CN111679584A - 一种高炉冶炼的调控方法和装置 - Google Patents
一种高炉冶炼的调控方法和装置 Download PDFInfo
- Publication number
- CN111679584A CN111679584A CN202010582376.3A CN202010582376A CN111679584A CN 111679584 A CN111679584 A CN 111679584A CN 202010582376 A CN202010582376 A CN 202010582376A CN 111679584 A CN111679584 A CN 111679584A
- Authority
- CN
- China
- Prior art keywords
- parameter set
- parameter
- furnace
- parameters
- order
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明涉及高炉冶炼调控技术领域，具体涉及一种高炉冶炼的调控方法和装置。本发明首先构建训练参数集，然后利用训练参数集构建关键参数集，并根据关键参数集，获得预测炉况，之后在预测炉况与期望炉况不一致时，利用第一线性回归方程，获得关键参数集中各参数的调整量，最后生成调控高炉冶炼的调控指令。本发明结合高炉冶炼中的物理变化和化学变化，认为一阶参数对应的高阶参数以及各参数之间的交叉关联对炉况预测存在密切的关联，因此选用了一阶参数、高阶参数和交叉参数作为影响预测炉况的参数来构建训练参数集，进而使第一线性回归方程的拟合更贴近真实的高炉冶炼环境，从而获得能够有效调控高炉冶炼过程中高炉炉况的调控指令。
Description
技术领域
本发明涉及高炉冶炼调控技术领域，具体涉及一种高炉冶炼的调控方法和装置。
背景技术
高炉是一个大型的竖型逆流式反应器，从高炉工艺的输入和输出来看：自炉顶加入的冷态物料(例如烧结矿、球团矿、块矿、焦炭和熔剂等)受重力的作用逐层下沉，在下沉过程中受到自下而上的高温还原气体的作用逐渐被加热、分解、还原、软化、熔融、滴落、渗碳并最终形成渣铁融体而分离。
生产中，高炉的炉况对于冶炼的效果至关重要。目前，高炉冶炼的各个阶段均存在经理论计算和实际检测获得的最佳炉况，现有的高炉冶炼调控方法大多通过经验赋值的方式，给出不同时间不同阶段的矿石加入量、焦炭加入量、煤粉喷入量和鼓风量等控制量，以使不同时间不同阶段高炉的炉况趋近该最佳炉况，并根据高炉的实时炉况，及时调整这些控制量，以保证最后冶炼产出的铁水在物理层面和化学层面均符合期望的结果。
但从更改与高炉冶炼相关的控制量，到这些控制量生效，整个过程存在一定的滞后，同时由于高炉炉况的动态变化，导致这个过程不能够被量化，使得现有的高炉冶炼的调控方法不能有效地调控高炉炉况。
发明内容
本发明的目的是提供一种高炉冶炼的调控方法和装置，以有效地调控高炉冶炼过程中高炉的炉况。
本发明实施例提供了以下方案：
第一方面，本发明实施例提供一种高炉冶炼的调控方法，所述方法包括：
构建用于获取历史炉况的训练参数集；其中，所述训练参数集包括一阶参数集、高阶参数集和交叉参数集；所述高阶参数集根据所述一阶参数集而构建；所述交叉参数集由所述一阶参数集和所述高阶参数集中的各参数交叉运算而构建；其中，所述历史炉况为历史铁水温度或历史铁水硅含量；
根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集；
根据所述关键参数集，构建用于获得预测炉况的第一线性回归方程；其中，所述第一线性回归方程为：
其中，Y1为所述预测炉况；Xi为所述关键参数集中的第i个参数；ai为Xi的权重系数；所述预测炉况为预测铁水温度或预测铁水硅含量；
获取当前高炉冶炼中影响炉况的实时控制量；
根据所述实时控制量，更新所述关键参数集；
利用所述第一线性回归方程和更新后的所述关键参数集，获得所述预测炉况；
判断所述预测炉况是否与期望炉况一致；其中，所述期望炉况为期望铁水温度或期望铁水硅含量；
若不一致，则根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值；
根据所述关键参数集中各参数的调整值对高炉冶炼进行调控，以使所述预测炉况趋向于所述期望炉况。
在一种可能的实施例中，所述构建用于获取历史炉况的训练参数集，包括：
获取影响所述历史炉况的控制量集；其中，所述控制量集包括一段时期内若干个时刻采集的控制量；所述若干个时刻采集的控制量的类型包括焦炭固定碳量、煤粉固定碳量、焦炭批重、喷吹煤量、热风温度、风量、焦炭热强度、焦炭负荷、炉渣碱度和煤气利用率中的一种或多种；
对所述控制量集进行归一化处理，获得所述一阶参数集；
对所述一阶参数集中的各参数进行高阶运算，获得所述高阶参数集；
对所述一阶参数集和所述高阶参数集中的各参数进行交叉运算，构建所述交叉参数集；
根据所述一阶参数集、所述高阶参数集和所述交叉参数集，构建训练参数集。
在一种可能的实施例中，所述根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集，包括：
根据第二线性回归方程的拟合结果，获取所述训练参数集中各参数的权重系数；其中，所述第二线性回归方程为：
其中，Y2为所述历史炉况，Xj为所述训练参数集中的第j个参数，bj为Xj的权重系数；
根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集。
在一种可能的实施例中，所述根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集，包括：
依据所述训练参数集中各参数的权重系数，以由大到小的顺序，对所述训练参数集中各参数进行排序，获得参数序列；
将所述参数序列中前N个参数作为所述若干个参数；其中，N为不小于1的整数；
根据所述若干个参数，构建所述关键参数集。
在一种可能的实施例中，所述根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值，包括：
步骤1，将所述更新后的所述关键参数集中各参数划分为可调整参数和不可调整参数；
步骤2，更新所述可调整参数的值；
步骤3，将更新后的所述可调整参数、所述不可调整参数和所述期望炉况代入到所述第一线性回归方程中，判断代入后的所述第一线性回归方程是否成立；
步骤4，若成立，则根据未更新的所述可调整参数的值和更新后的所述可调整参数的值，获取所述可调整参数的调整值；
步骤5，若不成立，则返回步骤2。
第二方面，本发明实施例提供一种高炉冶炼的调控装置，所述装置包括：
训练参数集构建模块，用于构建用于获取历史炉况的训练参数集；其中，所述训练参数集包括一阶参数集、高阶参数集和交叉参数集；所述高阶参数集根据所述一阶参数集而构建；所述交叉参数集由所述一阶参数集和所述高阶参数集中的各参数交叉运算而构建；其中，所述历史炉况为历史铁水温度或历史铁水硅含量；
关键参数集构建模块，用于根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集；
第一线性回归方程获取模块，用于根据所述关键参数集，构建用于获得预测炉况的第一线性回归方程；其中，所述第一线性回归方程为：
其中，Y1为所述预测炉况；Xi为所述关键参数集中的第i个参数；ai为Xi的权重系数；所述预测炉况为预测铁水温度或预测铁水硅含量；
实时控制量获取模块，用于获取当前高炉冶炼中影响炉况的实时控制量；
第一更新模块，用于根据所述实时控制量，更新所述关键参数集；
预测炉况获取模块，用于利用所述第一线性回归方程和更新后的所述关键参数集，获得所述预测炉况；
第一判断模块，用于判断所述预测炉况是否与期望炉况一致；其中，所述期望炉况为期望铁水温度或期望铁水硅含量；
调整值获取模块，用于在所述预测炉况与期望炉况不一致时，根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值；
调控模块，用于根据所述关键参数集中各参数的调整值对高炉冶炼进行调控，以使所述预测炉况趋向于所述期望炉况。
在一种可能的实施例中，所述训练参数集构建模块，包括：
控制量集获取模块，用于获取影响所述历史炉况的控制量集；其中，所述控制量集包括一段时期内若干个时刻采集的控制量；所述若干个时刻采集的控制量的类型包括焦炭固定碳量、煤粉固定碳量、焦炭批重、喷吹煤量、热风温度、风量、焦炭热强度、焦炭负荷、炉渣碱度和煤气利用率中的一种或多种；
一阶参数集获取模块，用于对所述控制量集进行归一化处理，获得所述一阶参数集；
高阶参数集获取模块，用于对所述一阶参数集中的各参数进行高阶运算，获得所述高阶参数集；
交叉参数集获取模块，用于对所述一阶参数集和所述高阶参数集中的各参数进行交叉运算，构建所述交叉参数集；
第一构建模块，用于根据所述一阶参数集、所述高阶参数集和所述交叉参数集，构建训练参数集。
在一种可能的实施例中，所述关键参数集构建模块，包括：
权重系数获取模块，用于根据第二线性回归方程的拟合结果，获取所述训练参数集中各参数的权重系数；其中，所述第二线性回归方程为：
其中，Y2为所述历史炉况，Xj为所述训练参数集中的第j个参数，bj为Xj的权重系数；
第二构建模块，用于根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集。
在一种可能的实施例中，所述第二构建模块，包括：
参数序列获取模块，用于依据所述训练参数集中各参数的权重系数，以由大到小的顺序，对所述训练参数集中各参数进行排序，获得参数序列；
若干个参数获取模块，用于将所述参数序列中前N个参数作为所述若干个参数；其中，N为不小于1的整数；
第三构建模块，用于根据所述若干个参数，构建所述关键参数集。
在一种可能的实施例中，所述调整值获取模块，包括：
划分模块，用于将所述更新后的所述关键参数集中各参数划分为可调整参数和不可调整参数；
第二更新模块，用于更新所述可调整参数的值；
第二判断模块，用于将更新后的所述可调整参数、所述不可调整参数和所述期望炉况代入到所述第一线性回归方程中，判断代入后的所述第一线性回归方程是否成立；
可调整参数的调整值获取模块，用于在代入后的所述第一线性回归方程成立时，根据未更新的所述可调整参数的值和更新后的所述可调整参数的值，获取所述可调整参数的调整值；
返回模块，用于在代入后的所述第一线性回归方程不成立时，返回所述第二更新模块。
第三方面，本发明实施例提供一种高炉冶炼的调控设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现第一方面中任一所述的高炉冶炼的调控方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时以实现第一方面中任一所述的高炉冶炼的调控方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明首先构建训练参数集，然后利用训练参数集构建关键参数集，并根据关键参数集构建用于获得预测炉况的第一线性回归方程，之后在预测炉况与期望炉况不一致时，利用第一线性回归方程，获得关键参数集中各参数的调整量，最后生成调控高炉冶炼的调控指令，以通过调整使预测炉温趋向于期望炉温。
本发明结合高炉冶炼中的物理变化和化学变化，认为一阶参数对应的高阶参数以及各参数之间的交叉关联对炉况预测存在密切的关联，因此选用了一阶参数、高阶参数和交叉参数作为影响预测炉况的参数来构建训练参数集，进而使第一线性回归方程的拟合更贴近真实的高炉冶炼环境，从而获得能够有效调控高炉冶炼过程中高炉炉况的调控指令。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种高炉冶炼的调控方法的流程图；
图2是本发明实施例提供的一种高炉冶炼的调控装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明实施例保护的范围。
本发明发明人基于高炉的具体结构以及工作原理，考虑到高炉长期处于上冷下热的状态，给出了高炉冶炼过程中的热量传递的一个动态平衡方程，具体为：
输入热量Qinput+输入时炉内热量Q1＝产出热量Qoutput+产出时炉内热量Q2。
其中，输入热量Qinput主要由加入的焦炭和煤粉的热值以及风温所携带的热量所提供；输入时炉内热量Q1主要由输入时炉内的显热和潜热来提供；产出热量Qoutput主要由冶炼产出的铁水和炉渣所携带的热量以及高炉煤气的化学能、内能来提供；产出时炉内热量Q2主要由产出时炉内的显热和潜热来提供。
现有高炉的有效高度大多在20米以上，冷态物料有规律的定时定量的方式从炉顶降落，形成块状带，下降后经升温软化熔融形成软融带，渣铁完全融化后从焦炭层缝隙滴落进入滴落带，然后经风口燃烧带进入渣铁储藏区，并随着铁口开启而排出，整个过程基本是匀速下降，行业经验认为下降过程时间约为6～10个小时，该数值因高炉的容积、内型结构、操作炉型而异，不能视为一个固定值，因此上述动态平衡方程中的输入热量和产出热量不处于同一个时间点。
同样动态平衡方程中的输入时炉内热量和产出时炉内热量的数值也存在时间差，即物料投入时高炉内的热量Q1与该批物料所产生的渣铁正排出时高炉内的热量Q2也存在6～10个小时的差值。尽管该过程中有电偶可监测炉身温度，但仅能反映壁体的温度变化，无法反映内部温度变化，且温度变化仅能反映炉内显热，而各类物料存在冶金性能的差异，其从块状带进入软融带区间时，潜热变化的时间并不一致，使得炉内热量是一个难以测量和表述的模糊系统。同时，各控制量之间还存在着交叉影响，使得量化高炉冶炼的过程更加困难。
本发明希望根据动态平衡方程，将高炉中可量化的控制量进行数据挖掘及处理，获得能够将未来设定时刻的高炉炉况调整至期望炉况的调控指令。
请参阅图1，图1为本发明实施例提供的一种高炉冶炼的调控方法的流程图，包括步骤11至步骤19。
步骤11，构建用于获取历史炉况的训练参数集。
其中，所述训练参数集包括一阶参数集、高阶参数集和交叉参数集；所述高阶参数集根据所述一阶参数集而构建；所述交叉参数集由所述一阶参数集和所述高阶参数集中的各参数交叉运算而构建；其中，所述历史炉况为历史铁水温度或历史铁水硅含量。
具体的，高炉冶炼的产出物主要有铁水、炉渣、高炉煤气和氢气等，由于高炉煤气和氢气也参与炉内反应，因此本发明将铁水温度和铁水硅含量作为可量化的炉况进行预测分析。
具体来讲，一阶参数集中的参数均由常规的高炉冶炼可量化的控制量归一化获得，本发明的发明人在使用这些一阶参数，并利用动态平衡方程，对高炉冶炼过程进行建模分析时，分析结果总是和实测的高炉炉况存在偏差。经深入分析后，本发明的发明人认为，在高炉冶炼过程中，只分离地看待每个一阶参数，而不有机地考虑各参数之间的交叉影响，是导致上述分析结果与实测的高炉炉况存在偏差的重要原因，同时在对高炉冶炼的量化过程中，只考虑一阶参数，而未考虑与一阶参数相关的高阶参数，也是导致分析结果不准确的重要原因。
为此，本步骤使用一阶参数集、高阶参数集和交叉参数集来构建训练参数集，使得训练参数集包含有一阶参数集、高阶参数集和交叉参数集中的所有参数，有利于之后对高炉冶炼过程的准确量化。、
这里，本发明还给出了一种较优的构建训练参数集的方案，具体方案为：
所述构建用于获取历史炉况的训练参数集，包括步骤111至步骤115。
步骤111，获取影响所述历史炉况的控制量集。
其中，所述控制量集包括一段时期内若干个时刻采集的控制量；所述若干个时刻采集的控制量的类型包括焦炭固定碳量、煤粉固定碳量、焦炭批重、喷吹煤量、热风温度、风量、焦炭热强度、焦炭负荷、炉渣碱度和煤气利用率中的一种或多种
具体来说，影响炉况的控制量是指高炉冶炼过程中与上述动态平衡方程相关的可量化控制量，例如某一时刻具体的焦炭固定碳量、煤粉固定碳量、焦炭批重、喷吹煤量、热风温度和风量等。这些控制量有些原本就带有温度，能够直接影响高炉中的炉温，有些则会通过物理状态的变化(由固态到液态)释放出热量从而影响炉温，有些则会通过化学能的转化释放出热量从而影响炉温。控制量可以根据实际需要灵活选取，从而构建出控制量集。
由于一次高炉冶炼过程可能会持续数个小时，这个过程中的控制量的形态、化学能和内能等均发生动态的变化，本实施例使用不同时刻采集的不同种类的控制量，以全面准确地量化先前历史时期中高炉冶炼的过程。
步骤112，对所述控制量集进行归一化处理，获得所述一阶参数集。
具体来说，一阶参数集中的参数与控制量集中的控制量一一对应，分属于不同的控制量类型，而由于同一类控制量还细分为不同时刻采集的控制量，本步骤中的一阶参数集中的参数也相应地隶属于不同控制量类型，存在不同时刻的分类。
这里，使用集合的数学表达式，来说明一阶参数集的构成。
其中，X(1)为一种可能的一阶参数集，其中的参数隶属于m种控制量类型，属于第1类控制量类型的参数分别是由t1时刻至tn1时刻采集获得的，属于第2类控制量类型的参数至少包括t2时刻采集获得的
属于第m类控制量类型的参数分别是由t3时刻至tn2时刻采集获得的。
步骤113，对所述一阶参数集中的各参数进行高阶运算，获得所述高阶参数集。
具体来说，最简单的高阶运算为幂指数运算，例如将一阶参数集中的每个参数分别进行平方运算，就获得了二阶参数集，将一阶参数集中的每个参数分别进行立方运算，就获得了三阶参数集，以此类推。
当然，还可以使用指数运算、高阶多项式运算等方式来获取高阶参数集。
这里以二阶参数集和三阶参数集共同作为高阶参数集，继续使用集合的数学表达式，来说明高阶参数集的构成。
X(n)＝X(2)∪X(3)
其中，X(n)为一种可能的高阶参数集，X(2)为一种可能的二阶参数集，X(3)为一种可能的三阶参数集；二阶参数集X(2)和三阶参数集X(3)中的参数与上述一阶参数集X(1)中的参数一一对应。
步骤114，对所述一阶参数集和所述高阶参数集中的各参数进行交叉运算，构建所述交叉参数集。
具体来说，最简单的交叉运算为乘除运算，从一阶参数集和高阶参数集中任选两个参数相乘，将新获得的交叉运算过的参数放入交叉参数集中，然后遍历一阶参数集和高阶参数集，从而完成二重交叉运算集的构建。当然还可以从一阶参数集和高阶参数集中任选三个参数相乘，将新获得的交叉运算过的参数放入交叉参数集中，然后遍历一阶参数集和高阶参数集，从而完成三重交叉运算集的构建，以此类推，从而构建出交叉参数集。
当然，还可以使用乘除运算以外的其它常规运算，来实现交叉运算，从而构建交叉参数集。
这里以二重交叉运算集和三重交叉运算集共同作为交叉运算集，继续使用集合的数学表达式，来说明交叉运算集的构成。
A＝X(1)∪X(n)＝{A1,A2,…,Ar}
B＝B(2)∪B(3)
B(2)＝{A1A2,…,Ar-1Ar}
B(3)＝{A1A2A3,…,Ar-2Ar-1Ar}
其中，集合A为一阶参数集和高阶参数集的合集，共有r个参数，B为交叉运算集，B(2)为二重交叉运算集，B(3)为三重交叉运算集。
步骤115，根据所述一阶参数集、所述高阶参数集和所述交叉参数集，构建训练参数集。
具体来讲，训练参数集包含有一阶参数集、高阶参数集和交叉参数集中的所有参数，能够准确地量化整个高炉冶炼的过程，从而给出精准的调控指令，以将高炉未来某个时刻的炉况调整至期望炉况。
步骤12，根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集。
具体来讲，关键参数集中的关键参数是对历史炉况影响较大的参数，可以根据技术人员的经验进行选取。
但由于前文所述的高炉冶炼过程的复杂性，这种人为选出的关键参数与实际情况还是存在较大偏差，为了提高关键参数集的构建精度，这里还提供了一种较优的方案，具体为：
所述根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集，包括步骤121至步骤122。
步骤121，根据第二线性回归方程的拟合结果，获取所述训练参数集中各参数的权重系数；其中，所述第二线性回归方程为：
其中，Y2为所述历史炉况，Xj为所述训练参数集中的第j个参数，bj为Xj的权重系数。
具体来说，本发明的发明人经过大量研究分析，发现历史炉况与训练参数集中的参数之间存在线性回归的关系，因此构建了第二线性回归方程，其中，预测炉况和训练参数集中的各参数为已知量，各参数的权重系数为未知量，通过minitab等软件对其进行拟合计算，就可以获得各参数的权重系数。
当然还可以通过训练好的神经网络模型，直接获得拟合好的第二线性回归方程，从而获取各参数的权重系数。
步骤122，根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集。
具体来说，通过判断各参数的权重系数的大小，来确定各参数对预测炉况的影响大小。可以将训练参数集中权重系数大于设定权重阈值的所有参数均放入进关键参数集中，完成关键参数集的构建。
这里，本发明还给出了一种较优的构建关键参数集的方案，具体方案为：
所述根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集，包括步骤1221至步骤1223。
步骤1221，依据所述训练参数集中各参数的权重系数，以由大到小的顺序，对所述训练参数集中各参数进行排序，获得参数序列。
具体来说，依据各参数的权重系数的大小，将各参数按照其权重系数由大到小排序，从而获得预测参数序列。
步骤1222，将所述参数序列中前N个参数作为所述若干个参数；其中，N为不小于1的整数。
具体来说，本步骤将预测参数序列中的前N个参数作为了对预测炉况影响较大的参数，保证了每次构建关键参数集的参数数量的统一，方便之后的计算。
具体的，N的取值可以是控制量集中控制量种类数量的二倍。
步骤1223，根据所述若干个参数，构建所述关键参数集。
具体的，关键参数集包含有这些对预测炉况影响较大的参数。
步骤13，根据所述关键参数集，构建用于获得预测炉况的第一线性回归方程；其中，所述第一线性回归方程为：
其中，Y1为所述预测炉况；Xi为所述关键参数集中的第i个参数；ai为Xi的权重系数；所述预测炉况为预测铁水温度或预测铁水硅含量。
具体来说，本步骤中在构建第一线性回归方程时，以历史炉况作为预测炉况Y1，并将关键参数集中各参数代入其中，拟合出关键参数集中各参数相应的权重系数。建立完成后，第一线性回归方程就能够用来预测出未来某一时刻的炉况了。
步骤14，获取当前高炉冶炼中影响炉况的实时控制量。
具体来说，通过相应的现有在线检测手段，能够获得高炉当前运行的一段时间内的实时控制量。这些实时控制量的类型可以是焦炭固定碳量、煤粉固定碳量、焦炭批重、喷吹煤量、热风温度、风量、焦炭热强度、焦炭负荷、炉渣碱度和煤气利用率中的一种或多种。
步骤15，根据所述实时控制量，更新所述关键参数集。
具体来讲，这里保留关键参数集中各参数的类型，并使用步骤14中获取的实时控制量经归一化处理后，依类型更新关键参数集。
步骤16，利用所述第一线性回归方程和更新后的所述关键参数集，获得所述预测炉况。
具体来讲，将更新后的关键参数集代入第一线性回归方程，即可获取对应的预测炉况。
步骤17，判断所述预测炉况是否与期望炉况一致。
其中，所述期望炉况为期望铁水温度或期望铁水硅含量。
具体来说，期望炉况是通过理论分析或实际测量或生产要求所预先确定的设定时刻高炉的最佳炉况，它可以是一个范围，也可以是一个具体的值。由于本实施例中使用预测铁水温度或预测铁水硅含量来作为可量化的预测炉况，那么与之对应的期望铁水温度或期望铁水硅含量就是改期望炉况。
具体的，步骤16中获得的预测炉况可能是预测铁水温度1000℃，而期望铁水温度为1100至1200℃，此时预测炉况就与期望炉况不一致；步骤12中获得的预测炉况也可能是预测铁水硅含量0.1％，而期望铁水硅含量为0.3至0.5％，此时预测炉况就与期望炉况不一致。
当然，还可以预测炉况与期望炉况之间的偏差，作为二者是否一致的判断条件，当偏差超过一定阈值，则认为不一致，反之则认为是一致的。
步骤18，若不一致，则根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值。
具体的，这里将期望炉况作为第一线性回归方程中的预测炉况Y1，然后更改更新后的所述关键参数集中各参数的值，以使方程能够重新成立。
这里还提供一种较优的获取调整值的方案，具体为：
所述根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值，包括步骤181至步骤185。
步骤181，将所述更新后的所述关键参数集中各参数划分为可调整参数和不可调整参数。
具体的，在实际的高炉冶炼中，有些控制量是不容易改变的，例如关键参数集中存在与焦炭固碳量相关的参数，而焦炭固碳量跟当次购入的焦炭质量有关系，对于已经购入的焦炭，已经无法再改变其质量，只能相应来使用，因此这种情况下，关键参数集中与焦炭固碳量相关的参数就是不可调整参数。
步骤182，更新所述可调整参数的值。
具体的，调整可调整参数的值，实现可调整参数的值的更新。
步骤183，将更新后的所述可调整参数、所述不可调整参数和所述期望炉况代入到所述第一线性回归方程中，判断代入后的所述第一线性回归方程是否成立。
步骤184，若成立，则根据未更新的所述可调整参数的值和更新后的所述可调整参数的值，获取所述可调整参数的调整值。
步骤185，若不成立，则返回步骤182。
步骤19，根据所述关键参数集中各参数的调整值对高炉冶炼进行调控，以使所述预测炉况趋向于所述期望炉况。
具体的，如果经过上述步骤的运算处理，认为7个小时后的预测炉况中铁水温度过低，本实施例最终获得的关键参数集中的参数及其调整值详见表1。
表1
根据表1可知，目前需要提高t1时刻、t3时刻和t4时刻煤粉固定碳量，以及提高t2时刻和t5时刻热风温度。
本步骤根据控制量集中给出的t1时刻、t3时刻和t4时刻煤粉固定碳量以及t2时刻和t5时刻热风温度，结合表1给出的调整值以及相应的归一化标准，生成具体的调控指令。例如，将t1时刻、t3时刻和t4时刻煤粉固定碳量分别提高0.5吨、0.15吨和0.04吨，将t2时刻和t5时刻热风温度分别提高200℃和80℃。
当然，如果由于关键参数集中的可调整参数过少，或者第一线性回归方程的拟合结果不符合要求，也就是说通过关键参数集中各参数的调整值无法生成调控指令，则使用其他控制量的方式来使设定时刻的预测炉况调整至期望炉况。例如，当铁水硅含量过低时，可以通过添加熔剂的方式来提高铁水硅含量，也可以通过添加一定数量的净焦来提高铁水硅含量。
基于与方法同样的发明构思，本发明实施例还提供了一种高炉冶炼的调控装置，如图2所示为该装置实施例的结构示意图，所述装置包括：
训练参数集构建模块21，用于构建用于获取历史炉况的训练参数集；其中，所述训练参数集包括一阶参数集、高阶参数集和交叉参数集；所述高阶参数集根据所述一阶参数集而构建；所述交叉参数集由所述一阶参数集和所述高阶参数集中的各参数交叉运算而构建；其中，所述历史炉况为历史铁水温度或历史铁水硅含量；
关键参数集构建模块22，用于根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集；
第一线性回归方程获取模块23，用于根据所述关键参数集，构建用于获得预测炉况的第一线性回归方程；其中，所述第一线性回归方程为：
其中，Y1为所述预测炉况；Xi为所述关键参数集中的第i个参数；ai为Xi的权重系数；所述预测炉况为预测铁水温度或预测铁水硅含量；
实时控制量获取模块24，用于获取当前高炉冶炼中影响炉况的实时控制量；
第一更新模块25，用于根据所述实时控制量，更新所述关键参数集；
预测炉况获取模块26，用于利用所述第一线性回归方程和更新后的所述关键参数集，获得所述预测炉况；
第一判断模块27，用于判断所述预测炉况是否与期望炉况一致；其中，所述期望炉况为期望铁水温度或期望铁水硅含量；
调整值获取模块28，用于在所述预测炉况与期望炉况不一致时，根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值；
调控模块29，用于根据所述关键参数集中各参数的调整值对高炉冶炼进行调控，以使所述预测炉况趋向于所述期望炉况。
在一种可能的实施例中，所述训练参数集构建模块21，包括：
控制量集获取模块，用于获取影响所述历史炉况的控制量集；其中，所述控制量集包括一段时期内若干个时刻采集的控制量；所述若干个时刻采集的控制量的类型包括焦炭固定碳量、煤粉固定碳量、焦炭批重、喷吹煤量、热风温度、风量、焦炭热强度、焦炭负荷、炉渣碱度和煤气利用率中的一种或多种；
一阶参数集获取模块，用于对所述控制量集进行归一化处理，获得所述一阶参数集；
高阶参数集获取模块，用于对所述一阶参数集中的各参数进行高阶运算，获得所述高阶参数集；
交叉参数集获取模块，用于对所述一阶参数集和所述高阶参数集中的各参数进行交叉运算，构建所述交叉参数集；
第一构建模块，用于根据所述一阶参数集、所述高阶参数集和所述交叉参数集，构建训练参数集。
在一种可能的实施例中，所述关键参数集构建模块22，包括：
权重系数获取模块，用于根据第二线性回归方程的拟合结果，获取所述训练参数集中各参数的权重系数；其中，所述第二线性回归方程为：
其中，Y2为所述历史炉况，Xj为所述训练参数集中的第j个参数，bj为Xj的权重系数；
第二构建模块，用于根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集。
在一种可能的实施例中，所述第二构建模块，包括：
参数序列获取模块，用于依据所述训练参数集中各参数的权重系数，以由大到小的顺序，对所述训练参数集中各参数进行排序，获得参数序列；
若干个参数获取模块，用于将所述参数序列中前N个参数作为所述若干个参数；其中，N为不小于1的整数；
第三构建模块，用于根据所述若干个参数，构建所述关键参数集。
在一种可能的实施例中，所述调整值获取模块28，包括：
划分模块，用于将所述更新后的所述关键参数集中各参数划分为可调整参数和不可调整参数；
第二更新模块，用于更新所述可调整参数的值；
第二判断模块，用于将更新后的所述可调整参数、所述不可调整参数和所述期望炉况代入到所述第一线性回归方程中，判断代入后的所述第一线性回归方程是否成立；
可调整参数的调整值获取模块，用于在代入后的所述第一线性回归方程成立时，根据未更新的所述可调整参数的值和更新后的所述可调整参数的值，获取所述可调整参数的调整值；
返回模块，用于在代入后的所述第一线性回归方程不成立时，返回所述第二更新模块。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种高炉冶炼的调控设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前文任一所述方法的步骤。
基于与前述实施例中同样的发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文任一所述方法的步骤。
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明实施例首先构建训练参数集，然后利用训练参数集构建关键参数集，并根据关键参数集构建用于获得预测炉况的第一线性回归方程，之后在预测炉况与期望炉况不一致时，利用第一线性回归方程，获得关键参数集中各参数的调整量，最后生成调控高炉冶炼的调控指令，以通过调整使预测炉温趋向于期望炉温。
本发明实施例结合高炉冶炼中的物理变化和化学变化，认为一阶参数对应的高阶参数以及各参数之间的交叉关联对炉况预测存在密切的关联，因此选用了一阶参数、高阶参数和交叉参数作为影响预测炉况的参数来构建训练参数集，进而使第一线性回归方程的拟合更贴近真实的高炉冶炼环境，从而获得能够有效调控高炉冶炼过程中高炉炉况的调控指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(模块、系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种高炉冶炼的调控方法，其特征在于，所述方法包括：
构建用于获取历史炉况的训练参数集；其中，所述训练参数集包括一阶参数集、高阶参数集和交叉参数集；所述高阶参数集根据所述一阶参数集而构建；所述交叉参数集由所述一阶参数集和所述高阶参数集中的各参数交叉运算而构建；其中，所述历史炉况为历史铁水温度或历史铁水硅含量；
根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集；
根据所述关键参数集，构建用于获得预测炉况的第一线性回归方程；其中，所述第一线性回归方程为：
其中，Y1为所述预测炉况；Xi为所述关键参数集中的第i个参数；ai为Xi的权重系数；所述预测炉况为预测铁水温度或预测铁水硅含量；
获取当前高炉冶炼中影响炉况的实时控制量；
根据所述实时控制量，更新所述关键参数集；
利用所述第一线性回归方程和更新后的所述关键参数集，获得所述预测炉况；
判断所述预测炉况是否与期望炉况一致；其中，所述期望炉况为期望铁水温度或期望铁水硅含量；
若不一致，则根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值；
根据所述关键参数集中各参数的调整值对高炉冶炼进行调控，以使所述预测炉况趋向于所述期望炉况。
2.根据权利要求1所述的高炉冶炼的调控方法，其特征在于，所述构建用于获取历史炉况的训练参数集，包括：
获取影响所述历史炉况的控制量集；其中，所述控制量集包括一段时期内若干个时刻采集的控制量；所述若干个时刻采集的控制量的类型包括焦炭固定碳量、煤粉固定碳量、焦炭批重、喷吹煤量、热风温度、风量、焦炭热强度、焦炭负荷、炉渣碱度和煤气利用率中的一种或多种；
对所述控制量集进行归一化处理，获得所述一阶参数集；
对所述一阶参数集中的各参数进行高阶运算，获得所述高阶参数集；
对所述一阶参数集和所述高阶参数集中的各参数进行交叉运算，构建所述交叉参数集；
根据所述一阶参数集、所述高阶参数集和所述交叉参数集，构建训练参数集。
3.根据权利要求1所述的高炉冶炼的调控方法，其特征在于，所述根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集，包括：
根据第二线性回归方程的拟合结果，获取所述训练参数集中各参数的权重系数；其中，所述第二线性回归方程为：
其中，Y2为所述历史炉况，Xj为所述训练参数集中的第j个参数，bj为Xj的权重系数；
根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集。
4.根据权利要求3所述的高炉冶炼的调控方法，其特征在于，所述根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集，包括：
依据所述训练参数集中各参数的权重系数，以由大到小的顺序，对所述训练参数集中各参数进行排序，获得参数序列；
将所述参数序列中前N个参数作为所述若干个参数；其中，N为不小于1的整数；
根据所述若干个参数，构建所述关键参数集。
5.根据权利要求1所述的高炉冶炼的调控方法，其特征在于，所述根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值，包括：
步骤1，将所述更新后的所述关键参数集中各参数划分为可调整参数和不可调整参数；
步骤2，更新所述可调整参数的值；
步骤3，将更新后的所述可调整参数、所述不可调整参数和所述期望炉况代入到所述第一线性回归方程中，判断代入后的所述第一线性回归方程是否成立；
步骤4，若成立，则根据未更新的所述可调整参数的值和更新后的所述可调整参数的值，获取所述可调整参数的调整值；
步骤5，若不成立，则返回步骤2。
6.一种高炉冶炼的调控装置，其特征在于，所述装置包括：
训练参数集构建模块，用于构建用于获取历史炉况的训练参数集；其中，所述训练参数集包括一阶参数集、高阶参数集和交叉参数集；所述高阶参数集根据所述一阶参数集而构建；所述交叉参数集由所述一阶参数集和所述高阶参数集中的各参数交叉运算而构建；其中，所述历史炉况为历史铁水温度或历史铁水硅含量；
关键参数集构建模块，用于根据所述历史炉况，从所述训练参数集中选出若干个参数，构建关键参数集；
第一线性回归方程获取模块，用于根据所述关键参数集，构建用于获得预测炉况的第一线性回归方程；其中，所述第一线性回归方程为：
其中，Y1为所述预测炉况；Xi为所述关键参数集中的第i个参数；ai为Xi的权重系数；所述预测炉况为预测铁水温度或预测铁水硅含量；
实时控制量获取模块，用于获取当前高炉冶炼中影响炉况的实时控制量；
第一更新模块，用于根据所述实时控制量，更新所述关键参数集；
预测炉况获取模块，用于利用所述第一线性回归方程和更新后的所述关键参数集，获得所述预测炉况；
第一判断模块，用于判断所述预测炉况是否与期望炉况一致；其中，所述期望炉况为期望铁水温度或期望铁水硅含量；
调整值获取模块，用于在所述预测炉况与期望炉况不一致时，根据所述期望炉况和所述第一线性回归方程，对所述更新后的所述关键参数集中各参数进行调整，获得所述更新后的所述关键参数集中各参数的调整值；
调控模块，用于根据所述关键参数集中各参数的调整值对高炉冶炼进行调控，以使所述预测炉况趋向于所述期望炉况。
7.根据权利要求6所述的高炉冶炼的调控装置，其特征在于，所述训练参数集构建模块，包括：
控制量集获取模块，用于获取影响所述历史炉况的控制量集；其中，所述控制量集包括一段时期内若干个时刻采集的控制量；所述若干个时刻采集的控制量的类型包括焦炭固定碳量、煤粉固定碳量、焦炭批重、喷吹煤量、热风温度、风量、焦炭热强度、焦炭负荷、炉渣碱度和煤气利用率中的一种或多种；
一阶参数集获取模块，用于对所述控制量集进行归一化处理，获得所述一阶参数集；
高阶参数集获取模块，用于对所述一阶参数集中的各参数进行高阶运算，获得所述高阶参数集；
交叉参数集获取模块，用于对所述一阶参数集和所述高阶参数集中的各参数进行交叉运算，构建所述交叉参数集；
第一构建模块，用于根据所述一阶参数集、所述高阶参数集和所述交叉参数集，构建训练参数集。
8.根据权利要求6所述的高炉冶炼的调控装置，其特征在于，所述关键参数集构建模块，包括：
权重系数获取模块，用于根据第二线性回归方程的拟合结果，获取所述训练参数集中各参数的权重系数；其中，所述第二线性回归方程为：
其中，Y2为所述历史炉况，Xj为所述训练参数集中的第j个参数，bj为Xj的权重系数；
第二构建模块，用于根据所述训练参数集中各参数的权重系数，从所述训练参数集中选出若干个参数，构建关键参数集。
9.一种高炉冶炼的调控设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现权利要求1至5任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时以实现权利要求1至5任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010582376.3A CN111679584B (zh) | 2020-06-23 | 2020-06-23 | 一种高炉冶炼的调控方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010582376.3A CN111679584B (zh) | 2020-06-23 | 2020-06-23 | 一种高炉冶炼的调控方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111679584A true CN111679584A (zh) | 2020-09-18 |
| CN111679584B CN111679584B (zh) | 2022-05-03 |
Family
ID=72456362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010582376.3A Active CN111679584B (zh) | 2020-06-23 | 2020-06-23 | 一种高炉冶炼的调控方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111679584B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211383A (zh) * | 2007-12-21 | 2008-07-02 | 浙江大学 | 一种高炉铁水硅含量的特征分析预报方法 |
| CN102031319A (zh) * | 2009-09-30 | 2011-04-27 | 鞍钢股份有限公司 | 一种高炉铁水含硅量的预报方法 |
| CN103320559A (zh) * | 2013-07-10 | 2013-09-25 | 鞍钢股份有限公司 | 一种高炉铁水硫含量预报方法 |
| CN104267610A (zh) * | 2014-08-29 | 2015-01-07 | 内蒙古科技大学 | 高精度的高炉冶炼过程异常数据检测及修补方法 |
| CN104750902A (zh) * | 2014-11-07 | 2015-07-01 | 东北大学 | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 |
| CN104899425A (zh) * | 2015-05-07 | 2015-09-09 | 浙江大学 | 一种高炉铁水硅含量的变量选择预报方法 |
| CN107299170A (zh) * | 2017-08-10 | 2017-10-27 | 东北大学 | 一种高炉铁水质量鲁棒软测量方法 |
| CN107390524A (zh) * | 2017-07-17 | 2017-11-24 | 东北大学 | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 |
| CN108153146A (zh) * | 2017-12-12 | 2018-06-12 | 东北大学 | 一种高炉多元铁水质量无模型自适应控制系统及方法 |
| CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
-
2020
- 2020-06-23 CN CN202010582376.3A patent/CN111679584B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211383A (zh) * | 2007-12-21 | 2008-07-02 | 浙江大学 | 一种高炉铁水硅含量的特征分析预报方法 |
| CN102031319A (zh) * | 2009-09-30 | 2011-04-27 | 鞍钢股份有限公司 | 一种高炉铁水含硅量的预报方法 |
| CN103320559A (zh) * | 2013-07-10 | 2013-09-25 | 鞍钢股份有限公司 | 一种高炉铁水硫含量预报方法 |
| CN104267610A (zh) * | 2014-08-29 | 2015-01-07 | 内蒙古科技大学 | 高精度的高炉冶炼过程异常数据检测及修补方法 |
| CN104750902A (zh) * | 2014-11-07 | 2015-07-01 | 东北大学 | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 |
| CN104899425A (zh) * | 2015-05-07 | 2015-09-09 | 浙江大学 | 一种高炉铁水硅含量的变量选择预报方法 |
| CN107390524A (zh) * | 2017-07-17 | 2017-11-24 | 东北大学 | 一种基于双线性子空间辨识的高炉铁水质量优化控制方法 |
| CN107299170A (zh) * | 2017-08-10 | 2017-10-27 | 东北大学 | 一种高炉铁水质量鲁棒软测量方法 |
| CN108153146A (zh) * | 2017-12-12 | 2018-06-12 | 东北大学 | 一种高炉多元铁水质量无模型自适应控制系统及方法 |
| CN108764517A (zh) * | 2018-04-08 | 2018-11-06 | 中南大学 | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111679584B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108676955B (zh) | 一种转炉炼钢终点碳含量和温度控制方法 | |
| WO2021189739A1 (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| Wang et al. | Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction | |
| CN106909705A (zh) | 一种高炉铁水质量预报方法及其系统 | |
| CN107368125B (zh) | 一种基于cbr与rbr并行混合推理的高炉炉温控制系统及方法 | |
| CN103544273A (zh) | 利用模式识别技术对炉况整体状态进行评估的方法 | |
| CN110427715B (zh) | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 | |
| CN106096637A (zh) | 基于Elman‑Adaboost强预测器的铁水硅含量预测方法 | |
| CN101109950A (zh) | 高炉生产过程控制信息智能化系统 | |
| CN105807741A (zh) | 一种工业生产流程预测方法 | |
| CN100546791C (zh) | 沥青混合料搅拌设备冷骨料给料控制方法 | |
| CN104680012A (zh) | 一种烧结配料计算模型 | |
| CN113239482A (zh) | 一种转炉后吹碳含量动态预测方法及装置 | |
| CN111680932B (zh) | 一种高炉异常炉况成因的获取方法和装置 | |
| CN111679584B (zh) | 一种高炉冶炼的调控方法和装置 | |
| 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 | |
| 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 | |
| Jiang et al. | Prediction of FeO content in sintering process based on heat transfer mechanism and data-driven model | |
| Kumar | Optimization of blast furnace parameters using artificial neural network | |
| CN105404146A (zh) | 一种电石炉炉况诊断方法和系统 | |
| Nikolaevich et al. | Optimal energy-efficient combustion process control in heating furnaces of rolling mills | |
| Yang et al. | An analysis method for influence of bf operating parameters on gur based on convergent cross mapping algorithm | |
| CN116127345B (zh) | 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法 | |
| Lyalyuk et al. | Uniformity of blast-furnace parameters over the perimeter | |
| Campos et al. | Energy efficiency and line productivity improvements for a continuous heat treatment process |
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 |