CN111554353A - 氧气底吹炉铜熔炼过程参数在线预测方法 - Google Patents
氧气底吹炉铜熔炼过程参数在线预测方法 Download PDFInfo
- Publication number
- CN111554353A CN111554353A CN202010280593.7A CN202010280593A CN111554353A CN 111554353 A CN111554353 A CN 111554353A CN 202010280593 A CN202010280593 A CN 202010280593A CN 111554353 A CN111554353 A CN 111554353A
- Authority
- CN
- China
- Prior art keywords
- model
- furnace
- predicted value
- copper
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- 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
- C22B15/00—Obtaining copper
- C22B15/0026—Pyrometallurgy
- C22B15/0028—Smelting or converting
- C22B15/003—Bath smelting or converting
- C22B15/0034—Bath smelting or converting in rotary furnaces, e.g. kaldo-type furnaces
-
- 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
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Biophysics (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (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
本发明公开了氧气底吹炉铜熔炼过程参数在线预测方法。该方法包括:根据原料输入条件并基于物料平衡模型、能量平衡模型及多相平衡模型建立底吹熔炼炉机理模型;根据实际生产数据并基于目标参数和输入参数之间的铜锍品位神经网络模型、硅铁比神经网络模型及渣温度神经网络模型建立底吹熔炼炉数据驱动模型;利用智能协调器对机理模型和数据驱动模型进行集成,得到关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉混合模型,利用所述混合模型输出铜底吹熔炼过程中铜锍品位、硅铁比和渣温度的最终预测值。该预测方法可以解决现有预测方法适应能力差、实际运行效果不理想的问题,显著提高预测结果的准确性。
Description
技术领域
本发明属于冶金领域,具体而言,涉及氧气底吹炉铜熔炼过程参数在线预测方法。
背景技术
熔炼过程是铜冶炼过程中一个相对重要工序,它将含铜量较低的铜精矿等原料中的铁和硫进行氧化脱除,得到含铜量较高的铜锍,为后续吹炼过程提供原料。氧气底吹铜熔炼炉是该过程的核心装备。氧气底吹炉是目前国内普遍使用的铜熔炼过程的设备,其熔炼过程具有连续性、瞬时性的特点,需要有相应的控制技术能进一步发挥其工艺特点,并确保产品质量稳定、炉况处于优化状态。同时,该铜熔炼工艺是一个十分复杂的工艺过程,是一个多输入和多输出的系统,每个变量之间具有强耦合、时变、分布式参数和显著的不确定性等特点,随着铜熔炼强度的不断提升及炼铜指标的不断提高,企业对连续铜冶炼生产过程控制提出了更高的要求。
其中,铜锍品位、渣中铁硅比及渣温度这三个参数是考察氧气底吹炉铜熔炼过程中的重要参数,是底吹熔炼过程中重要的检测指标,反映了氧气底吹铜熔炼过程中的冶炼状态。铜锍品位指的是铜锍当中铜元素的质量分数,炉渣铁硅比指的是炉渣当中铁元素和二氧化硅的质量比,它们的检测方法均采用放铜锍及放渣过程中取样,然后采用荧光分析仪对样品成分进行化验,计算得到炉渣铁硅比及铜锍品位值。氧气底吹铜熔炼过程中的关键参数有熔体温度,但是由于其恶劣的生产环境,熔体温度无法在线直接测量,生产中一般采用炉渣温度作为熔体温度的间接表征参数。也就是说,在底吹炉铜熔炼实际生产中是无法实时监测到产物铜锍品位及熔炼渣铁硅比及渣温度这三个关键参数。一般铜熔炼过程要求铜锍品位、熔炼渣中铁硅比及渣温度这三大重要参数保持在适宜的范围及波动尽可能小,因此,有必要通过建立相应且可靠的预测模型对底吹熔炼过程中三大重要参数进行预测,为现场工作人员的决策与操作提供指导意见。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的在于提出氧气底吹炉铜熔炼过程参数在线预测方法。该预测方法通过对机理模型和数据驱动模型进行集成,可以显著提高预测结果的准确性,有效解决单一运用一种预测方法建模造成的适应能力差,实际运行效果不理想的问题。
本申请是发明人基于以下问题和发现提出的:
目前对于氧气底吹铜熔炼过程参数预测模型的研究方法主要采用机理建模方法或是基于数据驱动的智能建模方法,但这两种方法各有其不足之处:机理建模能在本质上反映客观过程的规律,外推性好,可解释性较强,但存在以下不足:1)就模型的专用性来说,只要模型的对象不同,其机理模型的结构和参数都存在非常大的差别,模型的可移植性较差;2)机理模型的整个建模过程需花费的人力物力很大,无论是反应本质动力学的研究、各种设备模型的确定,还是实际应用中装置传热传质效果的表征、大量参数(包括试验设备和装置)的估计,每一个步骤都是十分困难的;3)机理模型一般都是由代数方程组、微分方程组,甚至是偏微分方程组组成,当模型结构较为庞大时,求解时将要面对大量的数学计算,收敛慢,很难达到满足在线的实时估计;4)机理模型的建立通常是基于一定的假设条件的,而这些假设条件与实际情况存在一定的差别,难以保证模型的精确性。而基于数据驱动所构建的智能建模方法,例如神经网络,其性能不但受训练样本的质量、空间分布和训练算法的影响,且其外推性能较差,这种模型具有不可解释性。而对于底吹炉熔炼而言,针对原燃料条件等参数对铜锍品位、渣铁硅比、渣温度具有显著影响,因此需通过采取配料制度优化及操作制度优化来减少原料波动对熔炼三大重要参数影响。发明人设想,可以将机理模型与数据驱动模型结合起来,开发出一种集成模型对炼铜熔炼中的三大重要参数进行预测,以便通过输入投料物及熔炼过程中的参数预测产物的重要参数,并与产物的实际检测结果对比修正预测模型,提高预测精度,使得集成模型的预测准确度能够满足指导实际生产。
为此,根据本发明的一个方面,本发明提出了一种氧气底吹炉铜熔炼过程参数在线预测方法。根据本发明的实施例,该预测方法包括:
根据原料输入条件并基于物料平衡模型、能量平衡模型及多相平衡模型,建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉机理模型;
根据实际生产数据并基于目标参数和输入参数之间的铜锍品位神经网络模型、硅铁比神经网络模型及渣温度神经网络模型,建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉数据驱动模型;
利用智能协调器对所述机理模型和所述数据驱动模型进行集成,得到关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉混合模型,利用所述混合模型输出铜底吹熔炼过程中铜锍品位、硅铁比和渣温度的最终预测值,
其中,所述智能协调器适于基于所述机理模型和所述数据驱动模型各自输出的铜锍品位预测值、硅铁比预测值、渣温度预测值与铜锍品位、硅铁比和渣温度的实际测量值之间的偏差,计算所述机理模型和所述数据驱动模型在所述混合模型中的加权系数,并根据所述加权系数、所述机理模型预测值和所述数据驱动模型预测值,输出铜锍品位、硅铁比和渣温度的最终预测值。
根据本发明上述实施例的氧气底吹炉铜熔炼过程参数在线预测方法,通过重点考察底吹熔炼过程中铜锍品位、熔炼渣中铁硅比及渣温度这三大重要参数,分别建立底吹熔炼炉机理模型和数据驱动模型对三个重要参数进行预测,在此基础上设计适宜的智能协调器对二者进行集成,并将集成后混合模型的预测结果与实际生产结果对比修正,不断完善机理模型模型与数据驱动模型,并修正智能协调器参数,使其预测结果更加满足实际生产结果,从而显著提高其对氧气底吹炉铜熔炼过程中三大参数的预测精度。综上,该预测方法可以充分结合机理模型和数据驱动模型的优点,扬长避短,显著提高预测结果的准确性,有效解决单一运用一种预测方法建模造成的适应能力差、实际运行效果不理想的问题,在理论与实际应用上都具有重大意义与价值。
另外,根据本发明上述实施例的氧气底吹炉铜熔炼过程参数在线预测方法还可以具有如下附加的技术特征:
在本发明的一些实施例中,所述物料平衡模型是基于物料平衡方程建立的,所述能量平衡模型是基于能量平衡方程建立的,所述多相平衡模型是基于多相平衡方程建立的,采用METCAL软件或METSIM软件对所述物料平衡方程、所述能量平衡方程和所述多相平衡方程进行联立求解并结合铜底吹熔炼过程的工艺特征建立所述机理模型。
在本发明的一些实施例中,所述铜锍品位神经网络、所述硅铁比神经网络和所述渣温度神经网络分别独立地包括多个人工神经元,所述人工神经元包括但不限于铜底吹熔炼过程中的富氧率、配煤率、氧料比、熔剂率、入炉Cu量、入炉Fe量、入炉S量、入炉CaO量和入炉SiO2量。
在本发明的一些实施例中,利用BP神经网络的建模机理并结合铜底吹熔炼过程的工业生产大数据和铜锍品位神经网络、硅铁比神经网络及渣温度神经网络建立所述数据驱动模型。
在本发明的一些实施例中,基于实际生产结果定期或实时对所述混合模型进行校正。
在本发明的一些实施例中,对所述混合模型进行校正包括:将所述混合模型输出的铜锍品位、硅铁比和渣温度的最终预测值与实际测量值进行对比:若误差在预期范围内,保持所述混合模型中所述加权系数不变;若误差在预期范围外,将所述最终预测值返回至所述智能协调器并对所述加权系数进行调整,重复上述操作,直至误差降低至预期范围内。
在本发明的一些实施例中,所述智能协调器采用模糊划分输入的变量区域并综合的方法计算所述机理模型和所述数据驱动模型预测方法的加权系数。
在本发明的一些实施例中,利用f1表示所述机理模型输出的预测结果,利用f2表示所述数据驱动模型输出的预测结果,利用μ(x)表示所述数据驱动模型在所述混合模型中的加权系数,利用(1-μ(x))表示所述机理模型在所述混合模型中的加权系数,所述智能协调器的输出的预测结果为:
y=f2×μ(x)+f1×(1-μ(x)),
其中,y代表预测结果,所述预测结果包括铜锍品位预测值、硅铁比预测值和渣温度预测值,所述数据驱动模型在所述混合模型中的加权系数μ(x)为:
x代表输入变量,所述输入变量的选择范围包括但不限于富氧率、配煤率、氧料比、熔剂率、入炉Cu量、入炉Fe量、入炉S量、入炉CaO量和入炉SiO2量;a、b、c、d为根据实际工业生产的技术数据得到的与所述输入变量对应的特征参数,所述特征参数决定所述输入变量的隶属函数。
在本发明的一些实施例中,所述数据驱动模型在所述混合模型中的加权系数μ(x)为:
其中,μi为输入变量i及其对应的特征参数a、b、c、d计算得到的隶属函数,λi为输入变量i在j个输入变量中所占的权重系数,λi由经验值确定。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的关于铜锍品位、硅铁比和渣温度的在线预测方法混合模型示意图。
图2是是根据本发明一个实施例的神经元模型结构示意图。
图3是是根据本发明一个实施例的BP神经网络模型结构示意图。
图4是是根据本发明一个实施例的氧气底吹炉铜熔炼过程参数在线预测方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
根据本发明的一个方面,本发明提出了一种氧气底吹炉铜熔炼过程参数在线预测方法。根据本发明的实施例,参考图1所示,该预测方法包括:根据原料输入条件并基于物料平衡模型、能量平衡模型及多相平衡模型,建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉机理模型;根据实际生产数据并基于目标参数和输入参数之间的铜锍品位神经网络模型、硅铁比神经网络模型及渣温度神经网络模型,建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉数据驱动模型;利用智能协调器对底吹熔炼炉机理模型和底吹熔炼炉数据驱动模型进行集成,得到关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉混合模型,利用混合模型输出铜底吹熔炼过程中铜锍品位、硅铁比和渣温度的最终预测值。其中,智能协调器适于基于底吹熔炼炉机理模型和底吹熔炼炉数据驱动模型各自输出的铜锍品位预测值、硅铁比预测值、渣温度预测值与铜锍品位、硅铁比和渣温度的实际测量值之间的偏差,计算底吹熔炼炉机理模型和底吹熔炼炉数据驱动模型在混合模型中的加权系数,并根据加权系数、底吹熔炼炉机理模型预测值和底吹熔炼炉数据驱动模型预测值,输出铜锍品位、硅铁比和渣温度的最终预测值。该预测方法可以充分结合机理模型和数据驱动模型的优点,扬长避短,显著提高预测结果的准确性,有效解决单一运用一种预测方法建模造成的适应能力差,实际运行效果不理想的问题,在理论与实际应用上都具有重大意义与价值。
下面参考图1~4对本发明上述实施例的氧气底吹炉铜熔炼过程参数在线预测方法进行详细描述。
根据本发明的一个具体实施例,物料平衡模型是基于物料平衡方程建立的,能量平衡模型是基于能量平衡方程建立的,多相平衡模型是基于多相平衡方程建立的,可以采用METCAL软件或METSIM软件对物料平衡方程、能量平衡方程和多相平衡方程进行联立求解并结合铜底吹熔炼过程的工艺特征建立底吹熔炼炉机理模型,其中:
物料平衡方程为:
其中,Var代表变量,Con代表常量,M代表物料,C代表物料具有的组分,E代表组分具有的元素,X代表摩尔分数,Ec,e代表特定组分中的特定元素;和分别代表输入项物料和输入项物料中特定物料特定组分的摩尔分数;和分别代表输入项物料和输入项物料中特定物料的特定组分;和分别代表输入项物料和输入项物料中特定物料的摩尔分数;和分别代表输入项物料和输入项物料中的特定物料;和分别表示熔炼过程中输入项物料和输出项物料中各组分各元素之和;和分别表示熔炼过程中输入项物料和输出项物料中各组分之和;和分别表示熔炼过程中输入项物料和输出项物料中各组分各元素质量之和,该方程代表底吹熔炼过程中输入项物料和输出项物料元素、组分及质量守恒,即物料守恒。
能量平衡方程为:
其中,ΔH298,Ai为输入项Ai标准生成焓;ΔH298,Bj为输出项Bj标准生成焓;CpAi为输入项Ai的热容;CpBj为输出项Bj的热容;QLoss为熔炼过程中的热损失。该方程代表底吹熔炼过程中输入项物料热量和输出项物料热量相等,即能量守恒。
多相平衡方程为:
其中,G为体系总吉布斯自由能,为p相中纯物质c组分的标准生成吉布斯自由能;γpc为p相中c组分的活度因子;χpc为p相中c组分的摩尔数分数;Cp为p相中的组分数;T为温度;R为气体普适常数;Npc为p相中c组分的摩尔数。该方程表示熔炼过程中系统的吉布斯自由能达到最小,即系统达到稳定状态。
对物料平衡方程、能量平衡方程和多相平衡方程进行联立求解时,可以采用高斯法求解得到针对每一组分每一元素的多元一次线性方程组,例如,针对某一特定组分特定元素得到的多元一次线性方程组为Ax=b:
对方程组进行初等行变换,将非奇异矩阵A逐步消元化为上三解阵:
回代求解,逐步代入计算可得方程组的解:
可以在上述计算原理基础上,结合铜底吹熔炼过程的工艺特征,采用可靠性较高的第三方软件如METCAL、METSIM等建立底吹熔炼炉机理模型,并计算预测铜锍品位、熔炼渣中铁硅比及渣温度这铜底吹熔炼过程三大重要参数。
根据本发明的再一个具体实施例,铜锍品位神经网络、硅铁比神经网络和渣温度神经网络分别独立地包括多个人工神经元,人工神经元包括但不限于富氧率、配煤率、氧料比、熔剂率、入炉Cu量、入炉Fe量、入炉S量、入炉CaO量和入炉SiO2量。其中,数据驱动模型可以采用人工神经网络的方法进行处理,人工神经网络是模仿人脑生物结构及相关功能的由大量处理单元相互联系组成的非线性的信息处理系统,每个人工神经网络由多个人工神经元组成,其中神经元的模型的示意结构如图2所示,神经元模型有R个输入,每个输入都通过一个权值w和下一层相连,f为表示输入/输出关系的传递函数,为方便理解输入/输出关系的传递函数,我们以第j个神经元模型为例,第j个神经元模型的输入输出关系为:
yj=f(sj)=f(wp+b)
其中,Sj为输出函数,bj为阈值,wj,i为连接权值,x0=bj,wj,0=-1,p、y分别为神经元的输入和输出。f(wp+b)为传递函数。将神经元模型对输入加权求和后与阈值bj比较,如果加权和超过阈值,则该神经元被激活,输出为1,否则该神经元未被激活,输出为0。
根据本发明的又一个具体实施例,可以利用BP神经网络的建模机理并结合铜底吹熔炼过程的工业生产大数据和铜锍品位神经网络、硅铁比神经网络及渣温度神经网络建立底吹熔炼炉数据驱动模型。BP神经网络是目前应用最广泛、成功的人工神经网络之一,它是一种多层网络的逆推学习算法,其学习过程由信号的正向传播和误差的反向传递两个过程组成,BP神经网络能学习大量的输入输出映射关系而无需揭示这种映射关系的明确的数学方程。如图3所示,BP神经网络由输入层、中间层或隐层及输出层组成,信号正向传播时,输入样本数据从输入层传入,经过隐层处理、信息变换、学习后传到输出层。若输出与期望不符,则将误差以某种形式反向传递至隐层、输入层,并在此过程中将误差分摊给各层,作为修改各处权值、阈值的依据。随着学习过程的多次进行,权值、阈值得到不断的调整,直到输出的误差减少到可接受程度或达到预定学习次数为止。由此,通过利用BP神经网络的建模机理并结合铜底吹熔炼过程工业生产大数据构建铜底吹熔炼过程神经网络模型,利用生产大数据对模型进行训练与优化,可以进一步提高对铜锍品位、熔炼渣中铁硅比及渣温度这铜底吹熔炼三大重要参数进行预测的可靠性。
根据本发明的又一个具体实施例,智能协调器可以采用模糊划分输入的变量区域并综合的方法计算底吹熔炼炉机理模型和底吹熔炼炉数据驱动模型预测方法的加权系数,即通过智能协调器对两个预测模型基于模糊划分的集成,当底吹炉铜熔炼过程工业生产参数变化平稳、工况正常时,神经网络模型获得更大的权重,其具有的补偿作用更加确保了预测的精度;当底吹炉铜熔炼平衡受到干扰、工况不稳时,机理模型获得更大的权重,使得智能集成混合预测模型对底吹炉铜熔炼过程的全局拟合能力得到保障。由此,通过利用智能协调器将两种模型进行智能集成,不仅使得集成后的混合模型可靠性大大增强,而且利用大量神经元相互组合而成的人工神经网络还将显示出与人脑相似的特征,使混合模型具有自适应与自组织能力,由此可以显著提高预测结果的准确性。进一步地,可以利用f1表示底吹熔炼炉机理模型输出的预测结果,利用f2表示底吹熔炼炉数据驱动模型输出的预测结果,利用μ(x)表示底吹熔炼炉数据驱动模型在混合模型中的加权系数,利用(1-μ(x))表示底吹熔炼炉机理模型在混合模型中的加权系数,则智能协调器的输出的预测结果为:
y=f2×μ(x)+f1×(1-μ(x)),
其中,y代表预测结果,预测结果包括铜锍品位预测值、硅铁比预测值和渣温度预测值,数据驱动模型在混合模型中的加权系数μ(x)的值由隶属函数求得,μ(x)与隶属函数的关系为:
x代表某一输入变量,如富氧率、配煤率、氧料比、熔剂率、入炉Cu量、入炉Fe量、入炉S量、入炉CaO量和入炉SiO2量等;a、b、c、d为特征参数,不同的输入变量对应不同的特征参数a、b、c、d,各个特征参数可以参照实际工业生产的历史记录得到各输入变量的隶属函数参数的参考初始值,并利用工业数据进行优化得到,例如,当以富氧率为输入变量时,富氧率及其对应的特征参数a、b、c、d可以为:
{富氧率a,b,c,d}={0.57,0.64,0.69,0.72}。
需要说明的是,特征参数a、b、c、d的取值并非是固定不变的,可以根据实际生产进行调节,例如生产工况的不同,特征参数a、b、c、d的取值也不尽相同。
进一步地,数据驱动模型在混合模型中的加权系数可以预先确定输入变量及其对应的特征参数a、b、c、d,得到各输入变量的隶属函数μi值,然后采用加权平均的方法计算最终的加权系数μ(x)的值,即
其中,μi为输入变量i及其对应的特征参数a、b、c、d计算得到的隶属函数,λi为输入变量i在j个输入变量中所占的权重系数,λi由经验值确定。
根据本发明的又一个具体实施例,当有9个输入变量时,数据驱动模型在混合模型中的加权系数μ(x)为
其中,μi(i=1,2,…,9)为根据某一输入变量及其对应的特征参数a、b、c、d计算得到的隶属函数,该隶属函数或0,λi(i=1,2,…,9)为某一输入变量在所有输入变量中所占的权重系数,可以参考经验值确定。
根据本发明的又一个具体实施例,可以基于实际生产结果定期或实时对混合模型进行校正,由此可以进一步提高本发明氧气底吹炉铜熔炼过程参数在线预测方法的可靠性和准确性。
根据本发明的又一个具体实施例,对混合模型进行校正可以包括:将混合模型输出的铜锍品位、硅铁比和渣温度的最终预测值与实际测量值进行对比:若误差在预期范围内,保持混合模型中加权系数不变;若误差在预期范围外,将最终预测值返回至智能协调器并对加权系数进行调整,重复上述操作,直至误差降低至预期范围内,该方法尤其适用于对初步建立的混合模型进行校正,由此可以进一步提高本发明氧气底吹炉铜熔炼过程参数在线预测方法的可靠性和准确性。
根据本发明的又一个具体实施例,基于混合模型的富氧底吹熔炼过程参数在线预测方法流程图可以如图4所示,其中实时采集关键工艺参数是通过检测传感器(称重传感器、流量传感器等)对富氧底吹熔炼过程中现场原燃料的进料量和富氧气体流量等实际参数进行测量,并传输至预测模型;输入离线检测的关键参数是在人机交互界面输入出炉铜流量、成分、出炉渣流量、成分和温度等关键过程参数;建立在线预测模型指的是利用物料平衡、能量平衡及物相平衡的原理建立富氧底吹熔炼过程的机理模型及利用生产大数据构建神经网络模型(数据驱动模型),并利用智能协调器将两者进行集成,得到底吹炉熔炼过程三大重要参数预测的混合模型。利用初步建立的底吹炉熔炼过程三大重要参数预测模型进行三大重要参数的预测,并将最终预测结果与实际测量值进行对比,假如误差在要求的范围内,将模型确立,并将底吹熔炼三大重要参数预测值输入至服务器数据库存储,并在电脑界面显示;假如误差较大超过了要求的范围,返回重新对模型进行修正,并相应调整智能协调系数,重复上述步骤,直至误差减少至要求的范围内。
综上所述,根据本发明上述实施例的氧气底吹炉铜熔炼过程参数在线预测方法,通过重点考察底吹熔炼过程中铜锍品位、熔炼渣中铁硅比及渣温度这三大重要参数,分别建立底吹熔炼炉机理模型和数据驱动模型对三个重要参数进行预测,一方面利用机理模型外推性好、可解释性较强的优点,另一方面采用神经网络分析法对底吹熔炼过程三大重要参数进行大数据分析并进行预测,在此基础上设计适宜的智能协调器对二者进行集成,并将集成后混合模型的预测结果与实际生产结果对比修正,不断完善机理模型模型与数据驱动模型,并修正智能协调器参数,使其预测结果更加满足实际生产结果,从而显著提高其对氧气底吹炉铜熔炼过程中三大参数的预测精度。综上,该预测方法可以充分结合机理模型和数据驱动模型的优点,扬长避短,显著提高预测结果的准确性,有效解决单一运用一种预测方法建模造成的适应能力差、实际运行效果不理想的问题,在理论与实际应用上都具有重大意义与价值。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种氧气底吹炉铜熔炼过程参数在线预测方法,其特征在于,包括:
根据原料输入条件并基于物料平衡模型、能量平衡模型及多相平衡模型,建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉机理模型;
根据实际生产数据并基于目标参数和输入参数之间的铜锍品位神经网络模型、硅铁比神经网络模型及渣温度神经网络模型,建立关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉数据驱动模型;
利用智能协调器对所述机理模型和所述数据驱动模型进行集成,得到关于铜锍品位预测值、硅铁比预测值和渣温度预测值的底吹熔炼炉混合模型,利用所述混合模型输出铜底吹熔炼过程中铜锍品位、硅铁比和渣温度的最终预测值,
其中,所述智能协调器适于基于所述机理模型和所述数据驱动模型各自输出的铜锍品位预测值、硅铁比预测值、渣温度预测值与铜锍品位、硅铁比和渣温度的实际测量值之间的偏差,计算所述机理模型和所述数据驱动模型在所述混合模型中的加权系数,并根据所述加权系数、所述机理模型预测值和所述数据驱动模型预测值,输出铜锍品位、硅铁比和渣温度的最终预测值。
2.根据权利要求1所述的在线预测方法,其特征在于,所述物料平衡模型是基于物料平衡方程建立的,所述能量平衡模型是基于能量平衡方程建立的,所述多相平衡模型是基于多相平衡方程建立的,采用METCAL软件或METSIM软件对所述物料平衡方程、所述能量平衡方程和所述多相平衡方程进行联立求解并结合铜底吹熔炼过程的工艺特征建立所述机理模型。
3.根据权利要求1所述的在线预测方法,其特征在于,所述铜锍品位神经网络、所述硅铁比神经网络和所述渣温度神经网络分别独立地包括多个人工神经元,所述人工神经元包括但不限于铜底吹熔炼过程中的富氧率、配煤率、氧料比、熔剂率、入炉Cu量、入炉Fe量、入炉S量、入炉CaO量和入炉SiO2量。
4.根据权利要求1所述的在线预测方法,其特征在于,利用BP神经网络的建模机理并结合铜底吹熔炼过程的工业生产大数据和铜锍品位神经网络、硅铁比神经网络及渣温度神经网络建立所述数据驱动模型。
5.根据权利要求1所述的在线预测方法,其特征在于,基于实际生产结果定期或实时对所述混合模型进行校正。
6.根据权利要求1所述的在线预测方法,其特征在于,对所述混合模型进行校正包括:将所述混合模型输出的铜锍品位、硅铁比和渣温度的最终预测值与实际测量值进行对比:
若误差在预期范围内,保持所述混合模型中所述加权系数不变;
若误差在预期范围外,将所述最终预测值返回至所述智能协调器并对所述加权系数进行调整,重复上述操作,直至误差降低至预期范围内。
7.根据权利要求1~6中任一项所述的在线预测方法,其特征在于,所述智能协调器采用模糊划分输入的变量区域并综合的方法计算所述机理模型和所述数据驱动模型预测方法的加权系数。
8.根据权利要求7所述的在线预测方法,其特征在于,利用f1表示所述机理模型输出的预测结果,利用f2表示所述数据驱动模型输出的预测结果,利用μ(x)表示所述数据驱动模型在所述混合模型中的加权系数,利用(1-μ(x))表示所述机理模型在所述混合模型中的加权系数,所述智能协调器的输出的预测结果为:
y=f2×μ(x)+f1×(1-μ(x)),
其中,y代表预测结果,所述预测结果包括铜锍品位预测值、硅铁比预测值和渣温度预测值,所述数据驱动模型在所述混合模型中的加权系数μ(x)为:
x代表输入变量,所述输入变量的选择范围包括但不限于富氧率、配煤率、氧料比、熔剂率、入炉Cu量、入炉Fe量、入炉S量、入炉CaO量和入炉SiO2量;a、b、c、d为根据实际工业生产的技术数据得到的与所述输入变量对应的特征参数,所述特征参数决定所述输入变量的隶属函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280593.7A CN111554353A (zh) | 2020-04-10 | 2020-04-10 | 氧气底吹炉铜熔炼过程参数在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010280593.7A CN111554353A (zh) | 2020-04-10 | 2020-04-10 | 氧气底吹炉铜熔炼过程参数在线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111554353A true CN111554353A (zh) | 2020-08-18 |
Family
ID=72007318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010280593.7A Pending CN111554353A (zh) | 2020-04-10 | 2020-04-10 | 氧气底吹炉铜熔炼过程参数在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111554353A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111921377A (zh) * | 2020-09-25 | 2020-11-13 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
CN112561182A (zh) * | 2020-12-21 | 2021-03-26 | 东北大学 | 一种基于熔体结构解析的熔渣黏度预测方法 |
CN112801398A (zh) * | 2021-02-07 | 2021-05-14 | 三一重工股份有限公司 | 冷却装置故障预测方法、装置、电子设备及存储介质 |
WO2021203912A1 (zh) * | 2020-04-10 | 2021-10-14 | 中国恩菲工程技术有限公司 | 氧气底吹炉铜吹炼过程参数在线预测方法 |
CN114279494A (zh) * | 2021-12-16 | 2022-04-05 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
CN114277260A (zh) * | 2021-12-28 | 2022-04-05 | 北京瑞太智联技术有限公司 | 一种铜富氧侧吹熔炼过程在线优化控制系统 |
CN116755413A (zh) * | 2023-08-14 | 2023-09-15 | 中国恩菲工程技术有限公司 | 复杂系统流程设计与数字模型建模方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101353729A (zh) * | 2008-07-18 | 2009-01-28 | 中南大学 | 一种基于工况判断的智能集成建模方法 |
CN104328285A (zh) * | 2014-10-29 | 2015-02-04 | 中国科学院沈阳自动化研究所 | 基于混合模型的富氧底吹炼铜过程参数在线估计方法 |
CN105624425A (zh) * | 2014-11-05 | 2016-06-01 | 中国科学院沈阳自动化研究所 | 一种氧气底吹铜熔炼过程智能控制方法 |
-
2020
- 2020-04-10 CN CN202010280593.7A patent/CN111554353A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101353729A (zh) * | 2008-07-18 | 2009-01-28 | 中南大学 | 一种基于工况判断的智能集成建模方法 |
CN104328285A (zh) * | 2014-10-29 | 2015-02-04 | 中国科学院沈阳自动化研究所 | 基于混合模型的富氧底吹炼铜过程参数在线估计方法 |
CN105624425A (zh) * | 2014-11-05 | 2016-06-01 | 中国科学院沈阳自动化研究所 | 一种氧气底吹铜熔炼过程智能控制方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021203912A1 (zh) * | 2020-04-10 | 2021-10-14 | 中国恩菲工程技术有限公司 | 氧气底吹炉铜吹炼过程参数在线预测方法 |
CN111921377A (zh) * | 2020-09-25 | 2020-11-13 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
CN111921377B (zh) * | 2020-09-25 | 2021-01-26 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
CN112561182A (zh) * | 2020-12-21 | 2021-03-26 | 东北大学 | 一种基于熔体结构解析的熔渣黏度预测方法 |
CN112561182B (zh) * | 2020-12-21 | 2024-02-02 | 东北大学 | 一种基于熔体结构解析的熔渣黏度预测方法 |
CN112801398A (zh) * | 2021-02-07 | 2021-05-14 | 三一重工股份有限公司 | 冷却装置故障预测方法、装置、电子设备及存储介质 |
CN112801398B (zh) * | 2021-02-07 | 2024-04-30 | 盛景智能科技(嘉兴)有限公司 | 冷却装置故障预测方法、装置、电子设备及存储介质 |
CN114279494A (zh) * | 2021-12-16 | 2022-04-05 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
CN114279494B (zh) * | 2021-12-16 | 2023-05-26 | 金陵科技学院 | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 |
CN114277260A (zh) * | 2021-12-28 | 2022-04-05 | 北京瑞太智联技术有限公司 | 一种铜富氧侧吹熔炼过程在线优化控制系统 |
CN116755413A (zh) * | 2023-08-14 | 2023-09-15 | 中国恩菲工程技术有限公司 | 复杂系统流程设计与数字模型建模方法、装置及设备 |
CN116755413B (zh) * | 2023-08-14 | 2023-11-03 | 中国恩菲工程技术有限公司 | 复杂系统流程设计与数字模型建模方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111554353A (zh) | 氧气底吹炉铜熔炼过程参数在线预测方法 | |
CN111598293A (zh) | 氧气底吹炉铜吹炼过程参数在线预测方法 | |
CN108676955A (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
CN101382801B (zh) | 基于ega优化的丙烯聚合生产过程最优软测量仪表及方法 | |
CN109765788B (zh) | 一种多目标原油调合在线优化方法 | |
CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
CN111353656A (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
Jiang et al. | Real-time moisture control in sintering process using offline–online NARX neural networks | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN110322014A (zh) | 一种基于bp神经网络的水泥成品比表面积预测方法 | |
CN112083694A (zh) | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 | |
CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
Yang et al. | Modeling and optimal-setting control of blending process in a metallurgical industry | |
CN109359320B (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 | |
Li et al. | Dual ensemble online modeling for dynamic estimation of hot metal silicon content in blast furnace system | |
CN113346543B (zh) | 一种分布式微网电压多层协同控制方法 | |
CN113011102B (zh) | 基于多元时间序列的Attention-LSTM的青霉素发酵过程故障预测方法 | |
US11987855B2 (en) | Method and system for determining converter tapping quantity | |
Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate | |
CN113051806A (zh) | 一种基于aqpso-rbf神经网络的水质bod测量方法 | |
CN112070408A (zh) | 基于大数据和深度学习的烧结矿成分预报模型 | |
Mi et al. | Prediction of accumulated temperature in vegetation period using artificial neural network | |
CN115186914A (zh) | 一种基于bp神经网络的焦炭质量预测方法及系统 | |
CN112000010A (zh) | 氧气底吹铜熔炼过程反馈控制方法、装置及电子设备 |
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 |