烧结过程配矿优化方法，包括如下步骤：
步骤1：收集混合矿各项理化指标的历史数据，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)；混合矿历史数据见表1；
表1混合矿理化指标历史数据
步骤2：收集混合矿对应的烧结矿性质的历史数据，包括全铁品位、碱度、氧化铁值、二氧化硅值、氧化钙值、氧化镁值、一级品率、合格品率；烧结矿历史数据见表2；
表2烧结矿性质历史数据
步骤3：根据步骤1和2的历史数据建立烧结配矿历史方案数据库；
步骤4：利用数据库中的样本，通过支持向量回归算法拟合出混合矿各项理化指标和对应的烧结矿性质之间的函数关系；
具体步骤如下：
步骤4.1：对数据库中混合矿各项理化指标和烧结矿对应的性质的数值进行归一化处理；
归一化处理公式如下：
Pi＝2(P-Pmin)/(Pmax-Pmin)-1
其中：P为输入数据，Pmax为输入数据中的最大值，Pmin为输入数据中的最小值；
步骤4.2：对所有样本打乱顺序，随机排序；取前五分之四的样本作为训练数据，后五分之一作为测试数据；
步骤4.3：将训练数据通过支持向量回归算法(SVR)进行拟合，并对拟合结果进行测试，当测试误差小于0.1％时，认为训练结果满意，保存好这组函数关系；
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；
步骤5：以产品质量最优为目标建立优化模型，建立优化公式，通过带精英策略的非支配排序遗传算法(NSGA-Ⅱ)计算，并选取最优的一组解作为最终烧结配矿方案；
具体步骤如下：
步骤5.1：以烧结产品的一级品率最大化为第一目标，以产品合格品率与标准值之差最小为第二目标，建立优化公式；
优化公式为：
maxα
min|β-η|
其中：η为合格率的标准值，标准值为常数，根据现场实际情况设置；
步骤5.2：根据现场要求确定约束条件，包括待生产的烧结矿性质中的全铁品位、碱度、氧化钙值、二氧化硅值、氧化铁值、氧化镁值的上下限以及烧结矿总量；本实施例中的约束条件具体见表3；
表3、待生产烧结矿性质的约束条件表
步骤5.3：收集现场的各种材料(包括烧结原料、燃料、辅料)的种类和性质，所述性质包括全铁品位、烧损、氧化钙值、二氧化硅值、氧化镁值、最高使用量、最低使用量；本实施例中的各种材料性质具体见表4；
表4、材料性质表
步骤5.4：构建各种材料的性质与混合矿性质之间的函数关系；
其中：xi为每种材料参与配矿的质量；m为材料种类数；TFei为第i种材料的全铁品位；Roi为第i种材料的碱度；CaOi为第i种材料的氧化钙值；SiO2i为第i种材料的二氧化硅值；MgOi为第i种材料的氧化镁值；
步骤5.5：根据步骤4所述混合矿理化指标和烧结矿性质之间的函数关系和各种材料的性质与混合矿性质之间的函数关系，将步骤5.2的各种材料性质参数带入步骤5.1所述的约束条件中；
将混合矿性质代入，可得约束条件为：
其中：Ri为各种材料最高使用质量；M为烧结矿总质量；
并且，
步骤5.6：确定遗传代数，确保最后一代的每一组数据都符合所述的约束条件；
步骤5.7：在遗传的最后一代的所有组数据中，使用TOPSIS决策方法对最后一代样本进行排序，将排在首位的一组解作为最终烧结配矿方案，即选取的各种材料的种类和用量，并根据现场实际情况对所述最优的一组解进行微调作为最终方案，本实施例的最终方案见表5；
表5、优化方案数据表
步骤6：将所述最终烧结配矿方案对应的混合矿各项理化指标计算值(表6)和烧结矿性质实际检测值(表7)录入所述烧结配矿历史方案数据库；
表6、混合矿理化指标
表7、烧结矿性质
步骤7：重复步骤4至6，计算下一次最优烧结配矿方案。
本发明基于模型参数自适应的烧结过程配矿优化方法与现在人工配矿方法相比较具有以下的优点：保证烧结工序正常进行的同时提高了一级品率，能够节约能源，降低烧结成本。优化算法与专家经验相结合，快速准确的计算出优秀的烧结配比方案。建立烧结配矿数据库，实现优化模型的自动更新，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 (6)

1.一种烧结过程配矿优化方法，其特征在于，包括如下步骤：
步骤1：收集混合矿各项理化指标的历史数据，包括全铁品位、碱度、氧化钙值、二氧化硅值、氧化镁值；
步骤2：收集混合矿对应的烧结矿性质的历史数据，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；
步骤3：根据步骤1和2收集的历史数据建立烧结配矿历史方案数据库；
步骤4：将数据库中的样本通过支持向量回归算法拟合出混合矿理化指标和烧结矿性质之间的函数关系；
步骤5：以产品质量最优为目标建立优化模型，建立优化公式，通过带精英策略的非支配排序遗传算法计算，并选取最优的一组解作为最终烧结配矿方案；
步骤6：将所述最终烧结配矿方案对应的混合矿各项理化指标和烧结矿性质录入所述烧结配矿历史方案数据库；
步骤7：重复步骤4至6，计算下一次最优烧结配矿方案。
2.根据权利要求1所述的一种烧结过程配矿优化方法，其特征在于，步骤4所述的拟合混合矿理化指标和烧结矿性质之间的函数关系的方法，具体步骤如下：
步骤4.1：对数据库中混合矿和烧结矿各项指标的数值进行标准化处理；
步骤4.2：对所有样本打乱顺序，随机排序，取一部分样本作为训练数据，剩余的样本作为测试数据；
步骤4.3：通过支持向量回归算法对数据进行拟合，并对拟合结果进行测试后，得到所述的函数关系。
3.根据权利要求1所述的一种烧结过程配矿优化方法，其特征在于，所述步骤5计算出最优的一组解的方法，具体步骤如下：
步骤5.1：以产品质量最优为目标建立优化模型，即以烧结产品的一级品率最大化为第一目标，以产品合格品率与标准值之差最小为第二目标，建立优化公式；
优化公式为：
maxα
min|β-η|
其中：η为合格率的标准值，标准值为常数，根据现场实际情况设置；
步骤5.2：确定约束条件，包括待生产的烧结矿性质中的全铁品位、碱度、氧化钙值、二氧化硅值、氧化铁值、氧化镁值的上下限以及烧结矿总量；
步骤5.3：收集现场的各种材料的种类和性质，所述性质包括全铁品位、烧损、氧化钙值、二氧化硅值、氧化镁值、最高使用量、最低使用量；
步骤5.4：构建各种材料的性质与混合矿性质之间的函数关系；
步骤5.5：根据步骤4所述混合矿理化指标和烧结矿性质之间的函数关系和各种材料的性质与混合矿性质之间的函数关系，将步骤5.2的各种材料性质参数带入步骤5.1所述的约束条件中；
步骤5.6：通过带精英策略的非支配排序遗传算法计算，确定遗传代数，确保最后一代的每一组数据都符合所述的约束条件；
步骤5.7：在遗传的最后一代的所有组数据中，选取最优的一组解作为最终烧结配矿方案，即选取的各种材料的种类和用量。
4.根据权利要求3所述的一种烧结过程配矿优化方法，其特征在于，所述步骤5.7中，根据现场实际操作习惯，确定混合矿理化指标的特征值范围，并根据确定的特征值范围在最后一代样本中选择最优的一组解。
5.根据权利要求3所述的一种烧结过程配矿优化方法，其特征在于，所述步骤5.7中，使用TOPSIS决策方法对最后一代样本进行排序，将排在首位的一组解作为最优的一组解。
6.根据权利要求3所述的一种烧结过程配矿优化方法，其特征在于，所述步骤5.7中，根据现场实际情况对所述最优的一组解进行微调作为最终方案。
CN201810185838.0A 2018-03-07 2018-03-07 一种烧结过程配矿优化方法 Active CN110246547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810185838.0A CN110246547B (zh) 2018-03-07 2018-03-07 一种烧结过程配矿优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810185838.0A CN110246547B (zh) 2018-03-07 2018-03-07 一种烧结过程配矿优化方法

Publications (2)

Publication Number Publication Date
CN110246547A true CN110246547A (zh) 2019-09-17
CN110246547B CN110246547B (zh) 2023-08-11

Family

ID=67882447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810185838.0A Active CN110246547B (zh) 2018-03-07 2018-03-07 一种烧结过程配矿优化方法

Country Status (1)

Country Link
CN (1) CN110246547B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580259A (zh) * 2020-12-16 2021-03-30 天津水泥工业设计研究院有限公司 基于遗传算法的智能矿山自动配矿方法及系统
CN113160899A (zh) * 2020-12-31 2021-07-23 无锡东研信科科技研发有限公司 一种基于nsga-ii算法的烧结配料多目标优化方法
CN113626976A (zh) * 2021-06-21 2021-11-09 江苏省镔鑫钢铁集团有限公司 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备
CN115935720A (zh) * 2023-03-03 2023-04-07 凌霄(天津)工业互联网有限公司 一种基于大数据处理的配矿方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104846192A (zh) * 2015-05-18 2015-08-19 中南大学 一种计算铁矿石烧结最佳配加比例的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104846192A (zh) * 2015-05-18 2015-08-19 中南大学 一种计算铁矿石烧结最佳配加比例的方法

Non-Patent Citations (2)

* 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》 *
袁立宾等: "基于综合精矿回收率的配矿建模研究", 《有色矿冶》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580259A (zh) * 2020-12-16 2021-03-30 天津水泥工业设计研究院有限公司 基于遗传算法的智能矿山自动配矿方法及系统
CN112580259B (zh) * 2020-12-16 2022-05-13 天津水泥工业设计研究院有限公司 基于遗传算法的智能矿山自动配矿方法及系统
CN113160899A (zh) * 2020-12-31 2021-07-23 无锡东研信科科技研发有限公司 一种基于nsga-ii算法的烧结配料多目标优化方法
CN113626976A (zh) * 2021-06-21 2021-11-09 江苏省镔鑫钢铁集团有限公司 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备
CN115935720A (zh) * 2023-03-03 2023-04-07 凌霄(天津)工业互联网有限公司 一种基于大数据处理的配矿方法

Also Published As

Publication number Publication date
CN110246547B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN110246547A (zh) 一种烧结过程配矿优化方法
CN108469180A (zh) 基于大数据和机器学习的烧结终点预测系统的建立方法
CN104965532A (zh) 一种水泥生料配料控制系统及方法
WO2020199665A1 (zh) 一种多目标原油调合在线优化方法
CN105243437B (zh) 用于捣固炼焦的预测焦炭质量和优化配煤比的方法
CN111833970B (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
CN109847916A (zh) 一种水泥原料立磨系统的节能优化方法
CN106022496A (zh) 原料烧结的配料优化方法和系统
CN101423348B (zh) 水泥回转窑烧成工况综合识别方法
CN104680012A (zh) 一种烧结配料计算模型
CN113111577B (zh) 基于多目标布谷鸟搜索的水泥磨运行指标决策方法
CN106327004A (zh) 一种基于熟料质量指标的水泥烧成过程优化方法
CN115186996A (zh) 回转窑工艺参数控制方法、装置、电子设备及存储介质
CN109342279A (zh) 基于粉磨机理和神经网络的混合软测量方法
CN107942873A (zh) 一种家具制造生产线的运营成本智能化核算及监控方法
CN101598927B (zh) 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法
CN105740866A (zh) 一种具有仿反馈调节机制的回转窑烧成状态识别方法
CN110302888A (zh) 水泥磨机优化节能系统
CN111044482A (zh) 原油调配方法
CN112131527B (zh) 一种水泥厂石灰石矿山精细化配矿质控方法
CN116523075A (zh) 水泥熟料强度预测方法、装置、电子设备及存储介质
CN106919979A (zh) 一种利用改进遗传算法实现棉花加工过程智能控制的方法
CN112287283B (zh) 一种高炉运行状态评价方法、装置及存储介质
CN112183642A (zh) 一种基于随机森林模型的水泥烧成煤耗检测方法与系统
CN103632304A (zh) 一种印染行业污水处理调控方法

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
GR01 Patent grant
GR01 Patent grant