CN111798023B - 一种炼钢烧结生产中综合焦比预测的方法 - Google Patents
一种炼钢烧结生产中综合焦比预测的方法 Download PDFInfo
- Publication number
- CN111798023B CN111798023B CN202010391943.7A CN202010391943A CN111798023B CN 111798023 B CN111798023 B CN 111798023B CN 202010391943 A CN202010391943 A CN 202010391943A CN 111798023 B CN111798023 B CN 111798023B
- Authority
- CN
- China
- Prior art keywords
- output
- matrix
- neuron
- input
- comprehensive
- 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.)
- Active
Links
- 238000005245 sintering Methods 0.000 title claims abstract description 48
- 239000000571 coke Substances 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 238000009628 steelmaking Methods 0.000 title claims abstract description 11
- 210000002569 neuron Anatomy 0.000 claims abstract description 32
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 39
- 210000004205 output neuron Anatomy 0.000 claims description 18
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 12
- 230000000630 rising effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 210000002364 input neuron Anatomy 0.000 claims description 9
- 229910004298 SiO 2 Inorganic materials 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 4
- 229910000831 Steel Inorganic materials 0.000 description 10
- 239000010959 steel Substances 0.000 description 10
- 238000004088 simulation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 238000012352 Spearman correlation analysis Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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"
-
- 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
- C22B1/14—Agglomerating; Briquetting; Binding; Granulating
- C22B1/16—Sintering; Agglomerating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
Abstract
本发明公开了一种炼钢烧结生产中综合焦比预测的方法，采用综合焦比(单位：Kg/t)作为烧结生产中碳效衡量指标，在建立烧结综合焦比预测输出模型的基础上，针对标记样本少的问题，采用基于流型假设的半监督的学习训练算法对有标签样本和无标签样本数据进行训练，并针对数据间线性与非线性关系共存的数据特点，提出了改进型极限学习机模型对训练数据进行拟合，改进型极限学习机的输入层神经元不仅与隐含层神经元相连，而且直接与输出层神经元相连，这种特殊的网络结构使该模型能够很好的同时拟合线性和非线性数据。
Description
技术领域
本发明涉及一种钢铁生产中烧结生产低碳运行的方法，尤其是涉及一种炼钢烧结生产中综合焦比预测的方法。
背景技术
钢铁行业是国家发展重要的支柱产业之一，伴随着钢铁行业的发展，其所带来的资源消耗以及引起的环境问题也日益突显，烧结生产为钢铁高炉冶炼提供原料，是钢铁生产中关键环节之一，同时也是炼钢生产中除高炉工序外最大的耗能工序，烧结过程中焦粉燃烧产生的温室气体是钢铁行业温室气体主要来源之一。提高其能源利用率，即提高烧结碳效，以降低烧结过程的能耗是实现钢铁生产中节能降耗的重要途径之一。也是提升企业竞争力的重要举措。
综合焦比(单位：Kg/t)作为烧结生产中碳效衡量指标，其指的是生产一吨成品烧结矿所消耗的碳量。综合焦比越小表明生产吨成品烧结矿所消耗的碳越少，其碳能源利用率就越高。而通过建立烧结综合焦比预测模型，并基于该模型对输入变量进行优化设定，则是保证实现烧结生产低碳运行一个有效的方法。
但是目前在烧结过中的数据有两种特点：
1.综合焦比有标签样本少；所谓的标签样本是指将返矿配比、焦粉配比、MgO含量、铁品位、SiO2含量、CaO含量、上升点位置、上升点温度、烧结终点位置和烧结终点温度这一组输入样本，具有相应的综合焦比输出，此时这一组输入输出样本对就定义为有标签样本，而只有输入样本没有对应综合焦比输出样本则定义为无标签样本。
2.数据之间线性和非线性关系共存。
而上述的这两个特点对采用标准的极限学习机进行综合焦比预测会产生较大的误差，无法满足实际生产需求。
发明内容
本发明所要解决的技术问题是提供一种炼钢烧结生产中综合焦比预测的方法，在建立烧结综合焦比预测输出模型的基础上，采用面向综合焦比指标的优化设定方法，根据烧结当前状态最优化综合焦比指标，确定烧结最优运行的优化设定值，从而保证烧结生产低碳运行，满足实际生产需求。
本发明解决上述技术问题所采用的技术方案为：一种炼钢烧结生产中综合焦比预测的方法，包括以下步骤：
a、定义综合焦比预测输出模型为其中， 为第i组样本的焦比预测输出，i＝1,2,...,l+u，l和u分别为有标签样本组和无标签样本组的个数，a为输出神经元的阈值，wio为连接输入神经元和输出神经元的权值，who为连接隐含层神经元和输出神经元的权值，X为样本输入矩阵，G为隐含层输出矩阵，I为单位矩阵；
b、从实际运行的烧结机上采集多组样本，包括有标签样本组和无标签样本组，每一组样本的输入包括返矿配比、焦粉配比、MgO含量、铁品位、SiO2含量、CaO含量、上升点位置、上升点温度、烧结终点位置和烧结终点温度；
c、将所有采集的样本输入综合焦比预测输出模型中进行训练，最终得到训练后的综合焦比预测输出模型；
d、将实时采集的样本输入训练后的综合焦比预测输出模型中，得到预测的综合焦比值。
将有标签样本组的数据集表示为无标签样本组的数据集表示为/>其中，xi表示第i个输入样本，则步骤a中的输入矩阵D为输入样本的维数，I＝[1,1,…,1]1×(l+u),N为总样本的个数N＝l+u，K为隐含层神经元的个数，G(·)为隐含层神经元激活函数，其具有以下特征：Wih为连接输入神经元和隐含层神经元的权值，b为输出神经元的阈值； 是第i个输入神经元和输出神经元的权值，/>其中/>是第i个隐含层神经元和输出神经元的权值。
其中/>是输入层神经元与第k个隐含层神经元的连接权值，b＝[b1,b2,…,bi,...,bK]T其中bi为第i个隐含层神经元的阈值，Wih和b是在综合焦比预测输出模型训练的过程中随机生成的。
定义W＝[wio,who,a]为综合焦比预测输出模型的输出权值，其是通过最小化下列目标函数得到的：
其中，第一项是预防过拟合的正则项，第二项为均方预测误差和，第三项为流形正则化项，Tr为矩阵的迹，上标T为矩阵的转置，L∈R(l+u)×(l+u)为基于有标签样本和无标签样本构建的图形拉普拉斯算子，为前l列等于yl后u列为零的目标输出矩阵，为输入矩阵X对应的输出矩阵，C∈R(l+u)*(l+u)为前l对角线上元素为C其余为0的惩罚因子，取值为：10m-5(m＝1,2,…,10)，λ为折中因子，取值为：109-j(j＝1,2,…,10)，令FSS-LLLN对W的梯度为零，
如果的列数大于行数，即D+K+1<l+u，则输出权值矩阵的解为
其中，ID+K+1为维数为D+K+1的单位矩阵，如果的行数大于列数，即D+K+1>l+u，则输出权值矩阵的解为
其中，Il+u为维数为l+u的单位矩阵。
与现有技术相比，本发明的优点在于采用综合焦比(单位：Kg/t)作为烧结生产中碳效衡量指标，在建立烧结综合焦比预测输出模型的基础上，针对标记样本少的问题，采用基于流型假设的半监督的学习训练算法对有标签样本和无标签样本数据进行训练，并针对数据间线性与非线性关系共存的数据特点，提出了改进型极限学习机模型对训练数据进行拟合，改进型极限学习机的输入层神经元不仅与隐含层神经元相连，而且直接与输出层神经元相连，这种特殊的网络结构使该模型能够很好的同时拟合线性和非线性数据。
附图说明
图1为本发明综合焦比预测模型的结构示意图；
图2为本发明实施例示例中实际采样样本的综合焦比预测结果示意图；
图3为图2的综合焦比预测结果所对应的绝对误差示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例：如图1所示，一种炼钢烧结生产中综合焦比预测的方法，包括以下步骤：
a、定义综合焦比预测输出其中， 为第i组样本的焦比预测输出，i＝[1,l+u]，l和u分别为有标签样本组和无标签样本组的个数，a为输出神经元的阈值，wio为连接输入神经元和输出神经元的权值，who为连接隐含层神经元和输出神经元的权值，X为样本输入矩阵，G为输出矩阵，I为单位矩阵；将有标签样本组的数据集表示为/>无标签样本组的数据集表示为其中，xi表示第i个输入样本组，则步骤a中的输入矩阵D为输入样本组的维数，I＝[1,1,…,1]1×(l+u),N为总样本组的个数N＝l+u，K为隐含层神经元的个数，G(·)为隐含层神经元激活函数，其具有以下特征：/>Wih为连接输入神经元和隐含层神经元的权值，b为输出神经元的阈值； 是第i个样本组的连接输入神经元和输出神经元的权值，其中/>是第i个样本组的连接隐含层神经元和输出神经元的权值；
其中/>是是输入层神经元与第k个隐含层神经元的连接权值，b＝[b1,b2,…,bi,...,bK]T其中bi为第i个隐含层神经元的阈值，定义W＝[wio,who,a]为综合焦比预测模型的输出权值，其是通过最小化下列目标函数得到的：
其中，第一项是预防过拟合的正则项，第二项为均方预测误差和，第三项为流形正则化项，Tr为矩阵的迹，上标T为矩阵的转置，L∈R(l+u)×(l+u)为基于有标签样本和无标签样本构建的图形拉普拉斯算子，为前l列等于yl后u列为零的目标输出矩阵，为输入矩阵X对应的输出矩阵，C∈R(l+u)*(l+u)为前l对角线上元素为C其余为0的惩罚因子，λ为折中因子，令FSS-LLLN对W的梯度为零，
如果的列数大于行数，即D+K+1<l+u，则输出权值矩阵的解为
其中，ID+K+1为维数为D+K+1的单位矩阵，如果的行数大于列数，即D+K+1>l+u，则输出权值矩阵的解为
其中，Il+u为维数为l+u的单位矩阵；
b、从实际运行的烧结机上采集多组样本，包括有标签样本组和无标签样本组，每一组样本输入包括返矿配比、焦粉配比、MgO含量、铁品位、SiO2含量、CaO含量、上升点位置、上升点温度、烧结终点位置和烧结终点温度；
c、将所有采集的样本输入综合焦比预测模型中进行训练，最终得到训练后的综合焦比预测模型，Wih和b是在综合焦比预测模型训练的过程中随机生成的；
d、将实时采集的样本输入训练后的综合焦比预测模型中，得到预测的综合焦比。
示例：将该算法应用于某厂烧结过程综合焦比预测，输入参数选择：
对相关变量和综合焦比进行Spearman相关性分析。待进行相关性分析的过程变量为返矿配比、焦粉配比、MgO含量、铁品位、SiO2含量、CaO含量、上升点位置、上升点温度、烧结终点位置和烧结终点温度。相关性分析结果如下表所示：
表1.输入变量与综合焦比spearman相关性分析结果。
相关系数越大则说明该过程变量与综合焦比相关性越高。从上表可以看出，CaO含量这一过程变量对应的相关系数比其他变量相关系数小。所以，除了CaO含量之外的变量为综合焦比预测模型的输入变量。
采用均方误差和平均误差百分比对该改进模型进行评价。均方误差计算公式为
其中，yi是综合焦比目标值,是综合焦比预测值,N是样本的个数.平均误差百分比计算式为
MSE和MAPE越小则说明模型预测精度越高。
首先，采用仿真验证算法的有效性。从实际运行的烧结机上采集了590组样本，其中180组有标签样本，410组为无标签样本。对比模型为标准的极限学习机模型。
对于标准极限学习机模型，180组标记样本中的其中80组用来训练，其他100组样本用来测试。模型的隐含层神经元个数根据测试样本的运行结果从[2,30]这个区间中选取。对于本发明的改进型模型，测试样本和标准极限学习机模型一致，而训练样本不仅包含80组有标记样本还包含采集的410组无标记样本。模型的隐含层神经元个数根据测试样本的运行结果从[5,50]这个区间中选取。模型中的惩罚因子C和折中因子λ采用网格搜索策略选取。两种算法的仿真结果如表2和表3所示。
表2.标准极限学习机和本发明模型MSE对比结果(10次仿真运行的统计结果)
表3.标准极限学习机和本发明模型MAPE对比结果(10次仿真运行的统计结果)
由表2和表3可以看出本发明所提出的模型具有较低的平均MSE和MAPE，验证了该算法的有效性。
其次，实际运行结果也验证了本发明模型的有效性。本发明所提出的模型被嵌入到某厂烧结优化与控制系统。该烧结机有效面积为360m2。输入变量返矿配比、焦粉配比、MgO含量、铁品位和SiO2含量从配料优化系统在线读取。上升点位置、上升点温度、烧结终点位置和烧结终点温度从在线软测量系统中读取。综合焦比预测时间间隔为2小时，该间隔与烧结矿化学成分检测间隔一致。
60组实际采样样本的综合焦比预测结果如图2所示。对仿真结果分析表明，该预测结果对应的MSE为0.0305，平均绝对误差百分比为0.2％。预测结果所对应的绝对误差如图3所示。分析绝对误差结果表明54个样本的绝对误差在区间[0,0.2]范围内，5个样本绝对误差在区间[0.2,0.5]范围内，只有一个样本所对应的绝对误差在区间[0.5,+∞)范围。绝对误差的最大值为0.8250,这个结果符合烧结厂的预测精度要求。
Claims (4)
1.一种炼钢烧结生产中综合焦比预测的方法，其特征在于包括以下步骤：
a、定义综合焦比预测输出模型为其中， 为第i组样本的焦比预测输出，i＝1,2,...,l+u，l和u分别为有标签样本组和无标签样本组的个数，a为输出神经元的阈值，wio为连接输入神经元和输出神经元的权值，who为连接隐含层神经元和输出神经元的权值，X为样本输入矩阵，G为隐含层输出矩阵，I为单位矩阵；
b、从实际运行的烧结机上采集多组样本，包括有标签样本组和无标签样本组，每一组样本的输入包括返矿配比、焦粉配比、MgO含量、铁品位、SiO2含量、CaO含量、上升点位置、上升点温度、烧结终点位置和烧结终点温度；
c、将所有采集的样本输入综合焦比预测输出模型中进行训练，最终得到训练后的综合焦比预测输出模型；
d、将实时采集的样本输入训练后的综合焦比预测输出模型中，得到预测的综合焦比值。
2.如权利要求1所述的一种炼钢烧结生产中综合焦比预测的方法，其特征在于将有标签样本组的数据集表示为无标签样本组的数据集表示为/>其中，xi表示第i个输入样本，则步骤a中的输入矩阵D为输入样本的维数，I＝[1,1,...,1]1×(l+u),N为总样本的个数N＝l+u，K为隐含层神经元的个数，G(·)为隐含层神经元激活函数，其具有以下特征：Wih为连接输入神经元和隐含层神经元的权值，b为输出神经元的阈值； 是第i个输入神经元和输出神经元的权值，/>其中/>是第i个隐含层神经元和输出神经元的权值。
3.如权利要求2所述的一种炼钢烧结生产中综合焦比预测的方法，其特征在于其中/>是输入层神经元与第k个隐含层神经元的连接权值，b＝[b1,b2,...,bi,...,bK]T其中bi为第i个隐含层神经元的阈值，Wih和b是在综合焦比预测输出模型训练的过程中随机生成的。
4.如权利要求1所述的一种炼钢烧结生产中综合焦比预测的方法，其特征在于定义W＝[wio,who,a]为综合焦比预测输出模型的输出权值，其是通过最小化下列目标函数得到的：
其中，第一项是预防过拟合的正则项，第二项为均方预测误差和，第三项为流形正则化项，Tr为矩阵的迹，上标T为矩阵的转置，L∈R(l+u)×(l+u)为基于有标签样本和无标签样本构建的图形拉普拉斯算子，为前l列等于yl后u列为零的目标输出矩阵，为输入矩阵X对应的输出矩阵，C∈R(l+u)*(l+u)为前l对角线上元素为C其余为0的惩罚因子，取值为：10m-5，m＝1,2,…,10，λ为折中因子，取值为：109-j，j＝1,2,…,10，令FSS-LLLN对W的梯度为零，
如果的列数大于行数，即D+K+1<l+u，则输出权值矩阵的解为
其中，ID+K+1为维数为D+K+1的单位矩阵，如果的行数大于列数，即D+K+1>l+u，则输出权值矩阵的解为
其中，Il+u为维数为l+u的单位矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010391943.7A CN111798023B (zh) | 2020-05-11 | 2020-05-11 | 一种炼钢烧结生产中综合焦比预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010391943.7A CN111798023B (zh) | 2020-05-11 | 2020-05-11 | 一种炼钢烧结生产中综合焦比预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111798023A CN111798023A (zh) | 2020-10-20 |
| CN111798023B true CN111798023B (zh) | 2023-08-29 |
Family
ID=72806134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010391943.7A Active CN111798023B (zh) | 2020-05-11 | 2020-05-11 | 一种炼钢烧结生产中综合焦比预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798023B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI735385B (zh) * | 2020-11-25 | 2021-08-01 | 中國鋼鐵股份有限公司 | 硫氧化物的預測方法與燒結工廠 |
| CN112699613B (zh) * | 2021-01-08 | 2022-08-09 | 中冶赛迪工程技术股份有限公司 | 炼铁多目标一体化配料优化方法、系统、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010007992A (ja) * | 2008-06-27 | 2010-01-14 | Jfe Steel Corp | 焼結装置及び焼結方法 |
| CN106404441A (zh) * | 2016-09-22 | 2017-02-15 | 宁波大学 | 一种基于非线性相似度指标的故障分类诊断方法 |
| CN106777684A (zh) * | 2016-12-14 | 2017-05-31 | 中国地质大学（武汉） | 一种建立综合焦比预测模型和预测综合焦比的方法 |
| CN108388966A (zh) * | 2018-03-07 | 2018-08-10 | 鞍钢集团矿业有限公司 | 一种基于提高利润的烧结过程配矿优化方法 |
| CN109376500A (zh) * | 2018-12-19 | 2019-02-22 | 中国地质大学（武汉） | 基于预测模型的烧结过程综合焦比在线优化方法及系统 |
| CN109583118A (zh) * | 2018-12-10 | 2019-04-05 | 武钢集团昆明钢铁股份有限公司 | 一种烧结配比计算及烧结矿成本优化方法 |
| JP2019082786A (ja) * | 2017-10-30 | 2019-05-30 | Ｊｆｅスチール株式会社 | 非線形計画問題の求解方法、配合計画の作成方法、およびこれらのコンピュータプログラム、記録媒体、装置、ならびに配合操業方法 |
| CN110491454A (zh) * | 2019-08-09 | 2019-11-22 | 中冶赛迪工程技术股份有限公司 | 一种高炉冶炼成本管理方法、系统及计算机可存储介质 |
| CN110502781A (zh) * | 2019-07-05 | 2019-11-26 | 武汉科技大学 | 一种基于先验知识的铁合金生产配料优化方法 |
| CN110570019A (zh) * | 2019-08-14 | 2019-12-13 | 中国地质大学（武汉） | 一种基于宽度学习的烧结过程综合焦比时序预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550744A (zh) * | 2015-12-06 | 2016-05-04 | 北京工业大学 | 一种基于迭代的神经网络聚类方法 |
-
2020
- 2020-05-11 CN CN202010391943.7A patent/CN111798023B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010007992A (ja) * | 2008-06-27 | 2010-01-14 | Jfe Steel Corp | 焼結装置及び焼結方法 |
| CN106404441A (zh) * | 2016-09-22 | 2017-02-15 | 宁波大学 | 一种基于非线性相似度指标的故障分类诊断方法 |
| CN106777684A (zh) * | 2016-12-14 | 2017-05-31 | 中国地质大学（武汉） | 一种建立综合焦比预测模型和预测综合焦比的方法 |
| JP2019082786A (ja) * | 2017-10-30 | 2019-05-30 | Ｊｆｅスチール株式会社 | 非線形計画問題の求解方法、配合計画の作成方法、およびこれらのコンピュータプログラム、記録媒体、装置、ならびに配合操業方法 |
| CN108388966A (zh) * | 2018-03-07 | 2018-08-10 | 鞍钢集团矿业有限公司 | 一种基于提高利润的烧结过程配矿优化方法 |
| CN109583118A (zh) * | 2018-12-10 | 2019-04-05 | 武钢集团昆明钢铁股份有限公司 | 一种烧结配比计算及烧结矿成本优化方法 |
| CN109376500A (zh) * | 2018-12-19 | 2019-02-22 | 中国地质大学（武汉） | 基于预测模型的烧结过程综合焦比在线优化方法及系统 |
| CN110502781A (zh) * | 2019-07-05 | 2019-11-26 | 武汉科技大学 | 一种基于先验知识的铁合金生产配料优化方法 |
| CN110491454A (zh) * | 2019-08-09 | 2019-11-22 | 中冶赛迪工程技术股份有限公司 | 一种高炉冶炼成本管理方法、系统及计算机可存储介质 |
| CN110570019A (zh) * | 2019-08-14 | 2019-12-13 | 中国地质大学（武汉） | 一种基于宽度学习的烧结过程综合焦比时序预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于聚类分析和神经网络的高炉焦比预测模型;周洋等;辽宁科技大学学报;第33卷(第3期);245-247,257 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111798023A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | A multilevel prediction model of carbon efficiency based on the differential evolution algorithm for the iron ore sintering process | |
| CN111798023B (zh) | 一种炼钢烧结生产中综合焦比预测的方法 | |
| CN110245850B (zh) | 一种考虑时序的烧结过程工况识别方法及系统 | |
| Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
| Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
| CN111915080A (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
| CN113177364B (zh) | 一种高炉风口回旋区温度软测量建模方法 | |
| CN102031319A (zh) | 一种高炉铁水含硅量的预报方法 | |
| CN110849149A (zh) | 基于能源感知的烧结配料方案级联优化获取方法及装置 | |
| CN112668234A (zh) | 一种转炉炼钢终点智能控制方法 | |
| Li et al. | Deep learning for predictive mechanical properties of hot-rolled strip in complex manufacturing systems | |
| CN111047103B (zh) | 基于多工况模式辨识的烧结过程碳效在线预测方法及设备 | |
| CN113836786A (zh) | 一种结合焦炉加热制度参数的智能冶金焦炭预测方法 | |
| Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace | |
| Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate | |
| 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 | |
| Hu et al. | Dynamic modeling framework based on automatic identification of operating conditions for sintering carbon consumption prediction | |
| CN116777071A (zh) | 一种铁水产量预测方法 | |
| CN114740713B (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 | |
| CN116504329A (zh) | 基于煤数据图像化的卷积神经网络焦炭热态质量预测方法 | |
| CN113779754B (zh) | 高炉影响因素的分析方法及系统、电子设备、计算机可读存储介质 | |
| CN113570145A (zh) | 一种炼铁高炉炉芯死料柱温度的预测方法 | |
| Quan et al. | Prediction of air leakage rate of sintering furnace based on BP neural network optimized by PSO | |
| CN118039003B (zh) | 基于分布与图卷积的高炉数字孪生系统硅含量预测方法 | |
| Hu et al. | Prediction model of comprehensive coke ratio based on principal component analysis for sintering 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 |