CN110306008A - 一种用于精炼炉炼钢的分阶段在线监测方法 - Google Patents
一种用于精炼炉炼钢的分阶段在线监测方法 Download PDFInfo
- Publication number
- CN110306008A CN110306008A CN201910663490.6A CN201910663490A CN110306008A CN 110306008 A CN110306008 A CN 110306008A CN 201910663490 A CN201910663490 A CN 201910663490A CN 110306008 A CN110306008 A CN 110306008A
- Authority
- CN
- China
- Prior art keywords
- heating period
- stage
- signal
- refining furnace
- steel
- 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
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
- C21C7/04—Removing impurities by adding a treating agent
- C21C7/072—Treatment with gases
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
- C21C2300/00—Process aspects
- C21C2300/06—Modeling of the process, e.g. for control purposes; CII
-
- 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
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
本发明公开了一种精炼炉炼钢的分阶段在线监测方法,包括:对精炼炉中吹氩阶段的吹氩信号、第一加热阶段信号以及第二加热阶段信号进行监测,得到多个监测信号;将监测信号与正常的工作信号进行比较后分类,得到代表精炼炉运行状态的标识符;根据精炼炉运行状态标识符,确定精炼炉的运行情况;当监测状态标识符不存在时,则根据神经网络模型,给出针对所监测信号的运行类别,包括:将所监测得到的所述多个监测信号的编码层构建为神经网络模型,在神经网络中对所监测信号进行解析和输出;将输出结果输入到模糊控制器中,获得表示调节类别的输出向量群,将其作为调节答案输出。通过对精炼炉中各阶段的炼钢过程进行监测,保证精炼过程的顺利进行。
Description
技术领域
本发明涉涉及一种用于精炼炉炼钢的分阶段在线监测方法,属于金属材料领用。
背景技术
随着各行各业对钢材质量要求的不断提高,对钢的成份控制和清洁度要求愈来愈严格,再加上钢铁工业提高效率、降低消耗的需求,传统的炉内一步法冶炼己不能适应社会的发展的需求,在这一形式下,促成了炉外精炼技术的发展。炉外精炼之所以得以产生和发展,是由于炉外精炼是在可控气氛真空、惰性、还原性气氛下进行脱氧、脱硫、脱磷、去除夹杂和夹杂物变性处理、调整钢液温度等工艺过程,具有初炼炉无法比拟的优势,其冶金效果非常显著。由于炉外精炼技术的不断发展,世纪年代后期世界范围的炼钢方法发生了根本性的转变,即由单一设备完成初炼和精炼的一步炼钢转变为由传统炼钢设备对钢水迸行初炼后,再经专用设备进行精炼的二步炼钢。炉外精炼技术已成为开发品种、提高质量、降低消耗和提高效益的重要手段,并在炼钢领域得到广泛应用。近年来世界范围内,钢的精炼比日益提高,在各种炉外精炼设备中,具有多种功能、精炼效果明显、投资较少的精炼炉应用最广。精炼炉能够创造良好的还原气氛,因而能够出色地完成初炼炉末期还原精炼工艺过程,并在初炼炉和连铸之间起到承前启后的重要作用,炉外精炼在其初始发展阶段主要是和电炉匹配,生产特殊钢,随着技术的进步,炉外精炼冶炼特殊钢取得成功,并在生产中得到广泛的应用。
发明内容
本发明设计开发了一种用于精炼炉炼钢的分阶段在线监测方法,通过对精炼炉中各阶段的炼钢过程进行监测,并根据各阶段的监测信号进行调节,保证精炼过程的顺利进行。
本发明的另一发明目的,通过BP神经网络对精炼炉中各阶段进行监测并有针对性的进行调节,提高炼钢效率。
本发明的另一发明目的,通过模糊控制对调节类别进行输出,及时对炼钢条件进行调节,提高钢材质量和炼钢效率。
本发明提供的技术方案为:
一种用于精炼炉炼钢的分阶段在线监测方法,包括:
对精炼炉中吹氩阶段的吹氩信号、第一加热阶段信号以及第二加热阶段信号进行监测,得到多个监测信号;
将监测信号与正常的工作信号进行比较后分类,得到代表精炼炉运行状态的标识符;根据精炼炉运行状态标识符,确定精炼炉的运行情况;
当监测状态标识符不存在时,则根据神经网络模型,给出针对所监测信号的运行类别,包括:
将所监测得到的所述多个监测信号的编码层构建为神经网络模型,在神经网络中对所监测信号进行解析和输出;
将输出结果输入到模糊控制器中,获得表示调节类别的输出向量群,将其作为调节答案输出。
优选的是,所述吹氩信号包括氩气进入钢包内的流速信号,所述第一加热阶段信号包括:在第一加热阶段中加热电极埋入深度信号,所述第二加热阶段信号包括:第二加热阶段中加热电极埋入深度信号。
优选的是,所述神经网络为三层BP神经网络模型,所述神经网络具体监测过程包括:
步骤1、按照采样周期通过传感器,采集精炼炉内杆钢水体积V、氩气流速ω、渣层厚度S、第一加热阶段中加热电极埋入深度h1、第二加热阶段中加热电极埋入深度h2,并进行归一化,确定三层BP神经网络的输入层向量为 x={x1,x2,x3,x4,x5},其中,x1为钢水体积系数、x2为氩气流速系数、x3为渣层厚度系数,x4为第一加热阶段中电极埋入深度系数、x5为第二加热阶段中电极埋入深度系数;
步骤2、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤3、得到输出层向量o={o1,o2,o3};o1为第一加热阶段温度调节系数、 o2为第二加热阶段温度调节系数,o3为氩气流量调节系数。
优选的是,所述归一化公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数:V、ω、S、h1、 h2,j=1,2,3,4,5;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是,所述中间层点个数m满足:其中,n为输入层节点个数,p为输出层节点个数。
优选的是,所述第一加热阶段钢水温度的经验公式为:
其中,λ1为第一校正系数,Ti1为在第一加热阶段中钢水的测试温度,T0为钢水的初始温度,ρ1为钢水的密度,ρ2为渣层的密度,k为传热系数,m为钢水的质量。
优选的是,所述第二加热阶段钢水温度的经验公式为:
其中,λ2为第二校正系数,Ti2为在第二加热阶段中钢水的测试温度。
优选的是,所述模糊控制器工作过程包括:
将第一加热阶段温度调节系数与预设的第一加热阶段温度调节系数比较得到第一加热阶段温度调节偏差信号,将第二加热阶段温度调节系数与预设的第二加热阶段温度调节系数比较得到第二加热阶段温度调节偏差信号,将氩气流量调节系数与预设的氩气流量系数比较得到氩气流量调节偏差信号;
将所述第一加热阶段温度调节偏差信号经过微分计算得到第一加热阶段温度调节偏差变化率信号,将所述第二加热阶段温度调节偏差信号经过微分计算得到第二加热阶段温度调节偏差变化率信号,将所述氩气流量调节偏差信号经过微分计算得到氩气流量调节偏差变化率信号;
将所述第一加热阶段温度调节偏差变化率信号、所述第二加热阶段温度调节偏差变化率以及所述氩气流量调节偏差变化率信号共同放大后输入模糊控制器,输出调节等级。
本发明所述的有益效果:本方法能够在精炼炉钢铁冶炼过程中,对吹氩过程和加热过程分别进行监测和干预,在加热温度不达标时进行温度调整,氩气流量不充足时进行控制,使在精炼炉中加工的钢水能够充分进行冶炼,提高钢铁精炼的效率,缩短精炼时间,同时通过对调节类别进行输出,不仅能够提高钢铁精炼效率,还能够在出现过程中及时反馈,减少事故发生率。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种精炼炉炼钢的分阶段在线监测方法,通过通过对精炼炉中各阶段的炼钢过程进行监测,并根据各阶段的监测信号进行调节,保证精炼过程的顺利进行,具体包括如下:
对精炼炉中吹氩阶段的吹氩信号、第一加热阶段信号以及第二加热阶段信号进行监测,得到多个监测信号;
将监测信号与正常的工作信号进行比较后分类,得到代表精炼炉运行状态的标识符;根据精炼炉运行状态标识符,确定精炼炉的运行情况;
当监测状态标识符不存在时,则根据神经网络模型,给出针对所监测信号的运行类别,包括:
将所监测得到的所述多个监测信号的编码层构建为神经网络模型,在神经网络中对所监测信号进行解析和输出;
将输出结果输入到模糊控制器中,获得表示调节类别的输出向量群,将其作为调节答案输出。
其中,在本发明中,作为一种优选,选用三层BP神经网络作为神经网络模型,神经网络的具体建立和训练过程如下:
步骤1、建立BP神经网络模型;
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出。第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定。第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入层向量:x=(x1,x2,…,xn)T
中间层向量:y=(y1,y2,…,ym)T
输出层向量:z=(z1,z2,…,zp)T
本发明中,输入层节点数为n=5,输出层节点数为p=3,隐藏层节点数m 由下式估算得出:
输入层的5个参数分别表示为:x1为钢水体积系数、x2为氩气流速系数、 x3为渣层厚度系数,x4为第一加热阶段中电极埋入深度系数、x5为第二加热阶段中电极埋入深度系数;
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入人工神经网络之前,需要将数据归一化为0-1之间的数值。
归一化的公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数:V、ω、S、h1、 h2,j=1,2,3,4,5;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
具体而言,对于钢水的体积,进行归一化后,得到钢水体积系数x1;
其中,Vmin和Vmax分别为钢水体积的最小值和最大值;
具体而言,对于氩气的流速,进行归一化后得到氩气流速系数x2;
其中,ωmin和ωmax分别为氩气流速的最小值和最大值;
具体而言,对于渣层厚度,进行归一化后得到渣层厚度系数x3;
其中,Smin和Smax分别为渣层厚度的最小值和最大值;
具体而言,对于第一加热阶段中加热电极埋入深度,进行归一化后,得到第一加热阶段中加热电极埋入深度系数x4;
其中,h1min和h1max分别为第一加热阶段中加热电极埋入深度的最小值和最大值;
具体而言,对于第二加热阶段中加热电极埋入深度,进行归一化后,得到第二加热阶段中加热电机埋入深度系数x5;
其中,h2min和h2max分别为第二加热阶段中加热电极埋入深度的最小值和最大值;
输出层向量o={o1,o2,o3}的三个参数分别表示为:o1为第一加热阶段温度调节系数、o2为第二加热阶段温度调节系数,o3为氩气流量调节系数。
在另一实施例中,第一加热阶段钢水温度的经验公式为:
其中,λ1为第一校正系数,Ti1为在第一加热阶段中钢水的测试温度,T0为钢水的初始温度,ρ1为钢水的密度,ρ2为渣层的密度,k为传热系数,m为钢水的质量。
在另一实施例中,第二加热阶段钢水温度的经验公式为:
其中,λ2为第二校正系数,Ti2为在第二加热阶段中钢水的测试温度。
步骤2、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值,隐层节点j和输出层节点k之间的连接权值。
训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;各子网训练时的输入样本如表1所示:
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能,各子网训练后的输出样本如表2所示:
表2
步骤3、将得到的样本输出层向量输入到模糊控制器中,获得表示调节类别的向量群,具体如下:
将第一加热阶段温度调节系数o1与预设的第一加热阶段温度调节系数比较得到第一加热阶段温度调节偏差信号,将第二加热阶段温度调节系数o2与预设的第二加热阶段温度调节系数比较得到第二加热阶段温度调节偏差信号,将氩气流量调节系数o3与预设的氩气流量系数比较得到氩气流量调节偏差信号;
将第一加热阶段温度调节偏差信号经过微分计算得到第一加热阶段温度调节偏差变化率信号e1,将第二加热阶段温度调节偏差信号经过微分计算得到第二加热阶段温度调节偏差变化率信号e2,将氩气流量调节偏差信号经过微分计算得到氩气流量调节偏差变化率信号e3;
将第一加热阶段温度调节偏差变化率信号e1、第二加热阶段温度调节偏差变化率信号e2以及氩气流量调节偏差变化率信号e3共同放大后输入模糊控制器,输出调节等级I={I0,I1,I2,I3},I0为正常运行,I1为一级调节,I2为二级调节,I3为故障报警信号。
其中,e1、e2、e3的实际变化范围分别为[-1,1],[-1,1],[-1,1];离散论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6},I的离散论域为{0,1,2,3},
则e1、e2、e3对应的量化因子k1=6/1,k2=6/1,k3=6/1;
定义模糊子集及隶属函数:
把第一加热阶段温度调节偏差变化率信号分为7个模糊状态:PB(正大), PM(正中),PS(正小),ZR(零),NS(负小),NM(负中),NB(负大),结合经验得出空调调节变化率信号e1的隶属度函数表,如表3所示
表3
e<sub>1</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | +1 | +2 | +3 | +4 | +5 | +6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.8 | 1.0 |
PM | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.5 | 1.0 | 0.5 | 0.1 |
PS | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.4 | 1.0 | 0.8 | 0.7 | 0 | 0 |
ZR | 0 | 0 | 0 | 0 | 0.2 | 0.7 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 |
NB | 0 | 0 | 0.3 | 0.6 | 1.0 | 0.8 | 0.5 | 0 | 0 | 0 | 0 | 0 | 0 |
NM | 0.2 | 0.4 | 1.0 | 0.6 | 0.1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
NS | 1.0 | 0.6 | 0.4 | 0.2 | 0 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 | 0 |
把第二加热阶段温度调节偏差变化率信号e2分为7个模糊状态:PB(正大),PM(正中),PS(正小),ZR(零),NS(负小),NM(负中),NB(负大),结合经验得出送风机电压调节偏差变化率信号e2的隶属度函数表,如表 4所示:
表4
e<sub>2</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | +1 | +2 | +3 | +4 | +5 | +6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.4 | 0.6 | 1.0 |
PM | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.8 | 1.0 | 0.5 | 0.1 |
PS | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 1.0 | 0.8 | 0.7 | 0 | 0 |
ZR | 0 | 0 | 0 | 0 | 0.2 | 0.6 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 |
NB | 0 | 0 | 0.2 | 0.6 | 1.0 | 0.8 | 0.5 | 0 | 0 | 0 | 0 | 0 | 0 |
NM | 0.2 | 0.4 | 1.0 | 0.6 | 0.1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
NS | 1.0 | 0.6 | 0.4 | 0.2 | 0 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 | 0 |
把氩气流量调节偏差变化率信号e2分为3个模糊状态:PB(正大),ZR (零),NB(负大),结合经验得出氩气流量偏差变化率的隶属的函数表,如表5所示:
表5
e<sub>3</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | +1 | +2 | +3 | +4 | +5 | +6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.2 | 0.8 | 1.0 |
ZR | 0 | 0 | 0 | 0 | 0.2 | 0.8 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 |
NS | 1.0 | 0.7 | 0.6 | 0.2 | 0 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 | 0 |
模糊推理过程必须执行复杂的矩阵运算,计算量非常大,在线实施推理很难满足控制系统实时性的要求,本发明采用查表法进行模糊推理运算,模糊推理决策采用三输入单输出的方式通过经验可以总结出模糊控制器的初步控制规则,模糊控制器根据得出的模糊值对输出信号进行解模糊化,得到调节等级I,求模糊控制查询表,由于论域是离散的,模糊控制规则及可以表示为一个模糊矩阵,采用单点模糊化,得出I控制规则见表6。
表6
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (8)
1.一种用于精炼炉炼钢的分阶段在线监测方法,其特征在于,包括:
对精炼炉中吹氩阶段的吹氩信号、第一加热阶段信号以及第二加热阶段信号进行监测,得到多个监测信号;
将监测信号与正常的工作信号进行比较后分类,得到代表精炼炉运行状态的标识符;根据精炼炉运行状态标识符,确定精炼炉的运行情况;
当监测状态标识符不存在时,则根据神经网络模型,给出针对所监测信号的运行类别,包括:
将所监测得到的所述多个监测信号的编码层构建为神经网络模型,在神经网络中对所监测信号进行解析和输出;
将输出结果输入到模糊控制器中,获得表示调节类别的输出向量群,将其作为调节答案输出。
2.根据权利要求1所述的用于精炼炉炼钢的分阶段在线监测方法,其特征在于,所述吹氩信号包括氩气进入钢包内的流速信号,所述第一加热阶段信号包括:在第一加热阶段中加热电极埋入深度信号,所述第二加热阶段信号包括:第二加热阶段中加热电极埋入深度信号。
3.根据权利要求2所述的用于精炼炉炼钢的分阶段在线监测方法,其特征在于,所述神经网络为三层BP神经网络模型,所述神经网络具体监测过程包括:
步骤1、按照采样周期通过传感器,采集精炼炉内杆钢水体积V、氩气流速ω、渣层厚度S、第一加热阶段中加热电极埋入深度h1、第二加热阶段中加热电极埋入深度h2,并进行归一化,确定三层BP神经网络的输入层向量为x={x1,x2,x3,x4,x5},其中,x1为钢水体积系数、x2为氩气流速系数、x3为渣层厚度系数,x4为第一加热阶段中电极埋入深度系数、x5为第二加热阶段中电极埋入深度系数;
步骤2、所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤3、得到输出层向量o={o1,o2,o3};o1为第一加热阶段温度调节系数、o2为第二加热阶段温度调节系数,o3为氩气流量调节系数。
4.根据权利要求3所述的用于精炼炉炼钢的分阶段在线监测方法,其特征在于,所述归一化公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数:V、ω、S、h1、h2,j=1,2,3,4,5;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
5.根据权利要求4所述的用于精炼炉炼钢的分阶段在线监测方法,其特征在于,所述中间层点个数m满足:其中,n为输入层节点个数,p为输出层节点个数。
6.根据权利要求5所述的用于精炼炉炼钢的分阶段在线监测方法,其特征在于,所述第一加热阶段钢水温度的经验公式为:
其中,λ1为第一校正系数,Ti1为在第一加热阶段中钢水的测试温度,T0为钢水的初始温度,ρ1为钢水的密度,ρ2为渣层的密度,k为传热系数,m为钢水的质量。
7.根据权利要求6所述的用于精炼炉炼钢的分阶段在线监测方法,其特征在于,所述第二加热阶段钢水温度的经验公式为:
其中,λ2为第二校正系数,Ti2为在第二加热阶段中钢水的测试温度。
8.根据权利要求7所述的用于精炼炉炼钢的分阶段在线监测方法,其特征在于,所述模糊控制器工作过程包括:
将第一加热阶段温度调节系数与预设的第一加热阶段温度调节系数比较得到第一加热阶段温度调节偏差信号,将第二加热阶段温度调节系数与预设的第二加热阶段温度调节系数比较得到第二加热阶段温度调节偏差信号,将氩气流量调节系数与预设的氩气流量系数比较得到氩气流量调节偏差信号;
将所述第一加热阶段温度调节偏差信号经过微分计算得到第一加热阶段温度调节偏差变化率信号,将所述第二加热阶段温度调节偏差信号经过微分计算得到第二加热阶段温度调节偏差变化率信号,将所述氩气流量调节偏差信号经过微分计算得到氩气流量调节偏差变化率信号;
将所述第一加热阶段温度调节偏差变化率信号、所述第二加热阶段温度调节偏差变化率以及所述氩气流量调节偏差变化率信号共同放大后输入模糊控制器,输出调节等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663490.6A CN110306008A (zh) | 2019-07-23 | 2019-07-23 | 一种用于精炼炉炼钢的分阶段在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910663490.6A CN110306008A (zh) | 2019-07-23 | 2019-07-23 | 一种用于精炼炉炼钢的分阶段在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110306008A true CN110306008A (zh) | 2019-10-08 |
Family
ID=68081613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910663490.6A Pending CN110306008A (zh) | 2019-07-23 | 2019-07-23 | 一种用于精炼炉炼钢的分阶段在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110306008A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111020100A (zh) * | 2019-12-30 | 2020-04-17 | 中冶南方工程技术有限公司 | 一种双炉壳炼钢生产方法 |
CN114401295A (zh) * | 2022-01-24 | 2022-04-26 | 吉林建筑大学 | 一种基于物联网的建筑安全监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014209274A (ja) * | 2013-04-16 | 2014-11-06 | 株式会社神戸製鋼所 | 計算装置及び計算方法 |
CN104503243A (zh) * | 2014-12-26 | 2015-04-08 | 常州大学 | 基于Hammerstein-Wiener模型的钢包精炼炉电极调节系统的预测控制方法 |
CN107630122A (zh) * | 2016-07-18 | 2018-01-26 | 鞍钢股份有限公司 | 一种基于烟气分析的rh动态脱碳优化方法 |
CN109905487A (zh) * | 2019-03-20 | 2019-06-18 | 辽宁工业大学 | 一种基于云计算的智能健康管理系统及方法 |
CN109920082A (zh) * | 2019-03-11 | 2019-06-21 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
-
2019
- 2019-07-23 CN CN201910663490.6A patent/CN110306008A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014209274A (ja) * | 2013-04-16 | 2014-11-06 | 株式会社神戸製鋼所 | 計算装置及び計算方法 |
CN104503243A (zh) * | 2014-12-26 | 2015-04-08 | 常州大学 | 基于Hammerstein-Wiener模型的钢包精炼炉电极调节系统的预测控制方法 |
CN107630122A (zh) * | 2016-07-18 | 2018-01-26 | 鞍钢股份有限公司 | 一种基于烟气分析的rh动态脱碳优化方法 |
CN109920082A (zh) * | 2019-03-11 | 2019-06-21 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
CN109905487A (zh) * | 2019-03-20 | 2019-06-18 | 辽宁工业大学 | 一种基于云计算的智能健康管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
王亚君等: "基于LGS-MMDPCA的多操作间歇过程建模与监控", 《控制工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111020100A (zh) * | 2019-12-30 | 2020-04-17 | 中冶南方工程技术有限公司 | 一种双炉壳炼钢生产方法 |
CN114401295A (zh) * | 2022-01-24 | 2022-04-26 | 吉林建筑大学 | 一种基于物联网的建筑安全监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110306008A (zh) | 一种用于精炼炉炼钢的分阶段在线监测方法 | |
CN104630410B (zh) | 一种基于数据解析的转炉炼钢质量实时动态预测方法 | |
Das et al. | Process control strategies for a steel making furnace using ANN with bayesian regularization and ANFIS | |
Zhou et al. | Multivariable dynamic modeling for molten iron quality using online sequential random vector functional-link networks with self-feedback connections | |
Hancheng et al. | Fuzzy neural network modeling of material properties | |
CN109447346A (zh) | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 | |
CN107045289A (zh) | 一种电加热炉温度的非线性神经网络优化pid控制方法 | |
CN101881981A (zh) | 一种rh钢水温度、成分闭环控制系统 | |
CN109325417A (zh) | 一种基于深度神经网络的工业过程故障工况诊断方法 | |
CN110928187B (zh) | 一种基于模糊宽度自适应学习模型的污水处理过程故障监测方法 | |
CN110322007B (zh) | 一种建筑电气节能监控方法 | |
CN114510092B (zh) | 基于预测变论域模糊pid的过渡包内温度控制系统及方法 | |
CN102433428A (zh) | 一种加热炉板坯加热过程的炉温控制方法 | |
CN112634083A (zh) | 一种建筑节能监测方法 | |
CN111812968A (zh) | 基于模糊神经网络pid控制器的阀位串级控制方法 | |
CN112036081A (zh) | 基于收得率预测的转炉出钢硅锰合金加入量确定方法 | |
Qi et al. | Research on prediction of the processing parameters of liquid extrusion by BP network | |
CN115522012B (zh) | 一种大型转炉控制tsc阶段吹氧量的方法 | |
CN103406370A (zh) | 基于模糊双曲模型冷轧机工作辊乳化液分段冷却控制方法 | |
Li et al. | A direct adaptive controller for EAF electrode regulator system using neural networks | |
CN105652666B (zh) | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 | |
Liang et al. | A transfer predictive control method based on inter-domain mapping learning with application to industrial roasting process | |
CN106476425A (zh) | 基于膜算法的凹版印刷机套色控制方法 | |
Jia et al. | Cloud neural fuzzy PID hybrid integrated algorithm of flatness control | |
Cao et al. | Variable universe fuzzy expert system for aluminum electrolysis |
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: 20191008 |