CN112509642A - 一种高炉炉渣粘度的在线预测方法 - Google Patents

一种高炉炉渣粘度的在线预测方法 Download PDF

Info

Publication number
CN112509642A
CN112509642A CN202011285948.8A CN202011285948A CN112509642A CN 112509642 A CN112509642 A CN 112509642A CN 202011285948 A CN202011285948 A CN 202011285948A CN 112509642 A CN112509642 A CN 112509642A
Authority
CN
China
Prior art keywords
slag
viscosity
blast furnace
components
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.)
Granted
Application number
CN202011285948.8A
Other languages
English (en)
Other versions
CN112509642B (zh
Inventor
李鹏
叶理德
王志军
欧燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wisdri Engineering and Research Incorporation Ltd
Original Assignee
Wisdri Engineering and Research Incorporation Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wisdri Engineering and Research Incorporation Ltd filed Critical Wisdri Engineering and Research Incorporation Ltd
Priority to CN202011285948.8A priority Critical patent/CN112509642B/zh
Publication of CN112509642A publication Critical patent/CN112509642A/zh
Application granted granted Critical
Publication of CN112509642B publication Critical patent/CN112509642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • C21B5/04—Making slag of special composition
    • 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
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B2300/00—Process aspects
    • C21B2300/04—Modeling of the process, e.g. for control purposes; CII

Abstract

本发明公开了一种高炉炉渣粘度的在线预测方法，包括：步骤S1：收集一定数量的炉渣样本的炉渣成分及炉渣粘度数据，并形成样本集，所述样本集通过回归分析方法或神经网络模型得到炉渣成分及炉渣粘度的关系；步骤S2：基于高炉内的料批运动情况以及炉料的成分分析进行计算，预测高炉内的炉渣成分；步骤S3：根据预测的炉渣成分、炉渣成分与炉渣粘度的关系，对高炉当前的炉渣粘度进行预测，得到当前炉渣粘度的预测值。本发明的高炉炉渣粘度的预测方法，通过建立炉渣成分及炉渣粘度的关系模型，从而可以根据炉渣成分快速、实时地对高炉炉渣粘度进行预测，为高炉生产和操作提供帮助。

Description

一种高炉炉渣粘度的在线预测方法
技术领域
本发明涉及高炉炼铁领域，尤其涉及一种高炉炉渣粘度的在线预测方法。
背景技术
高炉炉渣是高炉生产的副产品之一，其性质对高炉冶炼过程、生铁质量和高炉顺行、炉缸的热制度等都有重要影响。而粘度是高炉炉渣的一个重要性质，过高可能会导致炉渣流动性变差，从而影响高炉顺行，过低则可能加剧对炉壁的冲刷而影响高炉长寿，此外，粘度还会对一些元素在渣铁间的分配率产生影响。因此需要对炉渣粘度有一定的了解。
在实际生产中，由于条件的限制，难以获取当前的炉渣粘度，不利于操作者及时了解炉缸的状态，特别是在变料时，不同的炉料以及组成产生不同的炉渣。
发明内容
本发明的目的在于提供一种高炉炉渣粘度的预测方法，能够挖掘可检测的炉渣参数与炉渣粘度之间的关系，并根据该关系得到当前的炉渣粘度，帮助操作者及时了解当前的炉渣情况。
实现本发明目的的技术方案为：
一种高炉炉渣粘度的预测方法，包括以下步骤：
步骤S1：收集一定数量的炉渣样本的炉渣成分及炉渣粘度数据，并形成样本集，所述样本集通过回归分析方法或神经网络模型得到炉渣成分及炉渣粘度的关系；
步骤S2：基于高炉内的料批运动情况以及炉料的成分分析进行计算，预测高炉内的炉渣成分；
步骤S3：根据预测的炉渣成分、炉渣成分与炉渣粘度的关系，对高炉当前的炉渣粘度进行预测，得到当前炉渣粘度的预测值。
本发明实施例使用数理统计或数据挖掘的方法，并结合高炉实际的物料运行情况，为操作者提供一种快速、实时获取高炉炉渣粘度的方法。
进一步的，所述步骤S1中，所述炉渣成分是指炉渣的主要成分及各主要成分的质量占比。
进一步的所述炉渣的主要成分包括CaO、SiO2、Al2O3、MgO。
进一步的，所述步骤S1中的适用的回归分析方法包括：多元线性回归方法、多元非线性回归方法。
进一步的，所述步骤S1中的适用的神经网络模型包括：BP神经网络模型、RBF神经网络模型、小波神经网络模型。
进一步的，所述步骤S2中，根据炉料运动情况以及炉料的成分分析预测高炉内的炉渣成分，具体的实施方法为：
步骤S21：根据炉料运动情况进行分析，判断计算周期内到达风口水平的料批数；
步骤S22：根据步骤S21的料批信息，结合每批料对应的装料重量以及炉料的成分数据计算总渣量以及炉渣成分；
步骤S23：根据计算周期内的出渣量，算出炉缸内的残留渣量；
步骤S24：在新的计算周期内，根据步骤S21和步骤S22计算新的出渣量，然后结合残留渣量计算总渣量及炉渣成分。
本发明的高炉炉渣粘度的预测方法，通过建立炉渣成分及炉渣粘度的关系模型，从而可以根据炉渣成分快速、实时地对高炉炉渣粘度进行预测，为高炉生产和操作提供帮助。
附图说明
图1是本发明提供的高炉炉渣粘度的预测方法的流程图；
图2是采用多元线性回归计算的炉渣粘度实际值和预测值比较图；
图3是采用BP神经网络计算的炉渣粘度实际值和预测值比较图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，本发明公开了一种高炉炉渣粘度的预测方法，包括以下步骤：
步骤S1：收集一定数量的炉渣成分及炉渣粘度数据，形成样本集，所述样本集通过数理统计或数据挖掘的方式得到炉渣成分及炉渣粘度的关系。其中，样本的粘度数据一般来自于现场的化验结果以及实验室的测量得到，数理统计一般是采用回归分析，数据挖掘一般是采用神经网络，都是以炉渣成分为输入，以炉渣粘度为输出得到炉渣成分及炉渣粘度的关系，然后在计算预测炉渣成分后，将炉渣成分输入已知的/已训练的炉渣成分及炉渣粘度的关系，得到预测粘度值。
在统计学中，回归分析(regression analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
在本实施例中，炉渣成分及炉渣粘度为非线性关系，适用的回归分析方法的种类包括：多元线性回归和多元非线性回归。
以多元线性回归为例，假定粘度与CaO(氧化钙)、SiO2(二氧化硅)、Al2O3(三氧化二铝)、MgO(氧化镁)的百分比之间的关系式线性，结合步骤S1收集的n个样本可得到以下关系式：
Figure BDA0002782328360000041
式中，y为炉渣样本的粘度，Pa.s；b为计算中的5个待估参数；x表示样本成分百分比；i表示样本编号，i＝1…，n；ε表示随机因素对y的影响。
基于样本的数据，可以获得b0，b1，b2，b3，b4的无偏估计
Figure BDA0002782328360000042
Figure BDA0002782328360000043
Figure BDA0002782328360000044
公式(2)即为炉渣粘度关于CaO、SiO2、Al2O3、MgO的百分比的经验回归函数。
为了计算方便，将公式(1)转换为矩阵形式：
Y＝XB+ε (3)
其中，
Y＝(y1,y2,…,yn)T (4)
X＝(x1,x2,…,xn)T (5)
ε＝(ε1,ε2,…,εn)T (6)
通过最小二乘法和相关假定即可得到多元线性回归模型中的参数B，其计算公式为：
Figure BDA0002782328360000051
基于上述方法，根据步骤S1收集的100组数据得到多元线性回归公式如下：
Figure BDA0002782328360000052
图2显示了预测值与实际值的对比关系，从图可以看出线性回归可以在一定范围内较准确地预测炉渣的粘度。
在本实施例中，炉渣成分及炉渣粘度为非线性关系，适用于前向反馈网络类型的神经网络，适用的神经网络模型包括BP神经网络模型、RBF神经网络模型、小波神经网络模型等。
以BP神经网络为例，神经网络以CaO、SiO2、Al2O3、MgO百分比为输入，以炉渣粘度为输出构建输入层、单层隐含层和输出层的三层BP神经网络，而隐含层中的神经元个数可按照经验公式或实验法确定，其中，隐含层神经元个数n的经验公式为：
Figure BDA0002782328360000053
式中，nin和nout分别表示输入神经元和输出神经元个数，a为经验常数，取值在1～10。
采用与多元回归同样的数据进行神经网络模拟，将步骤S1中收集的样本按70:30的分配比例进行训练和验证，隐含层的传递函数采用Sigmoid函数，选择隐含层中的神经元个数为10个，通过迭代确定BP神经网络的输入层到隐含层以及隐含层到输出层的各个权重和阈值，用该结果进行预测，得到的预测值和实际值的比较见图3，由图可知，BP神经网络能在此范围内准确预测炉渣粘度。
步骤S2：基于高炉内的料批运动情况以及炉料的成分分析进行计算，预测高炉内的炉渣成分。
步骤S3：根据预测的炉渣成分，根据炉渣成分与炉渣粘度的关系对高炉当前的炉渣粘度进行预测，得到当前炉渣粘度的预测值。
进一步的，所述步骤S1中炉渣成分是指炉渣的主要成分及各主要成分的质量占比，在本实施例中，所述主要成分是指CaO、SiO2、Al2O3、MgO，这些成分在炉渣中占比高，对炉渣粘度具有实质性影响。
进一步的，所述步骤S2中，根据炉料运动情况以及炉料成分分析预测高炉内的炉渣成分，具体的实施方法为：
步骤S21：根据炉料运动情况进行分析，判断计算周期内到达风口水平的料批数；
步骤S22：根据步骤S21的料批信息，结合每批料对应的装料重量以及炉料的成分数据计算总渣量以及炉渣成分，具体地，计算出总渣量以及对应的主要成分CaO、SiO2、Al2O3、MgO的质量占比；
步骤S23：根据计算周期内的出渣量，算出炉缸内的残留渣量；
步骤S24：在新的计算周期内，根据步骤S21和步骤S22计算新的出渣量，然后结合残留渣量计算总的炉渣重量及成分。
本发明的高炉炉渣粘度的预测方法，通过预先获得的炉渣成分及炉渣粘度的关系，从而可以根据炉渣成分快速、实时地对高炉炉渣粘度进行预测，为高炉生产和操作提供帮助。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (6)

1.一种高炉炉渣粘度的在线预测方法，其特征在于，包括以下步骤：
步骤S1：收集一定数量的炉渣样本的炉渣成分及炉渣粘度数据，并形成样本集，所述样本集通过回归分析方法或神经网络方法得到炉渣成分及炉渣粘度的关系；
步骤S2：基于高炉内的料批运动情况以及炉料的成分分析进行计算，预测高炉内的炉渣成分；
步骤S3：根据预测的炉渣成分、炉渣成分与炉渣粘度的关系，对高炉当前的炉渣粘度进行预测，得到当前炉渣粘度的预测值。
2.如权利要求1所述的高炉炉渣粘度的在线预测方法，其特征在于，所述步骤S1中，炉渣成分指的炉渣的主要成分及其质量占比。
3.如权利要求2所述的高炉炉渣粘度的在线预测方法，其特征在于，所述主要成分包括CaO、SiO2、Al2O3和MgO。
4.如权利要求1-3任一项所述的高炉炉渣粘度的在线预测方法，其特征在于，所述步骤S1中适用的回归分析方法包括：多元线性回归方法、多元非线性回归方法。
5.如权利要求1-3任一项所述的高炉炉渣粘度的在线预测方法，其特征在于，所述步骤S1中的适用的神经网络模型包括：BP神经网络模型、RBF神经网络模型、小波神经网络模型。
6.如权利要求1-3任一项所述的高炉炉渣粘度的在线预测方法，其特征在于，所述步骤S2中，根据炉料运动情况以及炉料的成分分析进行计算，预测高炉内的炉渣成分，具体的实施方法为：
步骤S21：根据炉料运动情况进行分析，判断计算周期内到达风口水平的料批数；
步骤S22：根据S21的料批信息，结合每批料对应的装料重量以及炉料的成分数据计算总渣量以及炉渣成分；
步骤S23：根据计算周期内的出渣量，算出炉缸内的残留渣量；
步骤S24：在新的计算周期内，根据步骤S21和步骤S22计算新的出渣量，然后结合残留渣量计算总渣量及炉渣成分。
CN202011285948.8A 2020-11-17 2020-11-17 一种高炉炉渣粘度的在线预测方法 Active CN112509642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011285948.8A CN112509642B (zh) 2020-11-17 2020-11-17 一种高炉炉渣粘度的在线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011285948.8A CN112509642B (zh) 2020-11-17 2020-11-17 一种高炉炉渣粘度的在线预测方法

Publications (2)

Publication Number Publication Date
CN112509642A true CN112509642A (zh) 2021-03-16
CN112509642B CN112509642B (zh) 2023-02-03

Family

ID=74956622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011285948.8A Active CN112509642B (zh) 2020-11-17 2020-11-17 一种高炉炉渣粘度的在线预测方法

Country Status (1)

Country Link
CN (1) CN112509642B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761477A (zh) * 2021-08-30 2021-12-07 重庆赛迪热工环保工程技术有限公司 一种熔渣黏度预测与成分控制模型的构建方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0931507A (ja) * 1995-07-19 1997-02-04 Sumitomo Metal Ind Ltd 高炉炉内装入物トラッキング方法
TW201144448A (en) * 2010-06-15 2011-12-16 China Steel Corp System and method for monitoring slag
CN102305785A (zh) * 2011-07-29 2012-01-04 中国科学院安徽光学精密机械研究所 熔融炉渣成分实时在线监测装置
CN103679268A (zh) * 2012-09-14 2014-03-26 宝钢不锈钢有限公司 高炉炉渣粘度预报方法
CN104313214A (zh) * 2014-11-14 2015-01-28 武钢集团昆明钢铁股份有限公司 一种高炉定量化模块化精确控制开炉、封炉、停炉方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0931507A (ja) * 1995-07-19 1997-02-04 Sumitomo Metal Ind Ltd 高炉炉内装入物トラッキング方法
TW201144448A (en) * 2010-06-15 2011-12-16 China Steel Corp System and method for monitoring slag
CN102305785A (zh) * 2011-07-29 2012-01-04 中国科学院安徽光学精密机械研究所 熔融炉渣成分实时在线监测装置
CN103679268A (zh) * 2012-09-14 2014-03-26 宝钢不锈钢有限公司 高炉炉渣粘度预报方法
CN104313214A (zh) * 2014-11-14 2015-01-28 武钢集团昆明钢铁股份有限公司 一种高炉定量化模块化精确控制开炉、封炉、停炉方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王明军等: "高炉炉渣粘度性能预测系统", 《中国冶金》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113761477A (zh) * 2021-08-30 2021-12-07 重庆赛迪热工环保工程技术有限公司 一种熔渣黏度预测与成分控制模型的构建方法
CN113761477B (zh) * 2021-08-30 2023-07-18 重庆赛迪热工环保工程技术有限公司 一种熔渣黏度预测与成分控制模型的构建方法

Also Published As

Publication number Publication date
CN112509642B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN109541143B (zh) 一种含挥发组元炉渣实际成分及物性随时间变化的预测方法
CN107526927B (zh) 一种高炉铁水质量在线鲁棒软测量方法
CN104615856B (zh) 基于热风炉组的煤气消耗量预测模型建立方法及装置
CN114611844B (zh) 一种转炉出钢过程合金加入量的确定方法和系统
JP7028316B2 (ja) 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置
CN105807741A (zh) 一种工业生产流程预测方法
CN112509642B (zh) 一种高炉炉渣粘度的在线预测方法
Jiang et al. Real-time moisture control in sintering process using offline–online NARX neural networks
CN111915080A (zh) 一种基于铁水质量约束的原燃料成本最优配比方法
Li et al. Dual ensemble online modeling for dynamic estimation of hot metal silicon content in blast furnace system
JP2012167366A (ja) リン濃度予測装置及び吹錬制御方法
CN113517037B (zh) 一种数据与知识融合的烧结矿FeO预测方法及系统
JP2005242818A (ja) 品質影響要因解析方法、品質予測方法、品質制御方法、品質影響要因解析装置、品質予測装置、品質制御装置、品質影響要因解析システム、品質予測システム、品質制御システム、及びコンピュータプログラム
JP5821656B2 (ja) 生石灰濃度予測装置及び吹錬制御方法
CN111798023A (zh) 一种炼钢烧结生产中综合焦比预测的方法
CN109242210B (zh) 一种球团原料最佳配比的自动推荐方法
CN115359851A (zh) 基于极端随机树-nsga-ⅱ的烧结配料多目标预测优化方法
CN115187102A (zh) 一种基于烧结矿质量预测下的模型评估改进方法
CN113570145A (zh) 一种炼铁高炉炉芯死料柱温度的预测方法
CN115206452A (zh) 一种在线实时预测高炉渣系粘度的方法
Bag ANN based prediction of blast furnace parameters
CN113051847B (zh) 一种高炉炉渣热稳定性评价方法及优化方法
JP2002183250A (ja) 製造プロセスにおける解析装置、方法、及びコンピュータ読み取り可能な記憶媒体
Li et al. Modeling hot strip rolling process under framework of generalized additive model
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