CN110791646A - 烧结冷却器设备的出矿温度预测装置 - Google Patents

烧结冷却器设备的出矿温度预测装置 Download PDF

Info

Publication number
CN110791646A
CN110791646A CN201811201791.9A CN201811201791A CN110791646A CN 110791646 A CN110791646 A CN 110791646A CN 201811201791 A CN201811201791 A CN 201811201791A CN 110791646 A CN110791646 A CN 110791646A
Authority
CN
China
Prior art keywords
ore
temperature
node
predicted
error
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
CN201811201791.9A
Other languages
English (en)
Other versions
CN110791646B (zh
Inventor
上野聪
北乡和寿
尾坂侑香
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.)
Toshiba Mitsubishi Electric Industrial Systems Corp
Original Assignee
Toshiba Mitsubishi Electric Industrial Systems Corp
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 Toshiba Mitsubishi Electric Industrial Systems Corp filed Critical Toshiba Mitsubishi Electric Industrial Systems Corp
Publication of CN110791646A publication Critical patent/CN110791646A/zh
Application granted granted Critical
Publication of CN110791646B publication Critical patent/CN110791646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • C22B1/26—Cooling of roasted, sintered, or agglomerated ores
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Organic Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Development Economics (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Quality & Reliability (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacture And Refinement Of Metals (AREA)
  • Furnace Details (AREA)

Abstract

一种烧结冷却器设备的出矿温度预测装置，减小与冷却器转速同步的周期性的温度预测误差，提高出矿温度的预测精度。出矿温度预测装置具备：预测出矿温度计算部将容纳容器内用同容积的节点虚拟地划分，每当容纳容器旋转1个节点的量，基于输入数据的实际数据计算位于各节点的烧结矿的当前温度，进而，基于预测出的输入数据的未来的时间的变化计算假定位于各节点的烧结矿移动到出矿口时的预测出矿温度。误差学习计算部基于作为同一节点的实际出矿温度与预测出矿温度的差的温度预测误差，更新关于与容纳容器的旋转同步的周期性的温度预测误差的误差学习参数。误差学习值修正部使用误差学习参数修正预测出矿温度计算部计算出的各节点的预测出矿温度。

Description

烧结冷却器设备的出矿温度预测装置
技术领域
本发明涉及烧结冷却器设备的出矿温度预测装置。特别涉及在烧结冷却器设备的冷却工序控制中、为了决定适当的风量而使用的出矿温度预测装置。
背景技术
参照图1对包括冷却器设备的烧结生产线进行说明。图1是烧结生产线的设备结构图。对于烧结设备2，投入将焦炭与铁矿石配合的原料。烧结设备2用点火装置对该原料点燃，通过送入空气而促进燃烧，生成被烧固的烧结矿2a。温度计2c计测后级风箱的空气温度。冷却器设备1具备容纳容器1c以及送风装置1b，上述容纳容器1c被供矿由烧结设备2烧固的高温的烧结矿2a；上述送风装置1b向被供矿到容纳容器1c内的烧结矿1a供给冷却用空气。被供矿的烧结矿1a在被冷却器设备1冷却到希望的温度后，被从下部的出矿口出矿。出矿温度由放射温度计3a计测。出矿后的烧结矿被带式输送机3向高炉等的下游设备输送。
冷却器设备1中的烧结矿1a的温度下降量由容纳容器1c内的滞留时间和从送风装置1b送入的风量决定。容纳容器1c内的滞留时间由储存在容纳容器1c内的烧结矿的高度(水平)和容纳容器1c的旋转速度决定。此外，容纳容器1c的旋转速度由下游设备的生产量决定。另一方面，被向容纳容器1c内送入的冷却风的风量通过将调节风门开度或送风装置1b的马达转速变更来调整。
关于这样的烧结生产线的冷却器设备的风量控制，有专利文献1中公开的方案。在专利文献1中，基于表示向冷却器的供矿温度的烧结设备的后级风箱的空气温度、和表示从供矿到出矿的冷却器滞留时间的容纳容器内的烧结矿高度及冷却器旋转速度等的实际数据，调整向容纳容器内送入的风量。除此以外，通过利用设置在冷却器设备的出矿口附近的温度计的输出的反馈控制来微调风量。但是，烧结矿从供矿到出矿需要2小时左右的时间被冷却，该期间的由送风装置的转速及调节风门开度带来的风量变化作用于容纳容器内的全部烧结矿。因此，如专利文献1那样仅基于特定的定时的计测值调整的风量，并不一定为对于容纳容器内的全部烧结矿有效的风量。
现有技术文献
专利文献
专利文献1：日本特开平11－236629号公报
为了实现更适当的风量控制，希望更严密地掌握容纳容器内的烧结矿的温度分布。为此，可以考虑将容纳容器内用同容积的节点虚拟地划分，使用温度模型对位于各节点的烧结矿分别计算预测出矿温度，基于预测出矿温度来决定风量。
但是，关于用该方法计算出的预测出矿温度，也时常发生原因不明的温度预测误差。特别是，在沿周向旋转的冷却器设备的特性上，发生与冷却器的转速同步的周期性的温度预测误差。根据本申请的发明者的认识，考虑到这样的特征的温度预测误差缘自起因于容纳容器的设备的劣化等的冷却风泄漏的差异(在上述的温度模型中设为没有冷却风泄漏而计算，但在实际的冷却器设备中存在冷却风泄漏)。
为了决定适合于将冷却器设备的出矿温度控制为希望的温度的风量，精度良好地预测容纳容器内的烧结矿的温度分布及出矿温度是重要的。但是，在以往方法中，总是精度良好地预测出矿温度是困难的。
发明内容
本发明是为了解决上述那样的课题而做出的，目的是提供一种能够减小与冷却器转速同步的周期性的温度预测误差、使出矿温度的预测精度提高的烧结冷却器设备的出矿温度预测装置。
有关本发明的实施方式的烧结冷却器设备的出矿温度预测装置，为了达到上述目的而如以下这样构成。
烧结冷却器设备具备：容纳容器，具有被供给由上游的烧结设备加热后的烧结矿的供矿口及向下游的装置排出烧结矿的出矿口，该容纳容器沿周向旋转；送风装置，向容纳容器供给冷却用空气；以及出矿机，随着容纳容器的旋转而将烧结矿从上述出矿口拨出。
烧结冷却器设备的风量控制装置具备输入数据收集部、输入数据变化预测部、预测出矿温度计算部、评价出矿温度计算部和风量计算部。
输入数据收集部对包括关于容纳容器内的烧结矿的数据和关于送风装置的风量的数据在内的输入数据收集实际数据。“关于容纳容器内的烧结矿的数据”例如包括容纳容器内的烧结矿的高度、容纳容器的冷却器旋转速度、向容纳容器供给的烧结矿的供矿温度相关值。供矿温度相关值除了向容纳容器供给的烧结矿的供矿温度以外，也可以是烧结设备的后级风箱的排气温度等与供矿温度相关的值。此外，“关于送风装置的风量的数据”除了送风装置的风量以外，也可以是将送风装置驱动的驱动机的马达旋转速度。
输入数据变化预测部预测输入数据的未来的时间的变化。
预测出矿温度计算部将容纳容器内用同容积的节点虚拟地划分，每当容纳容器旋转1个节点的量，就基于由输入数据收集部收集到的实际数据，计算位于各节点的烧结矿的当前温度。进而，预测出矿温度计算部基于由输入数据变化预测部预测出的输入数据的未来的时间的变化，计算假定位于各节点的烧结矿移动到出矿口的情况下的预测出矿温度。
输出数据收集部收集被从出矿口拨出的烧结矿的实际出矿温度。
误差学习计算部基于作为同一节点的实际出矿温度与预测出矿温度的差的温度预测误差，将关于与容纳容器的旋转同步的周期性的温度预测误差的误差学习参数更新。
误差学习值修正部使用误差学习参数，将预测出矿温度计算部计算出的各节点的预测出矿温度修正。
在1个形态中，误差学习参数是按照每容纳容器的圆周方向的节点区划(节点划分、节点划区)而存储的误差学习值。误差学习计算部每当容纳容器旋转1个节点的量，就基于温度预测误差，将与位于出矿口的节点区划对应的误差学习值更新。误差学习值修正部将预测出矿温度计算部计算出的各节点的预测出矿温度用圆周方向的节点区划一致的误差学习值修正。
由此，按照每容纳容器的圆周方向的节点区划来准备用于存储误差学习值的独立的存储区域，能够每当出矿时将位于出矿口的节点区划的误差学习值更新。由此，能够学习与冷却器的旋转同步的周期性的温度预测误差(误差学习值)。通过将在学习后由预测出矿温度计算部计算的各节点的预测出矿温度用圆周方向的节点区划一致的误差学习值修正，能够降低与冷却器的旋转同步的周期性的温度预测误差，能够使出矿温度的预测精度提高。
在另一形态中，误差学习参数是由循环神经网络的输出层计算的误差学习值。误差学习计算部在教师信号中使用当前的温度预测误差和过去的温度预测误差的时间序列数据，将循环神经网络的权重参数更新。例如，误差学习计算部给出当前的温度预测误差作为输出层的教师信号，给出过去的温度预测误差的时间序列数据作为输入层的教师信号，使用反向传播将权重参数更新，从而学习循环神经网络。此外，误差学习值修正部将预测出矿温度计算部计算出的各节点的预测出矿温度用由学习后的上述循环神经网络预测的位于各节点的烧结矿的出矿定时的误差学习值修正。
由此，循环神经网络能够对温度预测误差的时间序列变化进行学习。由此，能够学习与冷却器的旋转同步的周期性的温度预测误差(误差学习值)。通过在学习后将由预测出矿温度计算部计算出的各节点的预测出矿温度用由学习后的循环神经网络预测出的位于各节点的烧结矿的出矿定时的误差学习值修正，能够降低与冷却器的旋转同步的周期性的温度预测误差，能够使出矿温度的预测精度提高。
发明的效果
根据如以上那样构成的有关本发明的烧结冷却器设备的出矿温度预测装置，能够减小与冷却器的旋转同步的周期性的温度预测误差、使出矿温度的预测精度提高。
附图说明
图1是烧结生产线的设备结构图。
图2是烧结冷却器设备的概要图。
图3是用来说明被供矿的烧结矿到出矿为止的流程的图。
图4是表示冷却器设备的容纳容器的节点区划的一例的图。
图5是用来对管理容纳容器内的烧结矿的温度信息的方法进行说明的图。
图6是出矿温度预测装置的框图。
图7是对用于计算各节点的总损失热量的温度模型进行说明的图。
图8是对使用差分方程式的节点温度的计算进行说明的图。
图9是对有关本发明的实施方式1的误差学习的方法进行说明的图。
图10是表示出矿温度预测装置具有的处理电路的硬件结构例的概念图。
图11是对有关本发明的实施方式2的误差学习的方法进行说明的图。
附图标号说明
1冷却器设备；1a烧结矿(容纳容器内)；1b送风装置；1c容纳容器；1d出矿机；2烧结设备；2a烧结矿(烧结设备)；2c温度计；3带式输送机；3a放射温度计；4出矿温度预测装置；4a输入数据收集部；4b输入数据变化预测部；4c预测出矿温度计算部；4d输出数据收集部；4e误差学习计算部；4f误差学习值修正部；91处理器；92存储器；93硬件。
具体实施方式
以下，参照附图对本发明的实施方式详细地进行说明。另外，对于在各图中共通的要素赋予相同的标号而省略重复的说明。
实施方式1
(冷却器设备的结构)
有关本发明的实施方式1的系统中的烧结生产线的基本结构与上述图1是同样的。冷却器设备1(烧结冷却器设备)是将由烧结设备2烧固的高温的烧结矿冷却、向用来向下游设备输送的带式输送机3送出的设备。参照图2对图1所示的冷却器设备1的结构进行说明。冷却器设备1具备送风装置1b、容纳容器1c、出矿机1d。
送风装置1b经由设置在图2的纵剖视图所示的圆筒状的容纳容器1c的内侧的送风管道向容纳容器1c供给冷却用空气。容纳容器1c内的烧结矿通过从送风装置1b送入的冷却用空气以带式输送机3(图1)的耐热温度为目标而被冷却。
容纳容器1c如图2的平面图所示那样沿周向旋转。容纳容器1c的上部开口，作为被供给由上游的烧结设备2加热后的烧结矿的供矿口发挥功能。容纳容器1c的侧面下部一部分开口，作为将烧结矿向下游的装置(带式输送机3等)排出的出矿口发挥功能。
出矿机1d被插入到容纳容器1c的出矿口中，随着容纳容器1c的旋转，将冷却后的烧结矿从出矿口拨出。
此外，冷却器设备1(容纳容器1c)能够通过调整冷却器旋转速度来调整出矿量，保持冷却器内高度面(容纳容器1c内的烧结矿的高度)。
接着，参照图3，对被供矿的烧结矿到出矿为止的流程进行说明。将由烧结设备2加热后的烧结矿从容纳容器1c的上部投入(图3中(A))。被供矿后的烧结矿1a与容纳容器1c一起沿周向移动。此外，随着容纳容器1c的周向的旋转，先被供矿的烧结矿被出矿机1d依次拨出，并且烧结矿1a向容纳容器1c的下方逐渐移动(图3中(B))。并且，烧结矿1a在达到容纳容器1c的下部时，通过被出矿机1d拨出而被出矿(图3中(C))。通过放射温度计3a(图1)计测烧结矿1a的实际出矿温度。
在作业上，只要没有因材料的欠缺或维护带来的休止，就将烧结矿依次供矿并出矿。在此期间中，冷却器设备1根据从下游侧的出矿量限制或冷却器内水平控制而使冷却器旋转速度变化。因而，从烧结矿的供矿到出矿的时间并不一定。
在本实施方式中，对容纳容器1c内的烧结矿的位置、温度分布和温度履历(冷却履历)进行管理。将烧结矿的位置及温度以将容纳容器1c内在圆周方向和高度方向上虚拟地划分的同容积的节点单位来管理。将各节点内包含的烧结矿作为烧结矿群，管理烧结矿群的位置和温度。
图4是表示容纳容器1c的节点区划的一例的图。容纳容器1c内被用同容积的节点虚拟地划分。在图4的例子中，将容纳容器1c在圆周方向上划分为12份，在高度方向上划分为n份。将容纳容器1c沿圆周方向旋转1节点的量(1份)称作1次轨迹移动。
图5是对管理冷却器设备1内的烧结矿的温度信息的方法进行说明的图。在图5中，使用旋转方向j和高度方向i的符号，指示各节点的位置。节点的位置是指从容纳容器1c的外部观测的情况下的位置，位于节点[i][j]处的烧结矿在1次轨迹移动后移动到节点[i][j+1]。关于各节点[i][j]，记录计算出的当前温度TP[i][j]、和假定该节点的烧结矿(烧结矿群)移动到出矿口的情况下的预测温度、即预测出矿温度To[i][j]。
(出矿温度预测装置)
图6是出矿温度预测装置的框图。按每1次轨迹移动，执行出矿温度预测装置4的输入数据收集部4a、输入数据变化预测部4b、预测出矿温度计算部4c、输出数据收集部4d、误差学习计算部4e、误差学习值修正部4f中的各处理。
输入数据收集部4a对于包括有关容纳容器1c内的烧结矿的数据和有关送风装置1b的风量的数据在内的输入数据收集实际数据(当前值)。“有关容纳容器1c内的烧结矿的数据”例如包括容纳容器1c内的烧结矿的高度、容纳容器1c的冷却器旋转速度、向容纳容器1c供给的烧结矿的供矿温度相关值。供矿温度相关值除了向容纳容器1c供给的烧结矿的供矿温度以外，也可以是烧结设备2的后级风箱的空气温度等与供矿温度相关的值。此外，“有关送风装置的风量的数据”除了送风装置1b的风量以外，也可以是将送风装置1b驱动的驱动机的马达旋转速度。收集的实际数据是按容纳容器1c每前进1个轨迹、将在此期间中采样的值平均化的值。
输入数据变化预测部4b基于由输入数据收集部4a收集到的实际数据，预测上述输入数据的未来的时间的变化。具体而言，预测当前储存在容纳容器1c内的全部的烧结矿直到被出矿为止的输入数据的变化。例如，有通过假定持续各个实际数据的当前值而预测的方法。此外，通过使用上游的烧结设备2(图1)的作业状况及下游设备(图示省略)的作业状况的数据进行修正，能够提高到出矿为止的变化的预测精度。
预测出矿温度计算部4c基于由输入数据变化预测部4b预测的工序的变化预测，计算容纳容器1c内的全部的烧结矿的预测出矿温度。
预测出矿温度计算部4c将容纳容器1c内用同容积的节点虚拟地划分，每当容纳容器1c旋转1节点的量，就基于由输入数据收集部4a收集到的实际数据，计算位于各节点的烧结矿的当前温度。进而，预测出矿温度计算部4c基于由输入数据变化预测部4b预测出的输入数据的未来的时间的变化，计算假定位于各节点的烧结矿移动到出矿口的情况下的预测出矿温度。
具体而言，预测出矿温度计算部4c使用鉴于由于空气对流带来的热损失、由于洒水带来的热损失、由于放射带来的热损失、和由于节点间热传导带来的热损失决定的后述的温度模型，计算各节点的当前温度(节点内的平均温度)。此外，使用该温度模型，计算位于各节点的烧结矿直到被出矿为止的温度变化。
<温度模型>
接着，对在上述预测出矿温度计算部4c中的节点单位的温度计算中使用的温度模型进行说明。图7是对用于计算各节点的总损失热量的温度模型进行说明的图。单位节点的热流的总和ΣQ用下式(1)表示。
[数式1]
∑Q＝Qair+Qwater+Qrad+Qcon (1)
这里，
Qair：向空气的由于对流带来的热流
Qwater：向冷却水的由于对流带来的热流
Qrad：由于放射带来的热流
Qcon：由于节点间的热传导带来的热流
在式(1)中，向空气的由于对流带来的热流Qair用下式(2)表示。
[数式2]
Qair＝ha·Ssinter·(Tnode-Tair) (2)
这里，
ha：空冷热传递系数
Ssinter：烧结矿表面积
Tnode：节点温度
Tair：大气温度
在式(2)中，空冷热传递系数ha用下式(3)表示。
[数式3]
ha＝Nu·λ/D (3)
这里，
Nu＝a+b·Rec·Prd
Re＝ρ·v·D/μ
Pr＝Cp·μ/λ
λ：热传导率(空气)
D：烧结矿的直径
ρ：密度(空气)
μ：粘性系数(空气)
Cp：比热(空气；)
v：风速
v＝W/Sd
W：风量
Sd：吹入口截面积
a、b、c、d：系数
在式(1)中，向冷却水的由于对流带来的热流Qwater由下式(4)表示。
[数式4]
Figure BDA0001830182180000091
这里，
Cvw：蒸发热
ρw：水的质量(每1mol)
Cpw：水的比热
Tw：水的温度
Flw：洒水量
在式(1)中，由放射带来的热流Qrad由下式(5)表示。
[数式5]
Qrad＝ε·σ·Srad·(Tnode 4-Tair 4) (5)
这里，
ε：放射率
σ：斯特藩－玻尔兹曼系数
Srad：放射面积
Tnode：节点温度
Tair：大气温度
在式(5)中，放射面积Srad由下式(6)表示。
[数式6]
Srad＝2π·nh·(Lin-Lout) (6)
这里，
nh：节点高度
Lin：旋转内径半径
Lout：旋转外径半径
在式(1)中，由节点间的热传导带来的热流Qcon由下式(7)表示。
[数式7]
Figure BDA0001830182180000101
这里，
k：热传导率
Si→i－1：节点间表面积
Ti，Ti－1：烧结矿温度
d：节点间距离
将由式(1)表示的各节点的总损失热量ΣQ代入到后述的式(9)中，各节点处的节点温度如差分方程式(8)那样表示。
[数式8]
Tpj＝Tpj-1ΔTpj-1 (8)
这里，
Tpj：节点温度
p：高度方向的划分号码
j：旋转方向的划分号码
ΔTpj：在旋转1/12圈所花费的时间Δt的期间中降低的温度
在式(8)中，在旋转1/12圈所花费的时间Δt的期间中降低的温度ΔTpj由下式(9)表示。
[数式9]
Figure BDA0001830182180000111
这里，
ρ：烧结矿密度
C：比热
V：节点的体积
图8是对使用差分方程式(8)的节点温度的计算进行说明的图。在图8所示的例子中，在旋转1/12圈后(Δt秒后)，旋转方向的划分号码被增加，节点温度从T31变化为T32。节点温度T32根据差分方程式(8)而用T32＝T31－ΔT31表示。预测出矿温度计算部4c按每旋转作为轨迹定时的1/12圈，计算位于各节点的烧结矿的当前温度。进而，预测出矿温度计算部4c计算位于各节点处的烧结矿移动到出矿口时的预测出矿温度。
回到图6而继续说明。输出数据收集部4d收集由设置在出矿口附近的放射温度计3a(图1)测量的、被从出矿口拨出的烧结矿的实际出矿温度。
误差学习计算部4e基于作为同一节点的实际出矿温度与预测出矿温度的差的温度预测误差，将关于与容纳容器1c的旋转同步的周期性的温度预测误差的误差学习参数更新。在本实施方式中，误差学习参数是按照每容纳容器1c的圆周方向的节点区划而存储的、用来将预测出矿温度修正的误差学习值。
图9是对有关本发明的实施方式1的误差学习的方法进行说明的图。误差学习计算部4e为了将误差学习值存储，具有与圆周方向的节点区划数一致的学习值存储区域。误差学习计算部4e每当容纳容器1c旋转1节点的量，就基于作为出矿口处测量的实际出矿温度与通过温度模型所取得的预测出矿温度的差而得到的温度预测误差，将与位于出矿口的节点区划对应的误差学习值更新。将更新后的误差学习值覆盖到对应的旋转方向节点区划号码的学习值存储区域上。由此，能够学习与冷却器的旋转同步的周期性的温度预测误差(误差学习值)的特征。
温度预测误差由下式(10)表示。
[数10]
Figure BDA0001830182180000121
这里，
Figure BDA0001830182180000122
温度预测误差
Figure BDA0001830182180000123
实际出矿温度
Figure BDA0001830182180000124
预测出矿温度
j：旋转方向的区划号码
误差学习值的更新方法由下式(11)表示。
[数式11]
Figure BDA0001830182180000125
这里，
Figure BDA0001830182180000126
更新后误差学习值
Figure BDA0001830182180000127
更新前误差学习值(初始值0)
α：学习增益(0<α<1)
在图9所示的例子中，旋转方向节点区划号码P03的节点位于出矿口。关于区划号码P03计算温度预测误差(式10)，将存储在区划号码P03的学习值存储区域中的误差学习值更新(式11)。在1个轨迹后关于下个位于出矿口的区划号码将误差学习值更新。即，对每1个轨迹，将存储在位于当前出矿口的区划号码的学习值存储区域中的误差学习值更新。
误差学习值修正部4f使用误差学习参数，将预测出矿温度计算部4c计算出的各节点的预测出矿温度修正。在本实施方式中，误差学习值修正部4f将预测出矿温度计算部4c计算出的各节点的预测出矿温度用圆周方向的节点区划一致的误差学习值修正。将修正后的预测出矿温度决定为预测出矿温度的最终值。预测出矿温度的最终值由下式(12)表示。
[数式12]
Figure BDA0001830182180000128
这里，
Figure BDA0001830182180000131
最终预测出矿温度
(效果)
如以上说明，根据有关本实施方式的出矿温度预测装置4，按照每容纳容器1c的圆周方向的节点区划而准备独立的学习值存储区域，能够每当出矿时独立地学习位于出矿口的节点区划的误差学习值。由此，能够学习与冷却器的旋转同步的周期性的温度预测误差(误差学习值)。通过在学习后将由预测出矿温度计算部4c计算的各节点的预测出矿温度用圆周方向的节点区划一致的误差学习值修正，能够减小与冷却器的旋转同步的周期性的温度预测误差，能够使出矿温度的预测精度提高。结果，能够提高风量控制的精度，有利于烧结矿的均质性。
(变形例)
此外，在图4中，将容纳容器1c在圆周方向上划分为12份，但并不限定于此，只要是划分为多份就可以。另外，这一点在以下的实施方式中也是同样的。
此外，上述实施方式的系统中的冷却器的冷却方式是将冷却用空气从送风装置1b向容纳容器1c吹入的吹入式，但并不限定于此。冷却器的冷却方式也可以是将在冷却中使用过的空气从容纳容器1c向送风装置1b抽入的抽入式。另外，这一点在以下的实施方式中也是同样的。
此外，在上述实施方式的系统中，使用包括由洒水带来的热损失的温度模型，但在没有通过洒水喷嘴进行的注水的情况下，也可以使用去掉了由洒水带来的热损失的温度模型。另外，这一点在以下的实施方式中也是同样的。
(硬件结构例)
图10是表示上述出矿温度预测装置4具有的处理电路的硬件结构例的概念图。图6的出矿温度预测装置4内的各部表示了功能的一部分，各功能由处理电路实现。作为一形态，处理电路具备至少1个处理器91和至少1个存储器92。作为另一形态，处理电路具备至少1个专用的硬件93。
在处理电路具备处理器91和存储器92的情况下，各功能由软件、固件、或者软件与固件的组合实现。软件及固件的至少一方被作为程序记述。软件及固件的至少一方被保存在存储器92中。处理器91通过将存储在存储器92中的程序读出并执行而实现各功能。
在处理电路具备专用的硬件93的情况下，处理电路例如是单一电路、复合电路、程序化的处理器、或将它们组合的结构。各功能由处理电路实现。
实施方式2
接着，参照图11对本发明的实施方式2进行说明。在如上述那样旋转的冷却器设备的特性上，发生与冷却器的转速同步的周期性的温度预测误差。因此，在本实施方式中，采用能够预测温度预测误差的时间序列变化的循环神经网络(recurrent neural network)。循环神经网络为通过将之前的时刻的中间层与下个时刻的输入组合而用于学习从而考虑了时间序列信息的网络构造。
在有关本发明的实施方式2的误差学习计算部4e中，使循环神经网络学习过去的温度预测误差与当前的温度预测误差的关系。作为循环神经网络的学习方法，采用通常周知的误差逆传播学习(反向传播，back propagation)。误差学习计算部4e给出当前的温度预测误差(et)作为输出层的教师信号，给出过去的温度预测误差的时间序列数据k个(et－1，et－2，…，et－k)作为输入层的教师信号。误差逆传播学习按照教师信号将网络内的权重参数更新。由此，将循环神经网络的学习进展。
误差学习值修正部4f通过向学习后的循环神经网络的输入层给出温度预测误差的时间序列数据k个，能够计算下个时刻的温度预测误差。通过反复进行计算，能够计算将来的温度预测误差。误差学习值修正部4f对于预测出矿温度计算部4c计算出的各节点的预测出矿温度，加上由学习后的循环神经网络预测的、位于各节点处的烧结矿的出矿定时的误差学习值而进行修正。将修正后的预测出矿温度决定为预测出矿温度的最终值。
如以上说明，根据有关本实施方式的出矿温度预测装置4，能够用1个循环神经网络对温度预测误差的时间序列变化进行学习。由此，能够学习与冷却器的旋转同步的周期性的温度预测误差(误差学习值)。在学习后，通过对由预测出矿温度计算部计算出的各节点的预测出矿温度用由学习后的循环神经网络预测的位于各节点的烧结矿的出矿定时的误差学习值修正，能够减小与冷却器的旋转同步的周期性的温度预测误差，能够使出矿温度的预测精度提高。结果，能够提高风量控制的精度，有利于烧结矿的均质性。
以上，对本发明的实施方式进行了说明，但本发明并不限定于上述实施方式，在不脱离本发明的主旨的范围内能够进行各种变形而实施。

Claims (4)

1.一种烧结冷却器设备的出矿温度预测装置，该烧结冷却器设备具备：容纳容器，具有被供给由上游的烧结设备加热后的烧结矿的供矿口及向下游的装置排出烧结矿的出矿口，该容纳容器沿周向旋转；送风装置，向上述容纳容器供给冷却用空气；以及出矿机，随着上述容纳容器的旋转而将烧结矿从上述出矿口拨出，上述烧结冷却器设备的出矿温度预测装置的特征在于，
具备：
输入数据收集部，针对包括有关上述容纳容器内的烧结矿的数据和有关上述送风装置的风量的数据在内的输入数据，收集实际数据；
输入数据变化预测部，预测上述输入数据的未来的时间的变化；
预测出矿温度计算部，将上述容纳容器内用同容积的节点虚拟地划分，当上述容纳容器每旋转1个节点的量，基于由上述输入数据收集部收集到的上述实际数据，计算位于各节点的烧结矿的当前温度，进而，基于由上述输入数据变化预测部预测出的上述输入数据的未来的时间的变化，计算假定位于各节点的烧结矿移动到上述出矿口的情况下的预测出矿温度；
输出数据收集部，收集被从上述出矿口拨出的烧结矿的实际出矿温度；
误差学习计算部，基于作为同一节点的实际出矿温度与预测出矿温度的差的温度预测误差，将有关与上述容纳容器的旋转同步的周期性的温度预测误差的误差学习参数更新；以及
误差学习值修正部，使用上述误差学习参数，将上述预测出矿温度计算部计算出的各节点的预测出矿温度修正。
2.如权利要求1所述的烧结冷却器设备的出矿温度预测装置，其特征在于，
上述误差学习参数是按照上述容纳容器的圆周方向的每节点区划而存储的误差学习值；
当上述容纳容器每旋转1个节点的量，上述误差学习计算部基于温度预测误差来更新与位于上述出矿口的节点区划对应的误差学习值；
上述误差学习值修正部将上述预测出矿温度计算部计算出的各节点的预测出矿温度用圆周方向的节点区划一致的误差学习值修正。
3.如权利要求1所述的烧结冷却器设备的出矿温度预测装置，其特征在于，
上述误差学习参数是由循环神经网络的输出层计算的误差学习值；
上述误差学习计算部在教师信号中使用当前的温度预测误差和过去的温度预测误差的时间序列数据，将上述循环神经网络的权重参数更新；
上述误差学习值修正部将上述预测出矿温度计算部计算出的各节点的预测出矿温度用由学习后的上述循环神经网络预测的位于各节点的烧结矿的出矿定时的误差学习值来修正。
4.如权利要求3所述的烧结冷却器设备的出矿温度预测装置，其特征在于，
上述误差学习计算部，给出当前的温度预测误差作为输出层的教师信号，给出过去的温度预测误差的时间序列数据作为输入层的教师信号，使用反向传播将上述权重参数更新，从而学习上述循环神经网络。
CN201811201791.9A 2018-08-03 2018-10-16 烧结冷却器设备的出矿温度预测装置 Active CN110791646B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018146968A JP6969521B2 (ja) 2018-08-03 2018-08-03 焼結クーラ設備の出鉱温度予測装置
JP2018-146968 2018-08-03

Publications (2)

Publication Number Publication Date
CN110791646A true CN110791646A (zh) 2020-02-14
CN110791646B CN110791646B (zh) 2021-11-16

Family

ID=69426001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811201791.9A Active CN110791646B (zh) 2018-08-03 2018-10-16 烧结冷却器设备的出矿温度预测装置

Country Status (2)

Country Link
JP (1) JP6969521B2 (zh)
CN (1) CN110791646B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113549778A (zh) * 2021-05-28 2021-10-26 包头市新达茂稀土有限公司 一种提高稀土回收率的焙烧矿冷浸工艺

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113671921B (zh) * 2021-08-24 2024-01-30 马鞍山钢铁股份有限公司 一种系列化的烧结参数控制方法
CN116432542B (zh) * 2023-06-12 2023-10-20 国网江西省电力有限公司电力科学研究院 一种基于误差序列修正的开关柜母排温升预警方法及系统
CN116470190B (zh) * 2023-06-19 2023-09-22 江西五十铃汽车有限公司 动力电池包加热方法、系统、计算机及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007203809A (ja) * 2006-01-31 2007-08-16 Yokohama Rubber Co Ltd:The タイヤの摩擦係数の温度依存性予測方法
CN101441444A (zh) * 2008-09-18 2009-05-27 中冶长天国际工程有限责任公司 一种烧结过程中的烧结状态控制方法
CN103426035A (zh) * 2013-08-12 2013-12-04 浙江大学 钢铁行业副产高炉煤气自平衡调度系统及产消量预测方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007203809A (ja) * 2006-01-31 2007-08-16 Yokohama Rubber Co Ltd:The タイヤの摩擦係数の温度依存性予測方法
CN101441444A (zh) * 2008-09-18 2009-05-27 中冶长天国际工程有限责任公司 一种烧结过程中的烧结状态控制方法
CN103426035A (zh) * 2013-08-12 2013-12-04 浙江大学 钢铁行业副产高炉煤气自平衡调度系统及产消量预测方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113549778A (zh) * 2021-05-28 2021-10-26 包头市新达茂稀土有限公司 一种提高稀土回收率的焙烧矿冷浸工艺
CN113549778B (zh) * 2021-05-28 2022-08-12 包头市新达茂稀土有限公司 一种提高稀土回收率的焙烧矿冷浸工艺

Also Published As

Publication number Publication date
JP6969521B2 (ja) 2021-11-24
CN110791646B (zh) 2021-11-16
JP2020020560A (ja) 2020-02-06

Similar Documents

Publication Publication Date Title
CN110791646B (zh) 烧结冷却器设备的出矿温度预测装置
KR101590125B1 (ko) 고로의 충전 프로세스에서 충전 물질의 유량 비율을 조절하기 위한 방법 및 시스템
JP6930507B2 (ja) 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置
KR20200017602A (ko) 고로의 잔여 출선량 예측 시스템 및 그 방법
CN109682220B (zh) 烧结冷却设备的风量控制装置
JPH11202903A (ja) 製造プロセスの状態量推定方法
CN106382953A (zh) 一种基于温度检测的3d打印机故障判断与储存方法
JP2008309405A (ja) プラズマ式灰溶融炉の制御方法及びプラズマ式灰溶融炉
US11853023B2 (en) Method of controlling coal management system for reducing coal usage
CN108662906A (zh) 一种立式冷却机气流控制方法及装置
JP6638665B2 (ja) クーラ設備の風量制御装置
JP4231459B2 (ja) コークス炉の装炭レベル制御方法
JPH1046215A (ja) 高炉炉熱管理方法
JP2001090901A (ja) Ｃｄｑ設備における蒸気発生量制御方法
JP6743635B2 (ja) 制御装置および制御方法
JP4311669B2 (ja) 高炉温度制御システム及び高炉温度制御方法
JPH08286727A (ja) プロセス制御の操作量自動プリセット装置
JPH0931555A (ja) 焼結温度パターンの制御方法とその装置
JPH06240318A (ja) 高炉装入物の分布制御方法
CN118517706A (zh) 一种用于风冷式钢带干排渣机的输送控制方法
JPH01304180A (ja) コークス炉の燃焼制御方法
JP2023039669A (ja) 処理装置、処理方法、およびプログラム
JP2024111740A (ja) 降下速度分布推定方法、層厚比分布推定方法、高炉操業方法、高炉操業制御装置、及び高炉操業制御プログラム
JP2602367B2 (ja) 高炉装入原料の原料払出し制御方法
JP2023039670A (ja) コークス製造プロセスの制御装置、方法及びプログラム

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