CN112553390A - 一种基于高斯过程回归的喷煤优化控制方法 - Google Patents
一种基于高斯过程回归的喷煤优化控制方法 Download PDFInfo
- Publication number
- CN112553390A CN112553390A CN202011545801.8A CN202011545801A CN112553390A CN 112553390 A CN112553390 A CN 112553390A CN 202011545801 A CN202011545801 A CN 202011545801A CN 112553390 A CN112553390 A CN 112553390A
- Authority
- CN
- China
- Prior art keywords
- coal injection
- flow
- gaussian process
- process regression
- training
- 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.)
- Pending
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/001—Injecting additional fuel or reducing agents
- C21B5/003—Injection of pulverulent coal
-
- C—CHEMISTRY; METALLURGY
- C21—METALLURGY OF IRON
- C21B—MANUFACTURE OF IRON OR STEEL
- C21B5/00—Making pig-iron in the blast furnace
- C21B5/006—Automatically controlling the process
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Manufacture Of Iron (AREA)
Abstract
本发明公开了一种基于高斯过程回归的喷煤优化控制方法,包括,采集喷煤过程中的调节参数进行预处理;从预处理后的所述参数中选取与喷煤量相关性较高参数作为特征值;利用高斯过程回归进行参数训练,得到预测模型;将所述预测模型保存为可被重新载入的文件,输入实时数据进行预测。本发明针对手动调节喷煤系统模式,减少了人为干预的喷煤量异常波动的现象,提高均匀喷煤的稳定性,优化高炉炉况,提高炼铁效率和质量;对于新员工来说,在没有相关炼铁经验的情况下,高炉喷煤操作模式优化的目的是给现场操作人员提供决策支持,起到辅助学习,促进经验增长的作用,同时,在喷煤岗位工的标准化操作、提高操作水平方面也起到了促进作用。
Description
技术领域
本发明涉及高炉炼铁喷煤的技术领域,尤其涉及一种基于高斯过程回归的喷煤优化控制方法。
背景技术
高炉喷煤是当前高炉炼铁中一项重要的技术手段,高炉喷煤是指从高炉风口向炉内直接喷吹磨细的煤粉,以替代价格较为昂贵的焦炭向高炉提供热量和还原剂,通过高炉喷煤可以降低焦比,大幅减少高炉炼铁成本;同时还可以调剂炉况、改善炉缸工作状态,稳定高炉运行,当前,高炉的喷煤系统主要存在两种操作方式:
第一种模式为:手动模式调节喷煤系统;手动调节喷煤系统是工人根据经验调节喷煤控制量(如罐压、混合压力等),实现喷煤流量的控制,无法进行最优化的精准调节,且对岗位操作工的经验要求较高,这种模式下的调节误差较大,容易出现喷煤流量的大幅波动,从而引起炉温波动,影响高炉炉况的稳定性,不利于高炉产量的进一步提高,该模式广泛应用喷吹罐上部出煤的喷煤系统。
第二种模式为:自动调节喷煤系统;高炉采用自动喷煤技术可实现高炉喷吹量的连续均匀,使得炉况达到一个较为稳定的平衡状态,进而可以提高高炉的产量,为企业增加利润。目前该模式主要应用于喷吹罐下部出煤的喷煤系统,近几年新建的大型钢厂基本采用该模型建设,实现了自动化喷煤,但大部分已建的钢铁厂受喷吹罐上部出煤的设备条件限制,主要还是手动调节模式,这两种喷煤系统使用的工艺设备差异较大,通过实施工艺设备的改造实现自动化难度较大,需要投入的改造成本也较大。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于高斯过程回归的喷煤优化控制方法,能够针对手动模式条件的喷煤系统实现高炉炼铁喷煤优化控制。
为解决上述技术问题,本发明提供如下技术方案:包括,采集喷煤过程中的调节参数进行预处理;从预处理后的所述参数中选取与喷煤量相关性较高参数作为特征值;利用高斯过程回归进行参数训练,得到预测模型;将所述预测模型保存为可被重新载入的文件,输入实时数据进行预测。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:所述采集包括,从高炉炼铁数据库采集相关性较高的历史运行数据,经过预处理后得到所述特征值数据,并将实际喷煤流量作为目标值。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:所述特征值包括,罐重、罐压、混合压力、补气流量、中部流化流量、下部流化流量。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:利用所述特征值组成关于所述喷煤流量的函数关系,包括,
f(flow)=f(W,P,Pmix,Fair,Fmid,Fbtm)
其中,W是罐重,P是罐压,Pmix混合压力,Fair是补气流量、Fmid是中部流化流量、Fbtm是下部流化流量,flow是实际喷煤流量。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:所述训练利用高斯过程回归将所述函数关系中的所述特征值和所述目标值进行拟合。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:所述预测模型训练的效果由影响因子约束,其包括,训练集的大小、训练数据本身和所选择的高斯kernel核函数。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:所述高斯kernel核函数包括,径向基函数、指数函数核和有理二次函数核。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:还包括,比较训练所述预测模型得到的均方根误差,将其作为训练效果的指标,所述均方根误差数值越小,则拟合效果越好,训练结束,导出相应的所述预测模型。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:包括,载入训练好的所述预测模型,连接高炉炼铁数据库,获取实时的特征值数据作为所述预测模型的输入,目标是得到最优化的目标函数,
∑=α1·|Δflow|+α2·|ΔP|+α3·|ΔPmix|
其中,αi为加权系数。
作为本发明所述的基于高斯过程回归的喷煤优化控制方法的一种优选方案,其中:还包括,对所述特征值数据进行穷举和加权处理,调整当前输入参数,计算当前输入对应的最优输出;选取对所述喷煤流量影响相对较大的两个压力参数进行±5kPa范围的穷举;将所得到的数据组输入到所述预测模型中,得到对应的所述喷煤流量的预测值组;根据上述目标函数,将穷举后的每组数据中的喷煤流量与设定流量作差,罐压、混合压力与对应的实时数据作差;对列出的三个差值进行加权求和,获得加权求和后最小的值,其对应的控制参数即为最优控制参数,其控制量变化小,系统波动小,流量趋近设定值。
本发明的有益效果:本发明针对手动调节喷煤系统模式,减少了人为干预的喷煤量异常波动的现象,提高均匀喷煤的稳定性,优化高炉炉况,提高炼铁效率和质量;对于新员工来说,在没有相关炼铁经验的情况下,高炉喷煤操作模式优化的目的是给现场操作人员提供决策支持,起到辅助学习,促进经验增长的作用,同时,在喷煤岗位工的标准化操作、提高操作水平方面也起到了促进作用。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的基于高斯过程回归的喷煤优化控制方法的流程示意图;
图2为本发明第一个实施例所述的基于高斯过程回归的喷煤优化控制方法的高炉炼铁喷煤流程示意图;
图3为本发明第一个实施例所述的基于高斯过程回归的喷煤优化控制方法的喷煤流量预测模型的训练及调用流程示意图;
图4为本发明第二个实施例所述的基于高斯过程回归的喷煤优化控制方法的稳定性曲线对比示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图3,为本发明的第一个实施例,提供了一种基于高斯过程回归的喷煤优化控制方法,包括:
S1:采集喷煤过程中的调节参数进行预处理。其中需要说明的是:
采集包括,从高炉炼铁数据库采集相关性较高的历史运行数据,经过预处理后得到特征值数据,并将实际喷煤流量作为目标值。
S2:从预处理后的参数中选取与喷煤量相关性较高参数作为特征值。本步骤需要说明的是:
特征值包括,罐重、罐压、混合压力、补气流量、中部流化流量、下部流化流量;
利用特征值组成关于喷煤流量的函数关系,包括,
f(flow)=f(W,P,Pmix,Fair,Fmid,Fbtm)
其中,W是罐重,P是罐压,Pmix混合压力,Fair是补气流量、Fmid是中部流化流量、Fbtm是下部流化流量,flow是实际喷煤流量。
S3:利用高斯过程回归进行参数训练,得到预测模型。参照图3,其中还需要说明的是:
训练利用高斯过程回归将函数关系中的特征值和目标值进行拟合;
预测模型训练的效果由影响因子约束,其包括,训练集的大小、训练数据本身和所选择的高斯kernel核函数;
高斯kernel核函数包括,径向基函数、指数函数核和有理二次函数核;
比较训练预测模型得到的均方根误差,将其作为训练效果的指标,均方根误差数值越小,则拟合效果越好,训练结束,导出相应的预测模型;
载入训练好的预测模型,连接高炉炼铁数据库,获取实时的特征值数据作为预测模型的输入,目标是得到最优化的目标函数,
∑=α1·|Δflow|+α2·|ΔP|+α3·|ΔPmix|
其中,αi为加权系数。
S4:将预测模型保存为可被重新载入的文件,输入实时数据进行预测。本步骤还需要说明的是:
对特征值数据进行穷举和加权处理,调整当前输入参数,计算当前输入对应的最优输出;
选取对喷煤流量影响相对较大的两个压力参数进行±5kPa范围的穷举;
将所得到的数据组输入到预测模型中,得到对应的喷煤流量的预测值组;
根据上述目标函数,将穷举后的每组数据中的喷煤流量与设定流量作差,罐压、混合压力与对应的实时数据作差;
对列出的三个差值进行加权求和,获得加权求和后最小的值,其对应的控制参数即为最优控制参数,其控制量变化小,系统波动小,流量趋近设定值。
通俗的说,在高炉喷煤系统中,喷煤流量控制由多个变量共同决定,变量之间存在多重性且相互影响,各条件变量所起作用的强弱差异也不同,参照图2,其主要通过调节与喷吹罐相关联的阀门来稳定罐压和控制喷煤流量,综合考虑喷煤过程中的调节参数,选取与喷煤量相关性较高的参数作为特征值进行建模。
较佳的是,在实际高炉喷煤系统运行过程中,会产生大量过程数据,由于外界干扰及系统因素影响,不可避免地存在一些不完整或者错误数据,若利用了这些数据,将会严重影响生产过程预测模型的准确性及精度,不利于模型的持续优化,为此,需要对生产数据进行特征值选取、预处理,为生产过程的建模与优化提供相对完备的数据。
不难理解的是,通过相对完整的特征值选取,经数据训练得到预测模型,将模型保存为可被重新载入的文件,本实施例主要通过对历史数据进行模型训练,根据保存的模型对实时数据进行预测,实现高炉炼铁喷煤优化控制。
参照图2,是高炉炼铁喷煤流程的示意图,为了尽可能的保持高炉炉况的稳定,通过调节喷煤系统中喷吹罐、喷吹管道的压力来控制煤粉的喷吹速率保持在一个均匀的状态,其中,调节#2充压阀和#3补压阀可控制喷吹罐的罐压,调节#4中部流化阀和#5底部流化阀可控制喷吹罐内煤粉的流动性,调节#6出煤阀和#7给煤阀可控制煤粉的喷吹量,调节#8补气阀可控制喷吹管道的混合压力和煤粉的喷吹速率。
本实施例还需要说明的是,基于高斯过程回归模型,通过选择不同的高斯内核函数,对炼铁生产相关的历史特征值数据进行训练及建模,生成可调用的最优化模型,并周期性更新模型,再通过调用所建立的预测模型,对炼铁实时数据进行处理,实现喷煤流量的预测功能以及提供相关性参数调节的决策支持,通过基于高斯过程回归模型的高炉炼铁喷煤的智能优化控制方法,提高煤粉有效利用率,稳定高炉炉况,达到优化高炉系统生产指标的目的。
本方法以高炉喷煤量为研究对象,以钢厂高炉大量的实际工业运行数据为基础,使用高斯过程回归模型结合高炉专家挑选出的重要特征数据集进行模型训练,本方法无需增加外部硬件设备,有效利用高炉冶炼过程中产生的大量过程数据,经过模型训练,最终实现高炉炼铁喷煤优化控制的功能;在目前大部分已建的喷吹罐上部出煤的喷煤系统上,在不增加外部硬件设备的前提下,使得喷吹罐根据设定的喷煤量能够均匀、稳定地出煤喷吹,达到尽可能减小炉况波动的效果。
实施例2
参照图4,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种基于高斯过程回归的喷煤优化控制方法的验证,包括:
为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例选择以传统的喷煤系统手动调节方法与本发明方法进行对比测试,以科学论证的手段对比试验结果,验证本发明方法所具有的真实效果。
传统的喷煤系统手动调节方法无法进行最优化的精准调节,且对岗位操作工的经验要求较高,这种模式下的调节误差较大,容易出现喷煤流量的大幅波动,从而引起炉温波动,影响高炉炉况的稳定性,不利于高炉产量的进一步提高;为验证本发明方法相对于传统方法具有较高的预测准确性及对喷煤系统预测调节的稳定性,本实施例中将采用传统方法与本发明方法分别对仿真喷煤系统的喷煤流量进行实时测量对比。
测试环境:将仿真喷煤系统运行在仿真平台模拟运行并模拟喷煤场景,采用历史喷煤相关性数据作为测试样本,分别利用传统方法的人工调节操作进行预测测试并获得测试结果,采用本发明方法,则导入预测模型程序并运用MATLB实现本发明方法的仿真测试,根据实验结果得到仿真数据;每种方法各测试100组数据,计算获得每组数据的时间和预测误差均方根,与仿真模拟输入的实际预测值进行对比误差计算。
参照图4,实线为本发明方法输出的曲线,虚线为传统方法输出的曲线,根据图4的示意,能够直观的看出,实线与虚线随着时间的增加,呈现不同的走势,实线相较于虚线,在前期一直呈稳定的上升趋势,虽然后期有所下滑,但是波动不大,且一直在虚线的上方,并保持一定的距离,而虚线则呈现较大的波动趋势,不稳定,由此,实线的效率一直大于虚线,即验证了本发明方法所具有的真实效果。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于高斯过程回归的喷煤优化控制方法,其特征在于:包括,
采集喷煤过程中的调节参数进行预处理;
从预处理后的所述参数中选取与喷煤量相关性较高参数作为特征值;
利用高斯过程回归进行参数训练,得到预测模型;
将所述预测模型保存为可被重新载入的文件,输入实时数据进行预测。
2.根据权利要求1所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:所述采集包括,从高炉炼铁数据库采集相关性较高的历史运行数据,经过预处理后得到所述特征值数据,并将实际喷煤流量作为目标值。
3.根据权利要求1或2所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:所述特征值包括,罐重、罐压、混合压力、补气流量、中部流化流量、下部流化流量。
4.根据权利要求3所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:利用所述特征值组成关于所述喷煤流量的函数关系,包括,
f(flow)=f(W,P,Pmix,Fair,Fmid,Fbtm)
其中,W是罐重,P是罐压,Pmix混合压力,Fair是补气流量、Fmid是中部流化流量、Fbtm是下部流化流量,flow是实际喷煤流量。
5.根据权利要求4所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:所述训练利用高斯过程回归将所述函数关系中的所述特征值和所述目标值进行拟合。
6.根据权利要求5所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:所述预测模型训练的效果由影响因子约束,其包括,训练集的大小、训练数据本身和所选择的高斯kernel核函数。
7.根据权利要求6所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:所述高斯kernel核函数包括,径向基函数、指数函数核和有理二次函数核。
8.根据权利要求7所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:还包括,
比较训练所述预测模型得到的均方根误差,将其作为训练效果的指标,所述均方根误差数值越小,则拟合效果越好,训练结束,导出相应的所述预测模型。
9.根据权利要求8所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:包括,
载入训练好的所述预测模型,连接高炉炼铁数据库,获取实时的特征值数据作为所述预测模型的输入,目标是得到最优化的目标函数,
∑=α1·|Δflow|+α2·|ΔP|+α3·|ΔPmix|
其中,αi为加权系数。
10.根据权利要求8所述的基于高斯过程回归的喷煤优化控制方法,其特征在于:还包括,
对所述特征值数据进行穷举和加权处理,调整当前输入参数,计算当前输入对应的最优输出;
选取对所述喷煤流量影响相对较大的两个压力参数进行±5kPa范围的穷举;
将所得到的数据组输入到所述预测模型中,得到对应的所述喷煤流量的预测值组;
根据上述目标函数,将穷举后的每组数据中的喷煤流量与设定流量作差,罐压、混合压力与对应的实时数据作差;
对列出的三个差值进行加权求和,获得加权求和后最小的值,其对应的控制参数即为最优控制参数,其控制量变化小,系统波动小,流量趋近设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545801.8A CN112553390A (zh) | 2020-12-23 | 2020-12-23 | 一种基于高斯过程回归的喷煤优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545801.8A CN112553390A (zh) | 2020-12-23 | 2020-12-23 | 一种基于高斯过程回归的喷煤优化控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112553390A true CN112553390A (zh) | 2021-03-26 |
Family
ID=75031970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011545801.8A Pending CN112553390A (zh) | 2020-12-23 | 2020-12-23 | 一种基于高斯过程回归的喷煤优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112553390A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556711A (zh) * | 2024-01-08 | 2024-02-13 | 北京工业大学 | 基于神经网络的高炉喷煤优化方法、系统、终端和介质 |
-
2020
- 2020-12-23 CN CN202011545801.8A patent/CN112553390A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556711A (zh) * | 2024-01-08 | 2024-02-13 | 北京工业大学 | 基于神经网络的高炉喷煤优化方法、系统、终端和介质 |
CN117556711B (zh) * | 2024-01-08 | 2024-03-22 | 北京工业大学 | 基于神经网络的高炉喷煤优化方法、系统、终端和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101498554B (zh) | 高炉串罐自动喷煤控制系统及方法 | |
CN106909705B (zh) | 一种高炉铁水质量预报方法及其系统 | |
CN105368996B (zh) | 一种用于高炉喷煤系统喷吹量的自动控制方法 | |
CN106249724B (zh) | 一种高炉多元铁水质量预测控制方法及系统 | |
CN111829003B (zh) | 一种电厂燃烧控制系统及控制方法 | |
CN103194553A (zh) | 一种基于最小二乘支持向量机的钢铁冶炼高炉氧气使用量控制方法 | |
CN101498457A (zh) | 一种锅炉燃烧优化的方法 | |
JP6729514B2 (ja) | 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置 | |
CN102732659A (zh) | 高炉布料的料面形状控制方法及控制系统 | |
CN106521059B (zh) | 用相控阵雷达测量高炉料面矿焦比来控制高炉气流分布的方法 | |
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 | |
CN108845501A (zh) | 一种基于懒惰学习的高炉铁水质量自适应优化控制方法 | |
CN102031319A (zh) | 一种高炉铁水含硅量的预报方法 | |
CN112553390A (zh) | 一种基于高斯过程回归的喷煤优化控制方法 | |
CN109519957B (zh) | 一种超超临界锅炉闭环燃烧优化控制方法 | |
CN111915080A (zh) | 一种基于铁水质量约束的原燃料成本最优配比方法 | |
CN102842066A (zh) | 一种生物质炉燃烧优化的建模方法 | |
CN103529699B (zh) | 一种煤气化炉系统的炉温自学习控制方法 | |
CN109359320A (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 | |
CN114721263A (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
CN106594794A (zh) | 一种混合智能锅炉效率燃烧优化模型更新方法 | |
CN106022532A (zh) | 谷氨酸产物浓度在线估计方法、装置及监控系统 | |
CN104865367A (zh) | 一种干熄焦炭烧损率的实时测算方法 | |
CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate |
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 |