CN111863157B - 一种玻璃生产过程的原料质量确定方法 - Google Patents
一种玻璃生产过程的原料质量确定方法 Download PDFInfo
- Publication number
- CN111863157B CN111863157B CN202010764589.8A CN202010764589A CN111863157B CN 111863157 B CN111863157 B CN 111863157B CN 202010764589 A CN202010764589 A CN 202010764589A CN 111863157 B CN111863157 B CN 111863157B
- Authority
- CN
- China
- Prior art keywords
- pro
- batch
- content
- raw material
- dolomite
- 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
- 239000002994 raw material Substances 0.000 title claims abstract description 103
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 53
- 239000011521 glass Substances 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000010459 dolomite Substances 0.000 claims abstract description 48
- 229910000514 dolomite Inorganic materials 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 49
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 claims description 29
- 239000010446 mirabilite Substances 0.000 claims description 24
- PMZURENOXWZQFD-UHFFFAOYSA-L Sodium Sulfate Chemical compound [Na+].[Na+].[O-]S([O-])(=O)=O PMZURENOXWZQFD-UHFFFAOYSA-L 0.000 claims description 21
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 21
- 239000000377 silicon dioxide Substances 0.000 claims description 21
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 18
- 229910052681 coesite Inorganic materials 0.000 claims description 14
- 229910052593 corundum Inorganic materials 0.000 claims description 14
- 229910052906 cristobalite Inorganic materials 0.000 claims description 14
- 229910052682 stishovite Inorganic materials 0.000 claims description 14
- 229910052905 tridymite Inorganic materials 0.000 claims description 14
- 229910001845 yogo sapphire Inorganic materials 0.000 claims description 14
- 229910000029 sodium carbonate Inorganic materials 0.000 claims description 13
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Chemical compound [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 claims description 12
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 10
- KKCBUQHMOMHUOY-UHFFFAOYSA-N Na2O Inorganic materials [O-2].[Na+].[Na+] KKCBUQHMOMHUOY-UHFFFAOYSA-N 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 7
- 235000017550 sodium carbonate Nutrition 0.000 claims description 7
- 239000007832 Na2SO4 Substances 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 229910000027 potassium carbonate Inorganic materials 0.000 claims description 6
- 229910052938 sodium sulfate Inorganic materials 0.000 claims description 6
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 claims description 4
- NOTVAPJNGZMVSD-UHFFFAOYSA-N potassium monoxide Inorganic materials [K]O[K] NOTVAPJNGZMVSD-UHFFFAOYSA-N 0.000 claims description 4
- ODINCKMPIJJUCX-UHFFFAOYSA-N calcium oxide Inorganic materials [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 3
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Glass Melting And Manufacturing (AREA)
- Glass Compositions (AREA)
Abstract
本发明公开了一种玻璃生产过程的原料质量确定方法,包括以下步骤:S1:获取各批次白云石的成分数据;S2:建立白云石批次组合模型;S3:根据质量指标与生产要求设置白云石批次组合模型参数并利用模型求解组合结果;S4:获取除白云石外的其它原料的成分数据;S5:基于SLSQP算法建立原料质量计算模型;S6:设置原料质量计算模型参数,输入白云石成分数据与S4数据并利用模型求解原料添加质量。解决了玻璃生产过程中原料质量添加不合理、玻璃质量不稳定的问题。
Description
技术领域
本发明涉及玻璃生产质量指标控制领域,特别是一种玻璃生产过程的原料质量确定方法。
背景技术
用于玻璃生产的原料主要包括硅砂、白云石、氧化铝与纯碱等。不同批次白云石之间的成分(如SiO2、Fe2O3等)含率不同,实际生产过程中,由于白云石库存的存在以及每次上料各成分含率的要求,往往将不同批次的白云石组合使用。但在组合时需要考虑如下问题:组合时不能只考虑当前组合的合理性,也要顾及后续组合的合理性。实际生产过程中,由于库存批次较多,导致总组合数过于庞大,其计算复杂度远远超出了人类大脑的计算能力(例如当前库存为40批,4批为一个组合时,仅仅当前组合的组合数就为)。
成品玻璃对质量指标(SiO2、Fe2O3、Al2O3含率与密度等)的要求极其严格。这就需要在生产前十分准确地计算出各原料的添加质量,使得成品玻璃的各项质量指标均满足生产要求。实际中,由于成品玻璃的质量指标较多,经常出现人工计算难度大、原料添加不合理的情况,这对成品玻璃的质量产生了不良影响。
建立对应的数学模型能够根据当前各生产原料的成分含率,快速、准确地计算出所需的白云石批次组合与各原料合理的添加质量,使得成品玻璃的各项质量指标均满足生产要求。本发明提出的原料质量计算模型克服了人工计算难度大、效率低的缺点,能使成品玻璃的生产质量更加稳定。
发明内容
为解决现有技术存在的问题,本发明提供了一种玻璃生产过程的原料质量确定方法,解决了克服了人工计算难度大、效率低的缺点,成品玻璃的生产质量不稳定的问题。
本发明采用的技术方案是,一种玻璃生产过程的原料质量确定方法,包括以下步骤:
S1:获取各批次白云石的成分数据;
S2:建立白云石批次组合模型;
S3:根据质量指标与生产要求设置白云石批次组合模型参数并利用模型求解组合结果;
S4:获取除白云石外的玻璃生产所需其它原料的成分数据;
S5:基于SLSQP算法建立原料质量计算模型;
S6:设置原料质量计算模型参数,输入白云石成分数据与步骤S4数据并利用模型求解原料添加质量。
优选地,步骤S1的,具体步骤如下:
首先获取当前库存中总批次数sumbch、批次集合Batch1与各批次的成分含率,成分包括CaO、MgO、Fe2O3、SiO2、Al2O3;Batch1的定义如下式所示:
Batch1={1,2,3,…,sumbch}。
优选地,S2的包括以下子步骤:
S21.计算不同批次组合后的各成分含率的平均数,计算方法如下:
在第一个组合求解成功后,继续求解按照同样的方式求解第二个组合combi2,Batch2计算方法如下:
Batch2=Batch1-combi1
当combi1不合理时,Batch2会存在无解的情况;定义最大随机次数ranmax,当已执行的求解次数大于ranmax且combi2仍未求解成功时,重新求解combi1;在Batch3中求解combi3时,当已执行的求解次数大于ranmax且combi3仍未求解成功时,重新求解combi1;Batch3的计算方法如下式所示:
Batch3=Batch2-combi2
以此类推,直至求解出combipmax,pmax为需要求解的组合数。
优选地,S3的包括以下子步骤:
S31.根据玻璃生产的质量指标与生产要求设置的白云石批次组合模型参数,包括Jstad、errorJ、n与pmax;
S32.在模型参数设置完毕后,输入步骤S1所述的白云石批次信息即可利用白云石批次组合模型求解出pmax个组合。
优选地,S4的包括以下子步骤:
其它原料,主要包括硅砂、氧化铝、纯碱、芒硝、碳粉、铁粉与碳酸钾;获取各成分的含率,包括CaO、MgO、Fe2O3、SiO2、Al2O3、K2O、Na2O、Na2CO3、Na2SO4与C共10种成分;不同的原料包含其中的几种成分。
优选地,S5的包括以下子步骤:
S51.在获取了各生产原料的成分含率后,计算混合原料的各成分含率;计算方法如下:
mk=∑Mq·conqk
其中,prok代表混合原料成分k的含率;
k∈{CaO,MgO,Fe2O3,SiO2,Al2O3,K2O,Na2O};ec1代表经验系数;msum代表各成分的质量和;mk代表混合原料中成分k的质量;Mq代表原料q的质量,q∈{硅砂,白云石,氧化铝,纯碱,芒硝,碳粉,铁粉,碳酸钾};conqk代表原料q中成分k的含率;
混合原料C含率的计算方法如下式所示:
其中,proC代表混合原料C含率;MC与Mmira分别代表碳粉与芒硝质量;conCC代表碳粉中的C含率;conNa2SO4代表芒硝中的Na2SO4含率;
混合原料芒硝含率的计算方法如下式所示:
其中,promira代表混合原料芒硝含率;ec2与ec3代表经验系数;Msa代表纯碱质量;conNa2CO3代表纯碱中的Na2CO3含率;
混合原料的总质量与玻璃密度计算方法如下式所示:
Msum=∑Mq
其中,Msum代表原料混合后的总质量;dens代表玻璃密度;eck代表经验系数;
S52.生产中要求Msum在标准值Mstad上下一定的区间内浮动,且越接近Mstad越好;建立原料质量模型,选取目标函数如下:
min Msum-Mstad
S53.生产中对混合原料的总质量、密度、各成分含率均有约束,即要求这些指标要在标准值的上下一定范围内波动,如下式所示:
Mstad-Mal≤Msum≤Mstad+Mal
densstad-densal≤dens≤densstad+densal
prokstad-prokal≤prok≤prokstad+prokal
proCstad-proCal≤proC≤prokstad+proCal
promirastad-promiraal≤promira≤promirastad+promiraal
proCaMgstad-proCgMgal≤proCgMg≤proCaMgstad+proCgMgal
其中,Mstad代表总质量的标准值;Mal代表总质量的最大允许波动值;densstad代表玻璃密度的标准值;densal代表玻璃密度的最大允许波动值;prokstad代表混合原料成分k的标准值;prokal代表混合原料成分k的最大允许波动值;proCstad代表碳含率的标准值;proCal代表碳含率的最大允许波动值;promirastad代表芒硝含率的标准值;promiraal代表芒硝含率的最大允许波动值;proCaMgstad代表CaO含率MgO含率之和的标准值,计算方法如下式所示;proCgMgal代表CaO含率MgO含率之和的最大允许波动值:
proCaMgstad=proCaostad+proMgostad
S54.使用序列最小二乘规划法即SLSQP对Mq进行求解;如下式所示:
求解过程中Hk的迭代形式如下式所示:
其中,
ΔMq k=Mq k+1-Mq k
优选地,S6的包括以下子步骤:
S61.根据玻璃质量指标设置模型里的参数,设置的参数包括:Mstad、Mal、densstad、densal、prokstad、prokal、proCstad、proCal、promirastad、promiraal、proCaMgstad与proCgMgal;
S62.输入白云石批次组合模型求解的组合结果与其他原料的成分数据,利用步骤S5建立的原料质量模型,对Mq进行求解。
本发明提供的一种玻璃生产过程的原料质量确定方法,有益效果如下:
1.本发明的一种玻璃生产过程的原料质量确定方法可以根据当前各批次白云石的成分含率,快速、准确地计算出所需的白云石批次组合,用于后续玻璃生产。
2.本发明的一种玻璃生产过程的原料质量确定方法可以根据当前各生产原料成分含率快速、准确地计算出各原料合理的添加质量,使得成品玻璃的各项质量指标均满足生产要求。
附图说明
图1是本发明的流程图。
图2是人工组合结果与本发明的白云石批次组合模型组合结果对比图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种玻璃生产过程的原料质量确定方法,包括以下步骤:
S1:获取各批次白云石的成分数据;
S2:建立白云石批次组合模型;
S3:根据质量指标与生产要求设置白云石批次组合模型参数并利用模型求解组合结果;
S4:获取除白云石外的玻璃生产所需其它原料的成分数据;
S5:基于SLSQP算法建立原料质量计算模型;
S6:设置原料质量计算模型参数,输入白云石成分数据与步骤S4数据并利用模型求解原料添加质量。
白云石是玻璃生产的原料之一,但各批次间成分含率不同,需要首先获取当前库存中总批次数sumbch、批次集合Batch1与各批次的成分含率,成分包括CaO、MgO、Fe2O3、SiO2、Al2O3。Batch1的定义如下式所示:
Batch1={1,2,3,…,sumbch}
然后,计算不同批次组合后的各成分含率的平均数,计算方法如下:
其中,Jstad代表的标准值,errorJ代表的最大波动范围,%。求解方法采用随机生成的方法,即在Batch1中随机选取n个元素,计算并判断是否满足上述约束。若满足,则combi1求解成功;若不满足,则继续随机生成,直至找到满足约束的combi1。在第一个组合求解成功后,继续求解按照同样的方式求解第二个组合combi2,Batch2计算方法如下:
Batch2=Batch1-combi1
当combi1不合理时,Batch2会存在无解的情况。本发明定义最大随机次数ranmax,当已执行的求解次数大于ranmax且combi2仍未求解成功时,重新求解combi1。在Batch3中求解combi3时,当已执行的求解次数大于ranmax且combi3仍未求解成功时,重新求解combi1。Batch3的计算方法如下式所示。以此类推,直至求解出combipmax,pmax为需要求解的组合数。
Batch3=Batch2-combi2
然后,根据玻璃生产的质量指标与生产要求设置的白云石批次组合模型参数,包括Jstad、errorJ、n与pmax。在模型参数设置完毕后,输入S1所述的白云石批次信息即可利用白云石批次组合模型求解出pmax个组合。
玻璃生产中除优选出合适的白云石组合作为生产原料外,还需要其它原料,主要包括硅砂、氧化铝、纯碱、芒硝、碳粉、铁粉与碳酸钾。这些原料不需要进行批次组合,但同样需要获取各成分的含率,包括CaO、MgO、Fe2O3、SiO2、Al2O3、K2O、Na2O、Na2CO3、Na2SO4与C共10种成分。不同的原料包含其中的几种成分。
在获取了各生产原料的成分含率后,需要计算混合原料的各成分含率。计算方法如下:
mk=∑Mq·conqk
其中,prok代表混合原料成分k的含率,k∈{CaO,MgO,Fe2O3,SiO2,Al2O3,K2O,Na2O};ec1代表经验系数;msum代表各成分的质量和;mk代表混合原料中成分k的质量;Mq代表原料q的质量,q∈{硅砂,白云石,氧化铝,纯碱,芒硝,碳粉,铁粉,碳酸钾};conqk代表原料q中成分k的含率。混合原料C含率的计算方法如下式所示:
其中,proC代表混合原料C含率;MC与Mmira分别代表碳粉与芒硝质量;conCC代表碳粉中的C含率;conNa2SO4代表芒硝中的Na2SO4含率;混合原料芒硝含率的计算方法如下式所示:
其中,promira代表混合原料芒硝含率;ec2与ec3代表经验系数;Msa代表纯碱质量;conNa2CO3代表纯碱中的Na2CO3含率。混合原料的总质量与玻璃密度计算方法如下式所示:
Msum=∑Mq
其中,Msum代表原料混合后的总质量;dens代表玻璃密度;eck代表经验系数。
生产中要求Msum在标准值Mstad上下一定的区间内浮动,且越接近Mstad越好。因此在建立原料质量模型,选取目标函数如下:
min Msum-Mstad
生产中对混合原料的总质量、密度、各成分含率均有约束,即要求这些指标要在标准值的上下一定范围内波动,如下式所示:
Mstad-Mal≤Msum≤Mstad+Mal
densstad-densal≤dens≤densstad+densal
prokstad-prokal≤prok≤prokstad+prokal
proCstad-proCal≤proC≤prokstad+proCal
promirastad-promiraal≤promira≤promirastad+promiraal
proCaMgstad-proCgMgal≤proCgMg≤proCaMgstad+proCgMgal
其中,Mstad代表总质量的标准值;Mal代表总质量的最大允许波动值;densstad代表玻璃密度的标准值;densal代表玻璃密度的最大允许波动值;prokstad代表混合原料成分k的标准值;prokal代表混合原料成分k的最大允许波动值;proCstad代表碳含率的标准值;proCal代表碳含率的最大允许波动值;promirastad代表芒硝含率的标准值;promiraal代表芒硝含率的最大允许波动值;proCaMgstad代表CaO含率MgO含率之和的标准值,计算方法如下式所示;proCgMgal代表CaO含率MgO含率之和的最大允许波动值。
proCaMgstad=proCaOstad+proMgOstad
然后使用序列最小二乘规划法即SLSQP对Mq进行求解;如下式所示:
求解过程中Hk的迭代形式如下式所示:
其中,
ΔMq k=Mq k+1-Mq k
最后根据玻璃质量指标设置模型里的参数,需要设置的参数包括:Mstad、Mal、densstad、densal、prokstad、prokal、proCstad、proCal、promirastad、promiraal、proCaMgstad与proCgMgal。输入白云石批次组合模型求解的组合结果与其他原料的成分数据,利用S5建立的原料质量模型,对Mq进行求解。
如图2是人工组合结果与本发明的白云石批次组合模型组合结果对比图,选取所有组合的平均偏差作为衡量指标。计算公式如下式所示:
其中,MREJ表示成分J的平均偏差;calJi表示第i组成分J的偏差。
表1
表1是本发明一种玻璃生产过程的原料质量确定方法人工计算结果与原料质量计算模型计算结果的对比。选取各样本的平均偏差作为衡量指标。
其中,W∈{CaO,MgO,Fe2O3,SiO2,Al2O3,K2O,Na2O,CaMg,mira,C,Msum,dens}。
Claims (3)
1.一种玻璃生产过程的原料质量确定方法,其特征在于,包括以下步骤:
S1:获取各批次白云石的成分数据;
首先获取当前库存中总批次数sumbch、批次集合Batch1与各批次的成分含率,成分包括CaO、MgO、Fe2O3、SiO2、Al2O3;Batch1的定义如下式所示:
Batch1={1,2,3,…,sumbch};
S2:建立白云石批次组合模型;
包括以下子步骤:
S21.计算不同批次组合后的各成分含率的平均数,计算方法如下:
在第一个组合求解成功后,继续求解按照同样的方式求解第二个组合combi2,Batch2计算方法如下:
Batch2=Batch1-combi1
当combi1不合理时,Batch2会存在无解的情况;定义最大随机次数ranmax,当已执行的求解次数大于ranmax且combi2仍未求解成功时,重新求解combi1;在Batch3中求解combi3时,当已执行的求解次数大于ranmax且combi3仍未求解成功时,重新求解combi1;Batch3的计算方法如下式所示:
Batch3=Batch2-combi2
以此类推,直至求解出combipmax,pmax为需要求解的组合数;
S3:根据质量指标与生产要求设置白云石批次组合模型参数并利用模型求解组合结果;
包括以下子步骤:
S31.根据玻璃生产的质量指标与生产要求设置的白云石批次组合模型参数,包括Jstad、errorJ、n与pmax;
S32.在模型参数设置完毕后,输入步骤S1所述的白云石批次信息即可利用白云石批次组合模型求解出pmax个组合
S4:获取除白云石外的玻璃生产所需其它原料的成分数据;
其它原料,主要包括硅砂、氧化铝、纯碱、芒硝、碳粉、铁粉与碳酸钾;获取各成分的含率,包括CaO、MgO、Fe2O3、SiO2、Al2O3、K2O、Na2O、Na2CO3、Na2SO4与C共10种成分;不同的原料包含其中的几种成分;
S5:基于SLSQP算法建立原料质量计算模型;
S6:设置原料质量计算模型参数,输入白云石成分数据与步骤S4数据并利用模型求解原料添加质量。
2.根据权利要求1所述的一种玻璃生产过程的原料质量确定方法,其特征在于,所述步骤S5的包括以下子步骤:
S51.在获取了各生产原料的成分含率后,计算混合原料的各成分含率;计算方法如下:
mk=∑Mq·conqk
其中,prok代表混合原料成分k的含率;
k∈{CaO,MgO,Fe2O3,SiO2,Al2O3,K2O,Na2O};ec1代表经验系数;msum代表各成分的质量和;mk代表混合原料中成分k的质量;Mq代表原料q的质量,q∈{硅砂,白云石,氧化铝,纯碱,芒硝,碳粉,铁粉,碳酸钾};conqk代表原料q中成分k的含率;
混合原料C含率的计算方法如下式所示:
其中,proC代表混合原料C含率;MC与Mmira分别代表碳粉与芒硝质量;conCC代表碳粉中的C含率;conNa2SO4代表芒硝中的Na2SO4含率;
混合原料芒硝含率的计算方法如下式所示:
其中,promira代表混合原料芒硝含率;ec2与ec3代表经验系数;Msa代表纯碱质量;conNa2CO3代表纯碱中的Na2CO3含率;
混合原料的总质量与玻璃密度计算方法如下式所示:
Msum=∑Mq
其中,Msum代表原料混合后的总质量;dens代表玻璃密度;eck代表经验系数;
S52.生产中要求Msum在标准值Mstad上下一定的区间内浮动,且越接近Mstad越好;建立原料质量模型,选取目标函数如下:
minMsum-Mstad
S53.生产中对混合原料的总质量、密度、各成分含率均有约束,即要求这些指标要在标准值的上下一定范围内波动,如下式所示:
Mstad-Mal≤Msum≤Mstad+Mal
densstad-densal≤dens≤densstad+densal
prokstad-prokal≤prok≤prokstad+prokal
proCstad-proCal≤proC≤prokstad+proCal
promirastad-promiraal≤promira≤promirastad+promiraal
proCaMgstad-proCgMgal≤proCgMg≤proCaMgstad+proCgMgal
其中,Mstad代表总质量的标准值;Mal代表总质量的最大允许波动值;densstad代表玻璃密度的标准值;densal代表玻璃密度的最大允许波动值;prokstad代表混合原料成分k的标准值;prokal代表混合原料成分k的最大允许波动值;proCstad代表碳含率的标准值;proCal代表碳含率的最大允许波动值;promirastad代表芒硝含率的标准值;promiraal代表芒硝含率的最大允许波动值;proCaMgstad代表CaO含率MgO含率之和的标准值,计算方法如下式所示;procgMgal代表CaO含率MgO含率之和的最大允许波动值:
proCaMgstad=proCaOstad+proMgOstad
S54.使用序列最小二乘规划法即SLSQP对Mq进行求解;如下式所示:
求解过程中Hk的迭代形式如下式所示:
其中,
ΔMq k=Mq k+1-Mq k
3.根据权利要求2所述的一种玻璃生产过程的原料质量确定方法,其特征在于,所述步骤S6的包括以下子步骤:
S61.根据玻璃质量指标设置模型里的参数,设置的参数包括:Mstad、Mal、densstad、densal、prokstad、prokal、proCstad、proCal、promirastad、promiraal、proCaMgstad与proCgMgal;
S62.输入白云石批次组合模型求解的组合结果与其他原料的成分数据,利用步骤S5建立的原料质量模型,对Mq进行求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010764589.8A CN111863157B (zh) | 2020-07-31 | 2020-07-31 | 一种玻璃生产过程的原料质量确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010764589.8A CN111863157B (zh) | 2020-07-31 | 2020-07-31 | 一种玻璃生产过程的原料质量确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111863157A CN111863157A (zh) | 2020-10-30 |
CN111863157B true CN111863157B (zh) | 2021-10-15 |
Family
ID=72954288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010764589.8A Active CN111863157B (zh) | 2020-07-31 | 2020-07-31 | 一种玻璃生产过程的原料质量确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111863157B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101443283A (zh) * | 2006-05-12 | 2009-05-27 | 旭硝子株式会社 | 无碱玻璃的制造方法 |
CN101306920B (zh) * | 2008-06-30 | 2010-08-25 | 浙江振申绝热科技有限公司 | 泡沫玻璃生产原料及其生产泡沫玻璃的方法 |
CN103064285A (zh) * | 2012-12-29 | 2013-04-24 | 杭州电子科技大学 | 一种基于模型的热泵供暖多目标优化控制方法 |
CN104750998A (zh) * | 2015-04-09 | 2015-07-01 | 西安电子科技大学 | 基于强度滤波器的被动多传感器目标跟踪方法 |
CN106771095A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 玻璃配合料和质量的关系基于粗糙集和anfis的定量分析方法 |
CN109248342A (zh) * | 2018-11-28 | 2019-01-22 | 湖北双星药业股份有限公司 | 一种多孔生物活性玻璃骨修复材料及其制备方法、用途 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101125443A (zh) * | 2007-09-25 | 2008-02-20 | 赵俊江 | 高分子复合门制造方法 |
US9046882B2 (en) * | 2010-06-30 | 2015-06-02 | Rockwell Automation Technologies, Inc. | Nonlinear model predictive control of a batch reaction system |
CN106746636A (zh) * | 2016-12-31 | 2017-05-31 | 长兴旗滨玻璃有限公司 | 一种超厚超大玻璃的制造方法 |
-
2020
- 2020-07-31 CN CN202010764589.8A patent/CN111863157B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101443283A (zh) * | 2006-05-12 | 2009-05-27 | 旭硝子株式会社 | 无碱玻璃的制造方法 |
CN101306920B (zh) * | 2008-06-30 | 2010-08-25 | 浙江振申绝热科技有限公司 | 泡沫玻璃生产原料及其生产泡沫玻璃的方法 |
CN103064285A (zh) * | 2012-12-29 | 2013-04-24 | 杭州电子科技大学 | 一种基于模型的热泵供暖多目标优化控制方法 |
CN104750998A (zh) * | 2015-04-09 | 2015-07-01 | 西安电子科技大学 | 基于强度滤波器的被动多传感器目标跟踪方法 |
CN106771095A (zh) * | 2016-12-05 | 2017-05-31 | 清华大学 | 玻璃配合料和质量的关系基于粗糙集和anfis的定量分析方法 |
CN109248342A (zh) * | 2018-11-28 | 2019-01-22 | 湖北双星药业股份有限公司 | 一种多孔生物活性玻璃骨修复材料及其制备方法、用途 |
Also Published As
Publication number | Publication date |
---|---|
CN111863157A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lettau | Explaining the facts with adaptive agents: The case of mutual fund flows | |
CN114021913B (zh) | 一种基于差分进化算法的高炉配料优化方法、电子设备以及存储介质 | |
CN110516402B (zh) | 一种优化电弧炉废钢配料的方法 | |
CN107133405B (zh) | 考虑齿根弯曲强度的螺旋锥齿轮齿面加载性能优化方法 | |
CN111863157B (zh) | 一种玻璃生产过程的原料质量确定方法 | |
CN116673475B (zh) | 一种mim工件烧结方法 | |
CN110502781B (zh) | 一种基于先验知识的铁合金生产配料优化方法 | |
CN110867219B (zh) | 基于isaa算法的烧结配料优化控制方法及控制装置 | |
CN108762221A (zh) | 含有不可控事件的自动制造系统的无死锁控制方法 | |
CN114819409A (zh) | 烧结配矿智能优化方法及系统 | |
CN110246547A (zh) | 一种烧结过程配矿优化方法 | |
CN1088869C (zh) | 一种信息处理装置和一种信息处理方法 | |
CN107703743A (zh) | 烧结矿碱度自动控制方法 | |
CN116468147A (zh) | 基于遗传算法的钢筋优化断料的计算方法及装置 | |
CN106771095A (zh) | 玻璃配合料和质量的关系基于粗糙集和anfis的定量分析方法 | |
CN106365190A (zh) | 医药发酵碳酸钙的制备方法 | |
CN107117820B (zh) | 一种磁性微晶玻璃及其制备方法 | |
CN109734338A (zh) | 智能化水泥工厂生产中料配比控制方法、装置及设备 | |
CN113449779B (zh) | 基于样本分布密度改进kkt条件的svm增量学习方法 | |
CN108398711A (zh) | 一种基于双层参数模型的脉冲识别方法 | |
CN108579700A (zh) | 一种多空隙吸附有机挥发物碳酸钙高岭土复合材料及制备方法 | |
CN103901179A (zh) | 一种评价焦炭混匀效果及焦炭质量稳定性的方法 | |
Wang et al. | Cost and energy consumption collaborative optimization for sintering burdening in iron and steel enterprise | |
CN105095565A (zh) | 一种多种铜精矿最优混合的建模方法 | |
CN106282548B (zh) | 一种多矿铁矿球团的配矿方法及装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for determining the quality of raw materials in glass production process Granted publication date: 20211015 Pledgee: Societe Generale Bank Limited by Share Ltd. Guangzhou branch Pledgor: GUANGZHOU POI INTELLIGENT INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2024980007912 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |