CN112434961B - 一种铁钢界面铁水温降预测方法、装置和终端设备 - Google Patents
一种铁钢界面铁水温降预测方法、装置和终端设备 Download PDFInfo
- Publication number
- CN112434961B CN112434961B CN202011390081.2A CN202011390081A CN112434961B CN 112434961 B CN112434961 B CN 112434961B CN 202011390081 A CN202011390081 A CN 202011390081A CN 112434961 B CN112434961 B CN 112434961B
- Authority
- CN
- China
- Prior art keywords
- temperature drop
- iron
- molten iron
- model
- data
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 751
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 378
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 196
- 239000010959 steel Substances 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 180
- 230000008569 process Effects 0.000 claims abstract description 114
- 230000007246 mechanism Effects 0.000 claims abstract description 65
- 230000008878 coupling Effects 0.000 claims abstract description 42
- 238000010168 coupling process Methods 0.000 claims abstract description 42
- 238000005859 coupling reaction Methods 0.000 claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000017525 heat dissipation Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010079 rubber tapping Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000006477 desulfuration reaction Methods 0.000 claims description 4
- 230000023556 desulfurization Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 239000002184 metal Substances 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 7
- 238000007418 data mining Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 150000002505 iron Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Factory Administration (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本申请公开了一种铁钢界面铁水温降预测方法、装置和终端设备，该方法包括：构建铁钢界面的数据集市；从铁钢界面的数据集市获取训练样本对目标模型进行训练，获得铁钢界面铁水温降预测模型；基于工艺信息进行分段的机理建模，获得基于数据驱动的铁钢界面的铁水温降机理模型；将基于数据驱动的铁钢界面铁水温降预测模型和铁水温降机理模型耦合，获得铁钢界面铁水温降耦合模型，利用铁钢界面铁水温降耦合模型预测铁水温降信息。采用本申请所述的铁钢界面铁水温降预测方法，能够对铁水温度变化情况进行实时在线准确预测，便于后续控制铁水温降，提供成分和温度稳定的铁水，对实现铁钢界面能效提升、降本增效、提高生产效率以及清洁生产有重要意义。
Description
技术领域
本申请涉及钢铁冶炼技术领域，具体涉及一种铁钢界面铁水温降预测方法、装置和终端设备。
背景技术
随着工业化和信息化技术不断融合发展，钢铁企业的信息化建设不断完善成熟。通过钢铁企业数据平台的构建以及其对信息化系统产生的大量各类数据进行整合和挖掘，能够为质量缺陷追溯、产品开发、数据积累与深度挖掘等提供了强有力的支撑。目前，钢铁企业数据平台的建设通常可以与自动化系统、仪表、设备建立通信接口，从而灵活、全面地收集现场具备采集条件的所有数据，为钢铁企业建立了数据存储库，实现数据大量、长期存储。
尤其是在高炉—转炉区段，工艺技术界面的主要任务是完成铁水承接、输送、预处理、储存与缓冲、铁水兑入量的准确调控以及受铁容器的快速周转等。在钢铁联合企业中,炼铁工序能否高质量地提供成分和温度稳定的铁水,直接关系到炼钢过程的成本和生产效率。铁水成分、温度的稳定是实现从高炉到轧钢连续、协调操作的前提。先进的高炉一转炉区段工艺界面(又称铁钢界面)技术正是稳定、高质量地提供铁水的保证。铁水运输过程中,所携带的显热在不断耗散损失,在不同的时间段运输时间或等待时间内,其温降不同,各段时间的温降除了与各段时间长度有关外,还与铁水盛接装置及其大小、形状等因素有关。对铁水温度变化有一个准确的认识及控制铁水温降对实现铁钢界面能效提升、降本增效、清洁生产有重要意义。
然而，近年来，通过钢铁企业数据库对钢铁冶炼过程中产生的数据进行挖掘与应用的方法多种多样，但大都以优化烧结、高炉、转炉、连铸、热轧、冷轧等主体工序及其装备为目的进行数据的挖掘与应用，从而推动钢铁生产流程的进步。但是其主体工序之间衔接与过渡过程也会产生大量的工业数据，它们只单纯且孤立地储存在企业数据库中并未挖掘应用。对两主体工序之间衔接或过渡过程中产生的数据进行挖掘与应用，来指导与帮助不断改进前后工序或装备之间的“界面”技术，逐步实现整个生产流程的连续化与紧凑化也尤为重要。由于铁钢界面数据来自不同工艺段，不同时间点，各个数据点本身是孤立的。虽然各工艺过程和自动化系统拥有宝贵的信息，但是可能难以从这些系统中提取有意义的信息并且速度也较慢。而且这些系统虽然一般可支持预先定义操作的报表，但却经常无法支持一个组织对于历史的、联合的、“智能的”或易于访问的信息的需求。因为数据分布在许多跨系统和平台的表中，而且通常是“脏的”，包含了不一致的和无效的值，使得难于分析。
发明内容
有鉴于此，本申请实施例提供一种铁钢界面铁水温降预测方法、装置和终端设备，以致解决现有技术存在的铁水温降变化预测不够准确，在线预测效果差、工作量大、人力成本较高、铁钢生产效率较低的技术问题。
第一方面，本申请实施例提供了一种铁钢界面铁水温降预测方法，包括：构建铁钢界面的数据集市；从铁钢界面的数据集市获取训练样本对目标模型进行训练，用实际测试数据对模型进行命中度检验，获得基于数据驱动的铁钢界面铁水温降预测模型；基于工艺信息进行分段的机理建模，获得基于数据驱动的铁钢界面的铁水温降机理模型；将所述基于数据驱动的铁钢界面铁水温降预测模型和所述铁水温降机理模型耦合，获得铁钢界面铁水温降耦合模型，利用所述铁钢界面铁水温降耦合模型预测铁水温降信息。
进一步的，所述的铁钢界面铁水温降预测方法还包括：将所述铁钢界面铁水温降耦合模型获得的铁水温降信息和实际铁水温降信息进行比对，若未达到设定的模型预测精度阈值，则调整所述基于数据驱动的铁钢界面铁水温降预测模型相关参数、铁水温降机理模型及边界条件参数，若达到设定的模型预测精度阈值，则将所述铁钢界面铁水温降耦合模型作为目标铁钢界面铁水温降耦合模型应用到实际钢铁生产现场。
进一步的，所述构建铁钢界面的数据集市，具体包括：获取目标系统各工艺段的数据集；根据铁钢界面温降历程在所述数据集合中增加相应温度和/或时间数据；对所述数据集合中的数据类型进行定义，并对各类型数据进行分类，根据铁钢界面工艺流程确定铁钢界面各类型数据之间关系，通过数据集合的方式建立各类型数据的数据表连接。
进一步的，所述的铁钢界面铁水温降预测方法，还包括：构建基于数据集市的信息服务平台；其中，所述信息服务平台具备用户登录、统计分析、条件查询以及温度预测中的至少一种功能。
进一步的，所述基于工艺信息进行分段的机理建模，获得基于数据驱动的铁钢界面的铁水温降机理模型，具体包括：获取所述数据集市中铁水运输物理过程产生的目标数据，构建各工艺段的铁水温度散热机理模型；基于所述各工艺段的铁水温度散热机理模型，通过预设的统计运算和/或数值模拟获得铁水的温降规律；将所述各工艺段的铁水温度散热机理模型中的至少一个模型进行耦合，构建多因素的铁水温降机理模型。
进一步的，所述的铁钢界面铁水温降预测方法，还包括：在铁钢界面铁水温降预测模型建模时，剔除原始数据中的异常数据，采用离差标准化方法对原始数据进行线性变换，利用预设的归一化公式对原始数据做归一化处理，在铁钢界面铁水温降预测模型输出时，采用反归一化方法对数据进行还原处理。
进一步的，所述的铁钢界面铁水温降预测方法，还包括：在铁钢界面铁水温降预测模型参数选择时，将铁水温降信息定义为关键输出变量，将影响所述关键输出变量的工艺参数定义为关键输入变量；基于传热原理，对所述工艺参数和所述关键输出变量进行相关性分析，确定目标关键输入变量。
第二方面，本申请实施例还提供一种铁钢界面铁水温降预测装置，包括：数据集市构建单元，用于构建铁钢界面的数据集市；温降预测模型训练单元，用于基于铁钢界面的数据集市获取训练样本对目标模型进行训练，获得基于数据驱动的智能化铁钢界面铁水温降预测模型；温降机理建模单元，用于基于工艺信息进行分段的机理建模，获得各工艺段的铁水温降机理模型；铁钢界面铁水温降预测单元，用于将所述智能化铁钢界面铁水温降预测模型和所述铁水温降机理模型耦合，获得铁钢界面铁水温降耦合模型，利用所述铁钢界面铁水温降耦合模型预测铁水温降信息。
进一步的，所述的铁钢界面铁水温降预测装置还包括：参数调整单元，用于将所述铁钢界面铁水温降耦合模型获得的铁水温降信息和实际铁水温降信息进行比对，若未达到设定的模型预测精度阈值，则调整所述基于数据驱动的铁钢界面铁水温降预测模型相关参数，铁水温降机理模型及边界条件参数，若达到设定的模型预测精度阈值，则将所述铁钢界面铁水温降耦合模型作为目标铁钢界面铁水温降耦合模型应用到实际钢铁生产现场。
进一步的，所述数据集市构建单元具体用于：获取目标系统各工艺段的数据集；根据铁钢界面温降历程在所述数据集合中增加相应温度和/或时间数据；对所述数据集合中的数据类型进行定义，并对各类型数据进行分类，根据铁钢界面工艺流程确定铁钢界面各类型数据之间关系，通过数据集合的方式建立各类型数据的数据表连接。
进一步的，所述的铁钢界面铁水温降预测装置，还包括：平台功能模块构建单元用，构建基于数据集市的信息服务平台；其中，所述信息服务平台具备用户登录、统计分析、条件查询以及温度预测中的至少一种功能。
进一步的，所述温降机理建模单元具体用于：获取所述数据集市中铁水运输物理过程产生的目标数据，构建各工艺段的铁水温度散热机理模型；基于所述各工艺段的铁水温度散热机理模型，通过预设的统计运算和/或数值模拟获得铁水的温降规律；将所述各工艺段的铁水温度散热机理模型中的至少一个模型进行耦合，构建多因素的铁水温降机理模型。
进一步的，所述的铁钢界面铁水温降预测装置，还包括：数据异常值剔除单元，用于在铁钢界面铁水温降预测模型建模时，采用现场经验范围和/或拉依达准则对数据集市中提取的原始数据进行异常数据检测，并剔除异常数据，用于构建数据驱动的铁钢界面铁水温降预测模型。
进一步的，所述的铁钢界面铁水温降预测装置，还包括：线性变换单元，用于在铁钢界面铁水温降预测模型建模时，采用离差标准化方法对原始数据进行线性变换，利用预设的归一化公式对原始数据做归一化处理，在铁钢界面铁水温降预测模型输出时，采用反归一化方法对数据进行还原处理。
进一步的，所述的铁钢界面铁水温降预测装置，还包括：变量调整单元，用于在铁钢界面铁水温降预测模型参数选择时，将铁水温降信息定义为关键输出变量，将影响所述关键输出变量的工艺参数定义为关键输入变量；基于传热原理，对所述工艺参数和所述关键输出变量进行相关性分析，确定目标关键输入变量。
第三方面，本申请还提供一种终端设备，所述终端设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行上述任一项所述的铁钢界面铁水温降预测方法。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任意一项所述的铁钢界面铁水温降预测方法。
与现有技术相比，本申请至少具有以下优点：
采用本申请实施例的技术方案，能够对铁水温度变化情况进行在线准确预测，便于后续控制铁水温降，提供成分和温度稳定的铁水，对实现铁钢界面能效提升、降本增效、提高生产效率以及清洁生产有重要意义。便于对主体工序之间衔接或过渡过程中产生的数据进行挖掘与应用，从而指导与帮助不断改进前后工序或装备之间的“界面”技术，逐步实现整个生产流程的连续化与紧凑化。能够满足企业对于铁钢界面数据应用的需求，通过合并不同系统的数据源来满足对数据挖掘的信息需求，实现铁水工艺流程中产生数据信息的跟踪与追溯。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述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申请中记载的一些实施例，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它的附图。
图1为本申请实施例提供的一种铁钢界面铁水温降预测方法的流程图；
图2为本申请实施例提供的一种铁钢界面铁水温降预测装置的示意图；
图3为本申请实施例提供的一种铁钢界面铁水温降预测方法的完整流程图；
图4为本申请实施例提供的一种钢铁界面数据集市功能示意图；
图5为本申请实施例提供的一种终端设备的示意图；
图6为本申请实施例提供的一种判断KIV的原则的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面基于本发明所述的一种铁钢界面铁水温降预测方法，对其实施例进行详细描述。如图1所示，其为本发明实施例提供的一种铁钢界面铁水温降预测方法的流程图，具体实现过程包括以下步骤：
步骤S101：构建铁钢界面的数据集市。
在本发明实施例中，在构建铁钢界面的数据集市之前，需要预先收集钢铁企业涉及铁钢界面的全部可能数据，具体包括：炼铁厂工艺过程及生产数据、炼钢厂工艺过程及生产数据、鱼雷罐热周转过程数据、铁水包热周转过程数据、鱼雷罐耐材及体积数据、铁水包设计及制造数据、铁水温降测试数据、高炉出铁沟铁水温降数据、鱼雷罐兑铁水包数据信息、铁水运输过程信息、班组工作信息、鱼雷罐与铁水包维修信息、现场环境信息、涉及铁水输运的其他信息等。
在收集钢铁企业涉及铁钢界面的数据时，不可避免的存在一些关键信息的缺失，例如鱼雷罐的蓄热和耐材的厚度密切相关，鱼雷罐的侵蚀量就是关键数据，必须通过现有的数据推测或者数值计算获取。
在具体实施过程中，鱼雷罐的侵蚀量可以通过监测鱼雷罐的上线和下线的时间、空罐时间、修补层的厚度等做线性估算获取，并通过大量的鱼雷罐的使用对上述数据进行取平均和校准。
当收集钢铁企业涉及铁钢界面的数据完成后，可将数据导入到预设的数据库软件(Access、Oracle等)，并对数据类型所定义，如数值型、日期型、文本型等，同时对各类数据进行分类，建立总表、分表等各类型的数据表连接。根据铁钢界面工艺流程找到各工艺数据集之间关系对铁钢界面各工艺数据集建立连接关系(数据集合指把数据放在一张数据表里，不同软件不同方法，Access是建立表关系的方法，SAS是用集合的方式)。
在本发明实施例中，基于上述方式建立的数据集市不仅能够实现对铁钢界面的铁水温降信息进行有效的输出与提供报表，同时也能够为后续的基于技术寻优的数据挖掘提供合适、可靠的数据。
在本步骤中，所述构建铁钢界面的数据集市，具体实现过程包括如下步骤：获取目标系统的数据集，根据铁钢界面温降历程在所述数据集合中增加相应温度和/或时间数据，对所述数据集合中的数据类型进行定义，并对各类型数据进行分类，根据铁钢界面工艺流程确定铁钢界面各类型数据之间关系，通过数据集合的方式建立各类型数据的数据表连接。
通过建立铁钢界面铁水温降数据集市，能够整合从铁区到钢区产生的数据，其内容包括所耗费的时间、占有的空间、工序、装置、容量、温度、运输设备、路线、调度管理和控制程序等多方面信息。该数据集市不仅满足通过查询功能实现铁水工艺流程中产生数据信息的跟踪与追溯，通过统计分析功能输出影响铁水温降的相关因素,而且通过数据分析为手段，挖掘生产过程中产生的大量数据，为实现铁水温度的准确预测及铁水温降的控制手段提供数据基础。
如图5所示，为了实现可视化的数据输出，提供满足人机友好型交互界面，在具体实施过程中，还可构建基于数据集市的信息服务平台，将数据集市结果通过建立智能化信息服务平台呈现给用户。
在本发明实施例中，所述信息服务平台可分为用户登录、统计分析、条件查询以及温度预测等中的至少一种功能，其中查询和统计模块的数据内容支持输出成表。
具体的，在用户登录功能模块中，设计了一个数据集市窗体初始化会弹出的登录界面，使得只有系统授权用户可以登录。通过接收输入的用户名和密码并获取点击登录验证通过后即可进入系统，若验证失败，则弹出错误对话框，若要退出系统，则点击退出按钮即可，同时不同的用户其数据库权限页不同。
在具体实施过程中，由于数据体量巨大，输出变量过多，因此需要对查询模块细化。条件查询功能模块，能够提供对铁钢界面的数据建立条件查询功能，比如根据某个设备编号查询它所经历的工艺历程或某段时间内的出铁量等等。其具体实现过程可以是将数据集合有条理的划分在查询模块的子模块下，比如每罐铁水历程情况的罐次号查询，每个铁水包由哪几个TPC倒铁的钢号查询。若数据中变量依然众多还会依照设备信息、工艺信息和工位信息等类别细化模块，使工艺下产生的数据可以简洁而有逻辑地分布于同一物理平台上。
在统计分析功能中，能够将各因素数据进行图表类可视化输出，比如工序作业时间缩减比例、装置运转效率增加百分比、近年来铁水温降情况增减、铁水产量增减、铁水温度未达标比例以及不同班组作业时装置运转效率对比等数据。统计模块的建立更多是对现有数据的分析与价值的挖掘，若要挖掘其价值，更多是结合界面工艺技术，对多个变量的数据内容进行统计计算，形成新的变量数据。这是一种根据现场需求对工业数据直接而有效的增维方法，一些冗余而体量巨大的数据不必显示，它们成为新变量价值的养分。如TPC是否二次受铁的信息只有“二次受铁标志”一个变量，简单记录着“Y”和“N”。对二次受铁在高炉受铁中的占比进行一段时间的统计，即新变量“二次受铁率”就显得十分有价值。
在温度预测功能中，能够对各因素数据做智能化模型进行预测，比如铁水工序处理后成分预测、铁水工序处理后温度预测、最优运输路线预测以及最佳铁水兑入量预测等功能。温度预测模块建立是基于后续的智能化模型及基于铁水温降机理的多元线性回归方程，在数据集市中选中相关变量利用代码获取其预测的温度数据值。上述实现的功能都满足可视化的数据输出，满足人机友好型交互界面。
步骤S102：从铁钢界面的数据集市获取训练样本对目标模型进行训练，用实际测试数据对模型进行命中度检验，获得基于数据驱动的铁钢界面铁水温降预测模型；。
在本发明实施例中，所述的基于数据驱动的铁钢界面铁水温降预测模型，基于工艺信息进行分段的机理建模，获得基于数据驱动的铁钢界面的铁水温降机理模型具体实现过程基于前述的构建的数据集市，由铁水散热机理初步分析与铁水温降有关的过程量，再利用相关性分析技术确定对铁水温降有显著影响的因素，接下来从数据集市中获取建模所用数据并进行数据清洗、归一化等预处理操作，最终获得纯洁可用于建模的目标数据。
在实际实施过程中，可选用多元线性回归法、BP神经网络算法、极限学习机、决策树模型及集成学习等智能化算法等作为建模理论基础，开发建立了铁钢界面铁水温降预测模型并通过所需精度的模型检验评估。可基于TPC温降模型、高炉出铁温降模型、铁水预处理温降模型、兑铁温降模型、铁水包温降模型、KR脱硫温降模型等机理模型，通过多因素机理模拟案例结果来拟合多因素对铁水温降的影响，获得铁水的温降规律。
需要说明的是，铁钢界面铁水温降预测在建模之前还必须对其原始数据进行预处理，具体包括异常数据处理、缺损值补充、数据归一化等。
铁水温降过程中，不可避免地存在一些不完整甚至错误的数据，在进行分析处理前，必须对所依据的资料进行认真的检查、整理、加工和调整等处理，在得到工艺过程数据的时间序列之后，检验是否存在异常值，如果存在的话，还需要进一步判明在何时出现异常值而异常值直接影响建模准确率和预测精度。在具体实施过程中，针对异常数据可采用依据经验范围和3σ准则(拉依达准则)确定并处理，例如高炉受铁温度过低或过高等。
参数范围如下表所示：
在采集时间序列时，由于仪器故障，操作失误，观测问题等原因，引起某些值的缺损。当序列中存在缺损值时，破坏了系统运行的连续性，违背了时间序列“顺序的重要性”原则,则依据数据运行轨迹或变化趋势，运用一定的方法对缺损值进行估计、推测、以补足缺损的数值。具体估算、推测方法包括增长量推算法、发展速度推算法、平滑法、差值估算法等等。
在铁水温降数据的预处理中，实际生产数据和测量数据等存在不同量纲，数值的大小差别很大，不能有效建立数学模型，需对原始数据进行归一化处理。在铁钢界面铁水温降预测模型建模时，可采用离差标准化方法对原始数据进行线性变换，利用预设的归一化公式对原始数据做归一化处理，在铁钢界面铁水温降预测模型输出时，采用反归一化方法对数据进行还原处理。具体的，可采用离差标准化方法，通过对原始数据进行线性变换，将数据归一化到[0，1]之间。同时，模型的输出通过反归一化方法对数据进行还原。归一化计算公式具体如下：
其中：Xi为过程参数的原始值；Xmin，Xmax分别为该参数中的最大值和最小值；X’i为归一化后的值。
另外，在铁钢界面铁水温降预测建模时，由于输入变量众多且相互耦合，在铁钢界面铁水温降预测模型参数选择时，将铁水温降信息定义为关键输出变量，将影响所述关键输出变量的工艺参数定义为关键输入变量，基于传热原理对所述工艺参数和所述关键输出变量进行相关性分析，确定目标关键输入变量。在具体实施过程中，可首先把铁水温降定义为关键输出变量(KeyOutput Value，简称KOV)，影响KOV的工艺参数称为关键输入变量(KeyInput Value，简称KIV)，需要通过对自变量和因变量的相关分析来确定KIV。具体判断KIV的原则如图6所示。
通过传热机理与相关性分析过程相结合确定输入输出变量：选取高炉受铁铁水温度、受铁时间、铁水质量、受铁至扒渣时间、扒渣后铁水温度、受铁至预处理时间、预处理后铁水温度、重罐时间、以及空罐时间等至少9个变量作为模型的输入，模型输出为铁水从受铁至倒铁后的铁水温降。
需要说明的是，由于铁水温降这一复杂的多变量系统，本申请构建的基于智能算法的铁水温度预报模型具体涉及的智能化算法如下：BP神经网络；极限学习机；决策树；支持向量机；集成学习等。在具体训练过程中，可以数据集市内现场铁水温度监测系统在线采集的多组数据对数据驱动模型进行训练，以项目执行过程中的某月或者某段时间内的测量数据对模型进行验证和检验。通过现场确认模型预测的铁水温降温度和实际温降温度偏差？还是10％作为模型评价指标，对模型命中率进行定义和验证。
步骤S103：基于工艺信息进行分段的机理建模，获得基于数据驱动的铁钢界面的铁水温降机理模型。
步骤S102是基于现场数据驱动的铁水温降智能化模型分析过程，但是由于脱离铁水工艺过程，导致其统计与智能模型的精度或者可靠性不高，需要结合机理模型加以修正。如图4所示，在步骤S102中通过训练获得基于数据驱动的铁钢界面铁水温降预测模型之后，在本步骤中可进一步基于工艺信息进行分段的机理建模获得铁钢界面的铁水温降机理模型。在具体实施过程中，可从数据集市中与铁水运输物理过程对应的具体目标数据入手，通过构建不同工艺段的铁水温度散热机理模型，对各种条件的统计运算或者数值模拟，来获取铁水的温降规律，通过对温降规律的研究，来构建多因素的铁水温降机理模型。具体的，涉及铁钢界面铁水的温降模型如下：TPC温降模型；高炉出铁温降模型；铁水预处理温降模型；兑铁温降模型；铁水包温降模型；KR脱硫温降模型等。通过将上述至少一种模型进行耦合，可以构建铁钢界面铁水温降的机理模型。
步骤S104：将所述数据驱动的铁钢界面铁水温降预测模型和所述铁水温降机理模型耦合，获得铁钢界面铁水温降耦合模型，利用所述铁钢界面铁水温降耦合模型预测铁水温降信息。
在本发明实施例中，将上述数据驱动的铁钢界面铁水温降预测模型和所述铁水温降机理模型耦合，组成铁钢界面铁水温降耦合模型。在利用所述铁钢界面铁水温降耦合模型预测铁水温降信息之前，可将所述铁钢界面铁水温降耦合模型获得的铁水温降信息和实际铁水温降信息进行比对，若未达到设定的模型预测精度阈值，则调整所述数据驱动的铁钢界面铁水温降预测模型相关参数，铁水温降机理模型及边界条件参数，若达到设定的模型预测精度阈值，则将所述铁钢界面铁水温降耦合模型作为目标铁钢界面铁水温降耦合模型应用到实际钢铁生产现场。比如在对比案例超过1000个条件下，对比的温度差在±10℃内的数据量超过90％时，即认为该耦合模型满足生产现场的实际需要，将所述铁钢界面铁水温降耦合模型作为目标铁钢界面铁水温降耦合模型应用到实际钢铁生产现场。
采用本发明所述的铁钢界面铁水温降预测方法，能够对铁水温度变化情况进行准确预测，便于后续控制铁水温降，提供成分和温度稳定的铁水，对实现铁钢界面能效提升、降本增效、提高生产效率以及清洁生产有重要意义。便于对主体工序之间衔接或过渡过程中产生的数据进行挖掘与应用，从而指导与帮助不断改进前后工序或装备之间的“界面”技术，逐步实现整个生产流程的连续化与紧凑化。能够满足企业对于铁钢界面数据的需求，通过合并不同系统的数据源来满足对数据挖掘的信息需求，实现铁水工艺流程中产生数据信息的跟踪与追溯。
与上述提供的一种铁钢界面铁水温降预测方法相对应，本发明还提供一种铁钢界面铁水温降预测装置。由于该装置的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的铁钢界面铁水温降预测装置的实施例仅是示意性的。请参考图2所示，其为本发明实施例提供的一种铁钢界面铁水温降预测装置的示意图。
本发明所述的一种铁钢界面铁水温降预测装置包括如下部分：
数据集市构建单元201，用于构建铁钢界面的数据集市。
温降预测模型训练单元202，用于基于铁钢界面的数据集市获取训练样本对目标模型进行训练，获得基于数据驱动的智能化铁钢界面铁水温降预测模型。
温降机理建模单元203，用于基于工艺信息进行分段的机理建模，获得各工艺段的铁水温降机理模型。
铁钢界面铁水温降预测单元204，用于将所述智能化铁钢界面铁水温降预测模型和所述铁水温降机理模型耦合，获得铁钢界面铁水温降耦合模型，利用所述铁钢界面铁水温降耦合模型预测铁水温降信息。
采用本发明所述的铁钢界面铁水温降预测装置，能够对铁水温度变化情况进行在线准确预测，便于后续控制铁水温降，提供成分和温度稳定的铁水，对实现铁钢界面能效提升、降本增效、提高生产效率以及清洁生产有重要意义。便于对主体工序之间衔接或过渡过程中产生的数据进行挖掘与应用，从而指导与帮助不断改进前后工序或装备之间的“界面”技术，逐步实现整个生产流程的连续化与紧凑化。能够满足企业对于铁钢界面数据的应用需求，通过合并不同系统的数据源来满足对数据挖掘的信息需求，实现铁水工艺流程中产生数据信息的跟踪与追溯。
与上述提供的铁钢界面铁水温降预测方法相对应，本发明还提供一种电子设备。由于该电子设备的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的电子设备仅是示意性的。如图3所示，其为本发明实施例提供的一种电子设备的示意图。该电子设备具体包括：处理器301和存储器302。所述处理器301、所述存储器302以及通信接口通过总线305连接；其中，存储器302用于运行一个或多个程序指令，用于存储铁钢界面铁水温降预测方法的程序303，该电子设备通电并通过所述处理器301运行该铁钢界面铁水温降预测方法的程序303后，执行上述任意一项所述的铁钢界面铁水温降预测方法。
与上述提供的一种铁钢界面铁水温降预测方法相对应，本发明还提供一种计算机可读存储介质，该计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被处理器执行上述任一项所述的铁钢界面铁水温降预测方法。由于该计算机可读存储介质的实施例相似于上述方法实施例，所以描述的比较简单，相关之处请参见上述方法实施例部分的说明即可，下面描述的计算机存储介质仅是示意性的。
综上所述，需要说明的是，在本发明实施例中，处理器或处理器模块可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，简称SLDRAM)和直接内存总线随机存取存储器(Direct Ram bus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述，仅是本申请的较佳实施例而已，并非对本申请作任何形式上的限制。虽然本申请已将较佳实施例揭露如上，然而并非用以限定本申请。任何熟悉本领域的技术人员，在不脱离本申请技术方案范围情况下，都可利用上述揭示的方法和技术内容对本申请技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本申请技术方案的内容，依据本申请的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本申请技术方案保护的范围内。
Claims (8)
1.一种铁钢界面铁水温降预测方法，其特征在于，包括：
构建铁钢界面的数据集市；
从铁钢界面的数据集市获取训练样本对目标模型进行训练，用实际测试数据对模型进行命中度检验，获得基于数据驱动的铁钢界面铁水温降预测模型；所述铁钢界面铁水温降预测模型涉及的智能化算法包括：BP神经网络、极限学习机、决策树、支持向量机、集成学习；
基于工艺信息进行分段的机理建模，获得基于数据驱动的铁钢界面的铁水温降机理模型；所述铁水温降机理模型包括：TPC温降模型、高炉出铁温降模型、铁水预处理温降模型、兑铁温降模型、铁水包温降模型和KR脱硫温降模型；
将所述基于数据驱动的铁钢界面的铁水温降预测模型和所述铁水温降机理模型耦合，获得铁钢界面铁水温降耦合模型，利用所述铁钢界面铁水温降耦合模型预测铁水温降信息；
所述基于工艺信息进行分段的机理建模，获得基于数据驱动的铁钢界面的铁水温降机理模型，具体包括：
获取所述数据集市中铁水运输物理过程产生的目标数据，构建各工艺段的铁水温度散热机理模型；
基于所述各工艺段的铁水温度散热机理模型，通过预设的统计运算和/或数值模拟获得铁水的温降规律；
将所述各工艺段的铁水温度散热机理模型中的至少一个模型进行耦合，构建多因素的铁水温降机理模型；
还包括：
在铁钢界面铁水温降预测模型参数选择时，将铁水温降信息定义为关键输出变量，将影响所述关键输出变量的工艺参数定义为关键输入变量；
基于传热原理，对所述工艺参数和所述关键输出变量进行相关性分析，确定目标关键输入变量。
2.根据权利要求1所述的铁钢界面铁水温降预测方法，其特征在于，还包括：
将所述铁钢界面铁水温降耦合模型获得的铁水温降信息和实际铁水温降信息进行比对，若未达到设定的模型预测精度阈值，则调整所述基于数据驱动的铁钢界面铁水温降预测模型相关参数、铁水温降机理模型及边界条件参数，若达到设定的模型预测精度阈值，则将所述铁钢界面铁水温降耦合模型作为目标铁钢界面铁水温降耦合模型应用到实际钢铁生产现场。
3.根据权利要求1所述的铁钢界面铁水温降预测方法，其特征在于，所述构建铁钢界面的数据集市，具体包括：
获取目标系统的数据集合；
根据铁钢界面温降历程在所述数据集合中增加相应温度和/或时间数据；
对所述数据集合中的数据类型进行定义，并对各类型数据进行分类，根据铁钢界面工艺流程确定铁钢界面各类型数据之间关系，通过数据集合的方式建立各类型数据的数据表连接。
4.根据权利要求1所述的铁钢界面铁水温降预测方法，其特征在于，还包括：
构建基于数据集市的信息服务平台；其中，所述信息服务平台具备用户登录、统计分析、条件查询以及温度预测中的至少一种功能。
5.根据权利要求1所述的铁钢界面铁水温降预测方法，其特征在于，还包括：
在铁钢界面铁水温降预测模型建模时，剔除原始数据中的异常数据并补足关键参数的缺损数据，采用离差标准化方法对所述原始数据进行线性变换，利用预设的归一化公式对原始数据做归一化处理，在铁钢界面铁水温降预测模型输出时，采用反归一化方法对数据进行还原处理。
6.一种铁钢界面铁水温降预测装置，其特征在于，包括：
数据集市构建单元，用于构建铁钢界面的数据集市；
温降预测模型训练单元，用于基于铁钢界面的数据集市获取训练样本对目标模型进行训练，用实际测试数据对目标模型进行命中度检验，获得基于数据驱动的智能化铁钢界面铁水温降预测模型；所述铁钢界面铁水温降预测模型涉及的智能化算法包括：BP神经网络、极限学习机、决策树、支持向量机、集成学习；
温降机理建模单元，用于基于工艺信息进行分段的机理建模，获得各工艺段的铁水温降机理模型；所述铁水温降机理模型包括：TPC温降模型、高炉出铁温降模型、铁水预处理温降模型、兑铁温降模型、铁水包温降模型和KR脱硫温降模型；
铁钢界面铁水温降预测单元，用于将所述基于数据驱动的智能化铁钢界面铁水温降预测模型和所述铁水温降机理模型耦合，获得铁钢界面铁水温降耦合模型，利用所述铁钢界面铁水温降耦合模型预测铁水温降信息；
所述铁钢界面铁水温降预测单元具体用于：
获取所述数据集市中铁水运输物理过程产生的目标数据，构建各工艺段的铁水温度散热机理模型；
基于所述各工艺段的铁水温度散热机理模型，通过预设的统计运算和/或数值模拟获得铁水的温降规律；
将所述各工艺段的铁水温度散热机理模型中的至少一个模型进行耦合，构建多因素的铁水温降机理模型；以及
在铁钢界面铁水温降预测模型参数选择时，将铁水温降信息定义为关键输出变量，将影响所述关键输出变量的工艺参数定义为关键输入变量；
基于传热原理，对所述工艺参数和所述关键输出变量进行相关性分析，确定目标关键输入变量。
7.一种终端设备，其特征在于，所述终端设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的铁钢界面铁水温降预测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-5任一项所述的铁钢界面铁水温降预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011390081.2A CN112434961B (zh) | 2020-12-01 | 2020-12-01 | 一种铁钢界面铁水温降预测方法、装置和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011390081.2A CN112434961B (zh) | 2020-12-01 | 2020-12-01 | 一种铁钢界面铁水温降预测方法、装置和终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112434961A CN112434961A (zh) | 2021-03-02 |
| CN112434961B true CN112434961B (zh) | 2022-04-15 |
Family
ID=74698336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011390081.2A Active CN112434961B (zh) | 2020-12-01 | 2020-12-01 | 一种铁钢界面铁水温降预测方法、装置和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112434961B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116027745B (zh) * | 2022-12-15 | 2024-04-12 | 广东镭目华远智能科技有限公司 | 一种基于铁水罐运行时间流管控的平台控制方法 |
| CN117389209A (zh) * | 2023-09-06 | 2024-01-12 | 苏州数设科技有限公司 | 目标补偿值确定方法、装置、电子设备及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
| CN107992705A (zh) * | 2017-12-22 | 2018-05-04 | 冶金自动化研究设计院 | 一种铁钢界面能耗仿真模型的信息化表示方法 |
| CN108647485A (zh) * | 2018-05-18 | 2018-10-12 | 上海交通大学 | 流化催化裂化中催化剂积碳测量方法、系统、介质及设备 |
| 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 |
| EP3499161A1 (en) * | 2017-12-13 | 2019-06-19 | Novamet Sàrl | Method of controlling a gas furnace for melting metal and control system therefor |
| JP2020082112A (ja) * | 2018-11-20 | 2020-06-04 | 東芝三菱電機産業システム株式会社 | 金属材料の材質制御支援装置 |
| CN111598293A (zh) * | 2020-04-10 | 2020-08-28 | 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 |
-
2020
- 2020-12-01 CN CN202011390081.2A patent/CN112434961B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909705A (zh) * | 2016-12-22 | 2017-06-30 | 上海交通大学 | 一种高炉铁水质量预报方法及其系统 |
| EP3499161A1 (en) * | 2017-12-13 | 2019-06-19 | Novamet Sàrl | Method of controlling a gas furnace for melting metal and control system therefor |
| CN107992705A (zh) * | 2017-12-22 | 2018-05-04 | 冶金自动化研究设计院 | 一种铁钢界面能耗仿真模型的信息化表示方法 |
| 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 |
| CN108647485A (zh) * | 2018-05-18 | 2018-10-12 | 上海交通大学 | 流化催化裂化中催化剂积碳测量方法、系统、介质及设备 |
| JP2020082112A (ja) * | 2018-11-20 | 2020-06-04 | 東芝三菱電機産業システム株式会社 | 金属材料の材質制御支援装置 |
| CN111598293A (zh) * | 2020-04-10 | 2020-08-28 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| "深水湿天然气管道温降机理模型的建立及应用";王凯;《中国海上油气》;20130215;第25卷(第1期);第78-81页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112434961A (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN112434961B (zh) | 一种铁钢界面铁水温降预测方法、装置和终端设备 | |
| CN108763550B (zh) | 高炉大数据应用系统 | |
| CN101408769A (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
| CN106909705A (zh) | 一种高炉铁水质量预报方法及其系统 | |
| CN105302096A (zh) | 一种工厂智能调度方法 | |
| CN113741362B (zh) | 液化天然气接收站操作优化方法、系统、介质及计算设备 | |
| Shi et al. | Key issues and progress of industrial big data-based intelligent blast furnace ironmaking technology | |
| Li et al. | Evaluation and prediction of blast furnace status based on big data platform of ironmaking and data mining | |
| Guoliang et al. | Operation-based configuration complexity measurement for manufacturing system | |
| CN102601881A (zh) | 一种橡胶硬度的在线质量监控和预测模型更新的方法 | |
| CN114219129A (zh) | 基于任务和mtbf的武器系统随行备件需求预测及评估系统 | |
| Takalo-Mattila et al. | Explainable steel quality prediction system based on gradient boosting decision trees | |
| CN115755614A (zh) | 基于碳排监测的用能优化调控方法及装置 | |
| Zhao et al. | Optimal design of ladder-stress accelerated degradation test plan for motorized spindle in non-cube test area | |
| CN111849544A (zh) | 加氢裂化的产品质量自控方法、装置和存储器 | |
| Ralph et al. | MUL 4.0: Systematic digitalization of a value chain from raw material to recycling | |
| CN104081298A (zh) | 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法 | |
| CN112184180A (zh) | 一种基于bim建筑全寿命周期管理设备 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN100371938C (zh) | 一种极少新钢种数据样本下的质量设计方法 | |
| Jiang et al. | Analysis of Blast Furnace Permeability Regulation Strategy Based on Machine Learning | |
| Karelova | Possibilities of an artificial neural network use to control oxygen consumption in a converter shop | |
| Xia et al. | Reliability evaluation for the running state of the manufacturing system based on poor information | |
| Niu et al. | Prediction of sinter chemical composition based on ensemble learning algorithms |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Huang Jun Inventor after: Zhang Yazhu Inventor after: Bi Chunbao Inventor after: Shi Shaoyuan Inventor before: Huang Jun Inventor before: Zhang Yongjie Inventor before: Chen Guojun Inventor before: Zhang Yazhu Inventor before: Bi Chunbao Inventor before: Shi Shaoyuan |