CN112577318A - 烧结机料层厚度控制方法及装置、烧结机 - Google Patents
烧结机料层厚度控制方法及装置、烧结机 Download PDFInfo
- Publication number
- CN112577318A CN112577318A CN202011399118.8A CN202011399118A CN112577318A CN 112577318 A CN112577318 A CN 112577318A CN 202011399118 A CN202011399118 A CN 202011399118A CN 112577318 A CN112577318 A CN 112577318A
- Authority
- CN
- China
- Prior art keywords
- sintering
- raw material
- prediction model
- sintering raw
- thickness
- 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
- 238000005245 sintering Methods 0.000 title claims abstract description 275
- 239000000463 material Substances 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 110
- 239000002994 raw material Substances 0.000 claims abstract description 129
- 238000007790 scraping Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 49
- 238000010191 image analysis Methods 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 22
- 230000000007 visual effect Effects 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 230000003111 delayed effect Effects 0.000 abstract 1
- 230000001276 controlling effect Effects 0.000 description 28
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000011179 visual inspection Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009851 ferrous metallurgy Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B9/00—Furnaces through which the charge is moved mechanically, e.g. of tunnel type; Similar furnaces in which the charge moves by gravity
- F27B9/30—Details, accessories, or equipment peculiar to furnaces of these types
- F27B9/40—Arrangements of controlling or monitoring devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27M—INDEXING SCHEME RELATING TO ASPECTS OF THE CHARGES OR FURNACES, KILNS, OVENS OR RETORTS
- F27M2003/00—Type of treatment of the charge
- F27M2003/04—Sintering
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明提供一种烧结机料层厚度控制方法及装置、烧结机。其中，该烧结机料层厚度控制方法包括：建立预测模型，并基于给料位置的烧结原料数据以及刮料位置的烧结原料数据，对预测模型进行至少一次训练；在预测模型的训练过程中，基于刮料位置的烧结原料数据，生成控制信息用以控制执行机构；在预测模型的训练完成以后，基于给料位置的烧结原料数据，利用训练完成的预测模型生成控制信息。该烧结机料层厚度控制方法能够在烧结原料的料体流动发生波动时稳定精确的控制烧结原料的料层厚度，并且克服了调控时间滞后、所测量信息不能反映真实料层厚度以及在长时间运行中抗干扰能力差的缺陷。
Description
技术领域
本发明涉及烧结生产技术领域，尤其涉及一种烧结机料层厚度控制方法及装置、烧结机。
背景技术
烧结工序作用是将烧结原料进行高温加热以烧结成不规则多孔块状。烧结机适用于大型黑色冶金烧结厂的烧结作业，它是抽风烧结过程中的主体设备。在烧结过程中，按比例配在一起且经过混匀制粒的烧结原料(烧结原料中通常含有铁原料、燃料以及溶剂等)，存储在料槽中经过给料机与布料机铺到台车上循环传动，从上向下进行点火烧结，点火同时烧结机下边开始抽风，从而生成烧结矿。
在烧结生产过程中，烧结机台车上的料层厚度是指台车上原料的料面到台车底部篦条上表面的距离。料层厚度及其稳定性直接影响到烧结矿的产量和质量。为了进行最佳烧结，必须确定最佳料层厚度。
烧结机中，台车速度、给料速度、混合料槽料位的变化以及混合料的成分、水分、粒度的改变都会造成料层厚度的变化。为了保证料层控制在预先设定的目标层厚，就必须连续准确的测定料层厚度并且自动控制。而烧结机台车速度是按照烧结终点的位置确定的，因此要保证烧结机台车料层厚度，就必须控制给料机的转速和给料闸门开度。
目前，烧结厂常基于多个布置于布料器后的雷达料位计进行料厚的测量与控制。但是，该方法中，当测量信息传回控制系统控制执行机构时，已有新的物料流入台车，测量所得信息与实时的物料信息不匹配，不能对流入物料进行实时调控。这会导致给料机的转速和给料闸门的开度调控不及时，不能很好的应对物料异常波动流入时的情况，从而造成料层厚度控制不佳。
此外，一台雷达料位计只能测量一个点的料层高度，测量多点就需要设置多台设备，价格昂贵。并且根据多个单点数据无法准确掌握整个平面厚度。再者，雷达料位计只能测量布料器附近料层高度并进行自动控制，没有测量和考虑刮料板处的物料堆积情况，从而在控制给料机的圆辊转速与闸口开度时存在误差，导致出现刮料板处会有物料堆积，若物料堆积过高将影响层厚，进而影响烧结矿质量。
最后，由于设备附近多环境恶劣、烟气温度高、多腐蚀性气体、粉尘，一般在项目运行一定时间后、并且设备维护不及时的情况下，上述方法将很大程度上影响测量数据的准确性，甚至无法使用。
综上所述，控制料层厚度对提高烧结矿质量、产量和稳定性具有重要意义。目前所使用的基于雷达检测技术的烧结机料层厚度控制装置，存在调控时滞、所测量信息不能反映真实料厚及在长时间运行中抗干扰能力差的缺点，因此急需一种稳定精确的料层厚度控制方法。
发明内容
本发明提供一种烧结机料层厚度控制方法及装置、烧结机，用以解决现有技术中基于雷达检测技术的烧结机料层厚度控制方法及装置中，存在调控时间滞后、所测量信息不能反映真实料层厚度以及在长时间运行中抗干扰能力差的缺陷，实现稳定精确的料层厚度控制过程。
本发明提供一种烧结机料层厚度控制方法，包括：
建立预测模型，并基于给料位置的烧结原料数据以及刮料位置的烧结原料数据，对所述预测模型进行至少一次训练；
在所述预测模型的训练过程中，基于所述刮料位置的烧结原料数据，生成控制信息用以控制执行机构；
在所述预测模型的训练完成以后，基于所述给料位置的烧结原料数据，利用训练完成的所述预测模型生成所述控制信息。
根据本发明提供一种的烧结机料层厚度控制方法，所述基于给料位置的烧结原料数据以及刮料位置的烧结原料数据，对所述预测模型进行至少一次训练，进一步包括：
获取所述给料位置的烧结原料流量信息，以作为所述给料位置的烧结原料数据；
获取所述刮料位置的烧结原料料层厚度信息，以作为所述刮料位置的烧结原料数据；
以所述给料位置的烧结原料数据作为输入数据，并以所述刮料位置的烧结原料数据作为输出数据，生成至少一组训练样本，并利用各组所述训练样本对所述预测模型进行至少一次训练。
根据本发明提供一种的烧结机料层厚度控制方法，所述获取所述给料位置的烧结原料流量信息，以作为所述给料位置的烧结原料数据，进一步包括：
实时监测位于所述给料位置的给料机的圆辊面积和颜色，以获取所述给料位置的烧结原料流量信息。
根据本发明提供一种的烧结机料层厚度控制方法，所述获取所述刮料位置的烧结原料料层厚度信息，以作为所述刮料位置的烧结原料数据，进一步包括：
实时监测位于所述刮料位置的刮料板上堆积的所述烧结原料与所述刮料板之间的接触面积，以获取所述刮料位置的烧结原料料层厚度信息。
根据本发明提供一种的烧结机料层厚度控制方法，所述以所述给料位置的烧结原料数据作为输入数据，并以所述刮料位置的烧结原料数据作为输出数据，生成至少一组所述训练样本，并利用各组所述训练样本对所述预测模型进行至少一次训练，进一步包括：
基于所述给料位置的烧结原料流量信息，利用所述预测模型预测所述烧结原料的料层厚度预测值；
将所述刮料位置的烧结原料料层厚度信息与所述烧结原料的料层厚度预测值进行对比，得到对比结果；
其中，所述对比结果的误差处于允许范围以内，则判断所述预测模型的训练完成；
其中，所述对比结果的误差超出所述允许范围，则生成下一组训练样本并继续对所述预测模型进行训练。
根据本发明提供一种的烧结机料层厚度控制方法，所述在所述预测模型的训练过程中，基于所述刮料位置的烧结原料数据，生成控制信息用以控制执行机构的步骤，以及所述在所述预测模型的训练完成以后，基于所述给料位置的烧结原料数据，利用训练完成的所述预测模型生成所述控制信息，进一步包括：
在所述预测模型的训练过程中，基于所述刮料位置的烧结原料料层厚度信息，生成所述控制信息；
在所述预测模型的训练完成以后，基于所述给料位置的烧结原料流量信息，利用训练完成的所述预测模型预测所述烧结原料的料层厚度预测值，并基于所述烧结原料的料层厚度预测值生成所述控制信息；
其中，所述控制信息包括位于所述给料位置的给料闸门的开度以及给料电机的转速。
根据本发明提供一种的烧结机料层厚度控制方法，所述建立预测模型，进一步包括：
基于径向基函数的神经网络建立所述预测模型。
根据本发明提供一种的烧结机料层厚度控制方法，所述基于径向基函数的神经网络建立所述预测模型，进一步包括：
获取径向基函数为：
F(x)＝φ(d)＝ωφ(x-c)；
将所述径向基函数写入所述神经网络中以建立所述预测模型，并得到神经网络权值以及神经网络输入值；所述预测模型为：
其中：
F(x)为所述径向基函数，并且为沿径向对称的标量函数，所述径向基函数的定义域和值域分别为x≥0，c≥0，F(x)≥0；
d＝(x-c)表示空间任意点x到中心c之间的欧式距离d；
φ(d)为对所述欧式距离变换得到的变换函数；
G(x)为基于径向基函数的神经网络模型；
ω为所述神经网络权值，有
r表示函数的宽度；
ω1、ω2、……ωi分别表示第1组神经网络权值、第2组神经网络权值、……第i组神经网络权值；
φ1、φ2、……φi分别表示第1组变换函数、第2组变换函数、……第i组变换函数；
i取正整数；
(x-c)2为所述神经网络输入值。
本发明还提供一种烧结机料层厚度控制装置，用于执行如上所述的烧结机料层厚度控制方法；所述烧结机料层厚度控制装置包括：
第一图像分析装置，用于获取并分析给料位置的烧结原料数据；
第二图像分析装置，用于获取并分析刮料位置的烧结原料数据；
物料调节组件，分别连接所述第一图像分析装置和所述第二图像分析装置；
其中，所述物料调节组件用于建立预测模型并对所述预测模型进行至少一次训练；并用于在所述预测模型的训练过程中，基于所述刮料位置的烧结原料数据，生成控制信息用以控制执行机构；并用于在所述预测模型的训练完成以后，基于所述给料位置的烧结原料数据，利用训练完成的所述预测模型生成所述控制信息。
根据本发明提供一种的烧结机料层厚度控制装置，还包括：
第一视觉检测装置，安装于给料位置，并与所述第一图像分析装置连接，用于采集所述给料位置的烧结原料数据；
第二视觉检测装置，安装于刮料位置，并与所述第二图像分析装置连接，用于采集所述刮料位置的烧结原料数据。
根据本发明提供一种的烧结机料层厚度控制装置，所述物料调节组件包括：
料层厚度控制器，分别与所述第一图像分析装置和所述第二图像分析装置连接，用于计算并生成控制信息；
执行机构控制器，连接于所述料层厚度控制器，所述执行机构包括给料闸门和给料电机，所述执行机构控制器用于基于所述控制信息驱动所述给料闸门和所述给料电机，以分别进行闸门位移的调节以及电机转速的调节。
根据本发明提供一种的烧结机料层厚度控制装置，所述物料调节组件还包括若干个传感器，所述给料闸门和所述给料电机上分别安装有所述传感器。
本发明还提供一种烧结机，安装有如上所述的烧结机料层厚度控制装置。
本发明提供的烧结机料层厚度控制方法中，通过建立预测模型，并基于给料位置的烧结原料数据以及训练完成的预测模型，预测得到烧结原料的料层厚度，从而对应生成用于操控执行机构动作的控制信息，从而在烧结原料流入烧结机的时候，就能对料层厚度进行预测，并对应生成控制信息，该过程不会存在调控上的时间滞后情况，因此能够很好的解决实际烧结过程中烧结原料的流量随时间波动产生的数据不稳定偏差过大的缺陷；该控制方法还能对预测模型进行训练修正，以使预测模型的预测结果更加精确和稳定；该控制方法还可以在对预测模型的训练过程中，利用刮料位置的烧结原料数据生成控制信息，从而使烧结机能够连续不间断的进行料层厚度的自动控制。可见，该烧结机料层厚度控制方法能确保调控时间及时响应，其所测量信息能够反映真实的料层厚度情况，并且在烧结机长时间运行过程中具有很好的抗干扰能力。
本发明提供的烧结机料层厚度控制装置，包括第一图像分析装置、第二图像分析装置以及物料调节组件，以执行如上所述的烧结机料层厚度控制方法，从而使得该烧结机料层厚度控制装置具有上述的烧结机料层厚度控制方法的全部优点，具体在此不再赘述。
本发明提供的烧结机，安装有如上所述的烧结机料层厚度控制装置。通过设置该烧结机料层厚度控制装置，使得该烧结机具有上述烧结机料层厚度控制装置的全部优点，具体在此不再赘述。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的烧结机料层厚度控制装置的结构示意图；
图2是本发明提供的预测模型的结构示意图；
图3是本发明提供的烧结机料层厚度控制装置安装于烧结机上的结构主视图；
图4是本发明提供的烧结机料层厚度控制装置安装于烧结机上的结构侧视图。
图5是本发明提供的电子设备的结构示意图；
附图标记：
1：给料机； 2：布料器；
3：台车； 4：刮料板；
5：固定支座； 61：第一视觉检测装置；
62：第二视觉检测装置； 63：转轴；
64：支撑座； 65：导轨；
66：滑块； 7：图像分析处理组件；
71：第一图像分析处理装置 72：第二图像分析装置；
8：物料调节组件； 81：预测模型；
82：料层厚度控制器； 83：执行机构控制器。
810：处理器； 820：通信接口；
830：存储器； 840：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1和图2描述本发明的烧结机料层厚度控制方法(本发明实施例中简称为“控制方法”)。
如图1所示，本发明实施例提供了一种烧结机料层厚度控制方法，具体包括：
建立预测模型81，并基于给料位置的烧结原料数据以及刮料位置的烧结原料数据，对预测模型81进行至少一次训练。并且，在预测模型81的训练过程中，基于刮料位置的烧结原料数据，生成控制信息用以控制执行机构；在预测模型81的训练完成以后，基于给料位置的烧结原料数据，利用训练完成的预测模型81生成控制信息。
该控制方法中，通过建立预测模型81，并基于给料位置的烧结原料数据以及训练完成的预测模型81，预测得到烧结原料的料层厚度，从而对应生成用于操控执行机构动作的控制信息，从而在烧结原料流入烧结机的时候，就能对料层厚度进行预测，并对应生成控制信息，该过程不会存在调控上的时间滞后情况，因此能够很好的解决实际烧结过程中烧结原料的流量随时间波动产生的数据不稳定偏差过大的缺陷。
该控制方法还能对预测模型81进行训练修正，以使预测模型81的预测结果更加精确和稳定；该控制方法还可以在对预测模型81的训练过程中，利用刮料位置的烧结原料数据生成控制信息，从而使烧结机能够连续不间断的进行料层厚度的自动控制。可见，该烧结机料层厚度控制方法能确保调控时间及时响应，其所测量信息能够反映真实的料层厚度情况，并且在烧结机长时间运行过程中具有很好的抗干扰能力。
在一些实施例中，关于上述的基于给料位置的烧结原料数据以及刮料位置的烧结原料数据，对预测模型81进行至少一次训练的过程中，该控制方法进一步包括：
获取给料位置的烧结原料流量信息，以作为给料位置的烧结原料数据；
获取刮料位置的烧结原料料层厚度信息，以作为刮料位置的烧结原料数据；
以给料位置的烧结原料数据作为输入数据，并以刮料位置的烧结原料数据作为输出数据，生成至少一组训练样本，并利用各组训练样本对预测模型81进行至少一次训练。
该控制方法通过运算分别对给料位置和刮料位置进行目标特征提取，从而获取若干组给料位置的烧结原料流量信息以及烧结原料料层厚度信息分别作为预测模型81的输入数据和输出数据，并且基于上述的若干组给料位置的烧结原料流量信息以及烧结原料料层厚度信息分别生成若干组训练样本，从而基于大量的训练样本对预测模型81进行训练修正，以达到根据任意输入数据即可预测输出数据的效果，并使预测模型81的预测结果更趋向于烧结原料的真实情况，使预测精度更高，对应生成的控制信息更为稳定、准确和高效。
可理解的，上述的获取给料位置的烧结原料流量信息，以作为给料位置的烧结原料数据的过程中，该控制方法进一步包括：
实时监测位于给料位置的给料机的圆辊面积和颜色，以获取给料位置的烧结原料流量信息。
换言之，对给料位置的给料机的布料器上圆辊颜色的深浅及面积大小的数据进行图像采集，从而生成对烧结原料的流量多少的判断信息，以作为给料位置的烧结原料流量信息。
可理解的，上述的获取刮料位置的烧结原料料层厚度信息，以作为刮料位置的烧结原料数据的过程中，该控制方法进一步包括：
实时监测位于刮料位置的刮料板上堆积的烧结原料与刮料板之间的接触面积，以获取刮料位置的烧结原料料层厚度信息。
换言之，对刮料位置的刮料板上堆积的物料与刮料板之间形成的接触面积进行图像采集，从而获取台车上的位于刮料位置的烧结原料料层厚度情况，以作为刮料位置的烧结原料料层厚度信息。
在一些实施例中，如图3所示，上述的建立预测模型81的过程，进一步包括：
基于径向基函数的神经网络建立预测模型81。
本发明实施例所述的预测模型81基于径向基函数的神经网络建立，可简称为径向基神经网络模型。神经网络法被广泛应用于多目标多参数优化。该算法能根据优质训练样本，经过学习训练就可以得到复杂耦合参数之间的非线性映射关系，并在较高精度内获得所关注的重要参数的最优解，或者多个参数的综合最优解。可见，本发明实施例所述的预测模型81采用基于径向基函数的神经网络建立，从而能够针对多参数耦合出现的非线性函数能以任意精度逼近，具有近似能力好、应用价值高的优点。
该预测模型81的建立过程具体包括：
获取径向基函数为：
F(x)＝φ(d)＝ωφ(x-c)；
将径向基函数写入神经网络中以建立预测模型81，并得到神经网络权值以及神经网络输入值；如图2所示，预测模型81为：
其中，结合图2所示：
F(x)为径向基函数，并且为沿径向对称的标量函数，该径向基函数F(x)即为预测模型81的预测结果；
由于训练样本的输入数据和输出数据分别为给料位置的烧结原料流量信息以及刮料位置的烧结原料料层厚度信息，因此该径向基函数F(x)的定义域和值域分别为x≥0，c≥0，F(x)≥0；
d＝(x-c)表示函数定义域空间内的任意点x到函数定义域空间中心点c之间的欧式距离d；在本发明实施例所述的预测模型81中，x表示训练样本的输入数据，即给料位置的烧结原料流量信息。
φ(d)为对上述的欧式距离d变换得到的变换函数；
G(x)为基于径向基函数的神经网络模型，对应于本发明实施例所述的控制方法即为预测模型81的输出层，如图2所示；
ω为神经网络权值，有
ω1、ω2、……ωi分别表示第1组神经网络权值、第2组神经网络权值、……第i组神经网络权值；
φ1、φ2、……φi分别表示第1组变换函数、第2组变换函数、……第i组变换函数，对应于本发明实施例所述的控制方法即为预测模型81的隐含层，如图2所示；
i取正整数；
r表示函数的宽度；
(x-c)2为神经网络输入值，对应于本发明实施例所述的控制方法即为预测模型81的显示层，如图2所示；
x1、x2、……xi分别表示函数定义域空间内第1点、第2点……第i点，对应于本发明所述的控制方法即为预测模型的输入层，也即若干组给料位置的烧结原料流量信息。
可理解的，本发明所述的预测模型81的建立过程是基于径向基函数(简称为RBF)的神经网络模型建立的，具有良好的局部特征，只在距离中心点附近的某一邻域内响应显著，而函数值随着与中心点的距离的增大而呈单调递减趋势，并逐渐趋近于0。由于原本烧结过程中的给料机的给料位置烧结原料流量信息与台车上的料层厚度之间的非线性关系难以确定，而本发明实施例将该径向基函数应用至烧结过程中，而通过该预测模型81能够对给料位置烧结原料流量信息与刮料位置的烧结原料料层后堵信息之间的内部关系进行准确稳定的映射，从而提高调控反应速度，有效解决现有技术中调控时滞的缺陷。
在一些实施例中，该控制方法还可以基于大量的训练样本对预测模型81进行修正完善。具体为：在上述的以给料位置的烧结原料数据作为输入数据，并以刮料位置的烧结原料数据作为输出数据，生成至少一组训练样本，并利用各组训练样本对预测模型81进行至少一次训练的过程中，该控制方法进一步包括：
基于给料位置的烧结原料流量信息，利用预测模型81预测烧结原料的料层厚度预测值；
将刮料位置的烧结原料料层厚度信息与烧结原料的料层厚度预测值进行对比，得到对比结果；
其中，对比结果的误差处于允许范围以内，则判断预测模型81的训练完成；
其中，对比结果的误差超出允许范围，则生成下一组训练样本并继续对预测模型81进行训练。
在一些实施例中，该控制方法能够通过对预测模型81不断训练而修正至能够准确反映台车上料层厚度真实数据的状态，从而达到基于给料位置的烧结原料流量信息即可预测得到刮料位置的烧结原料料层厚度信息，从而通过计算得到精准的控制信息用以控制执行机构动作，以实现对给料机的给料闸门的开度以及给料电机的转速进行准确调控的效果，不存在调控上的时间滞后问题，因此能应对实际烧结中物料流入量随时间波动的情况，达到更好的抗干扰效果。
具体的，上述的在预测模型81的训练过程中，基于刮料位置的烧结原料数据，生成控制信息用以控制执行机构的步骤，以及在预测模型81的训练完成以后，基于给料位置的烧结原料数据，利用训练完成的预测模型81生成控制信息的过程中，该控制方法进一步包括：
在预测模型81的训练过程中，基于刮料位置的烧结原料料层厚度信息，生成控制信息；以及，在预测模型81的训练完成以后，基于给料位置的烧结原料流量信息，利用训练完成的预测模型81预测烧结原料的料层厚度预测值，并基于烧结原料的料层厚度预测值生成控制信息。其中，控制信息包括位于给料位置的给料闸门的开度以及给料电机的转速。
下面结合图1、图3和图4对本发明提供的烧结机料层厚度控制装置进行描述，下文描述的烧结机料层厚度控制装置与上文描述的烧结机料层厚度控制方法可相互对应参照。
如图1所示，本发明实施例的烧结机料层厚度控制装置(本发明实施例中简称为“控制装置”)用于执行如上所述的控制方法。该控制装置包括图像分析处理组件7和物料调节组件8，其中，图像分析处理组件7进一步包括第一图像分析装置和第二图像分析装置。第一图像分析装置和第二图像分析装置均加载有机器视觉软件。第一图像分析装置用于获取并分析给料位置的烧结原料数据。第二图像分析装置用于获取并分析刮料位置的烧结原料数据。物料调节组件8分别连接第一图像分析装置和第二图像分析装置；其中，物料调节组件8用于建立预测模型81并对预测模型81进行至少一次训练；并用于在预测模型81的训练过程中，基于刮料位置的烧结原料数据，生成控制信息用以控制执行机构；并用于在预测模型81的训练完成以后，基于给料位置的烧结原料数据，利用训练完成的预测模型81生成控制信息。
为了便于获取上述的给料位置的烧结原料数据以及刮料位置的烧结原料数据，优选该控制装置还包括视觉监测组件。视觉监测组件包括第一视觉检测装置61和第二视觉检测装置62。第一视觉检测装置61安装于给料位置，并与第一图像分析装置连接，用于采集给料位置的烧结原料数据。第二视觉检测装置62安装于刮料位置，并与第二图像分析装置连接，用于采集刮料位置的烧结原料数据。
可理解的，第一视觉检测装置61和第二视觉检测装置62的结构基本相同，均优选采用摄像头或工业相机作为图像获取机构，并且将图像获取机构通过转轴63固定于支撑座64上。其中，第一视觉检测装置61的支撑座64固定于给料机1的布料器2附近，以使第一视觉检测装置61能够获取布料器2的圆辊颜色深浅以及面积大小，从而能够判断给料机1向台车3流入的烧结原料的流量大小，即获取给料位置的烧结原料流量信息作为给料位置的烧结原料数据；第二视觉检测装置62的支撑座64固定于布料器2与刮料板4之间，具体通过位置调节机构安装于台车3上，以便于使第二视觉检测装置62的图像获取机构方便拍摄刮料板4位置的烧结原料的图像，从而使第二视觉检测装置62能够获取刮料板4位置的台车3上堆积的烧结原料与刮料板4形成的接触面积，进而判断台车3上烧结原料的料层厚度情况，即获取刮料位置的烧结原料料层厚度信息作为刮料位置的烧结原料数据。
可理解的，如图3和图4所示，上述的位置调节机构包括固定支座5、导轨65和滑块66，固定支座5安装于台车3上并位于布料器2与刮料板4之间，导轨65沿台车3的长度方向铺设，滑块66可滑动的安装于导轨65上，第二视觉检测装置62固定于滑块66上，从而利用滑块66在导轨65上相对滑动以驱动第二视觉检测装置62沿台车3移动，从而方便调整第二视觉检测装置62的图像获取角度和位置。
可理解的，上述的固定支座5包括两侧板及顶板，横跨于台车3料面，顶板高于最高料面，用于隔绝部分粉尘，改善机器视觉系统的工作环境。固定支座5的纵向上不与刮料板4处的料堆接触。
可理解的，如图4所示，为了优化结构，上述的图像分析处理组件7和物料调节组件8均安装于固定支座5上，并且分别设置在位置调节机构的两侧。
在一些实施例中，物料调节组件8包括料层厚度控制器82和执行机构控制器83。料层厚度控制器82中加载有上述的预测模型81，并且分别与第一图像分析装置和第二图像分析装置连接，用于基于预测模型81计算并生成控制信息。执行机构控制器83连接于料层厚度控制器82，并与相应的执行机构机械连接和/或电连接。其中，执行机构包括给料闸门和给料电机。该执行机构控制器83用于基于上述的控制信息驱动给料闸门和给料电机，以分别进行闸门位移的调节以及电机转速的调节。
可理解的，优选本发明实施例中，执行机构控制器83具体包括布料器圆辊变频调速控制器以及给料闸门控制器。布料器圆辊变频调速控制器用于基于控制信息通过对给料机1的电机速度进行调节以实现对布料器圆辊的转速进行调节。给料闸门控制器用于基于控制信息对给料闸门的开度进行调节。
在一些实施例中，该控制装置的物料调节组件8还包括若干个传感器，给料闸门和给料电机上分别安装有传感器，以便于实时监控并向执行机构控制器83反馈给料闸门的开度情况以及给料机1电机速度情况。具体的，该控制装置包括给料闸门位移传感器和给料机电机速度传感器，给料闸门位移传感器设置在给料闸门的电液推杆上，与给料机电机速度传感器分别实时监测给料闸门位移和电机转速，并且将监测结果反馈给圆辊变频调速控制器和给料闸门控制器，以提高控制精度，形成闭环控制。
可理解的，料层厚度控制器82优选为PLC。该PLC含有电源模块、CPU模块、存储器、I/O输入输出模块、底板及机架模块、通讯模块、以及对应的功能模块。
可理解的，上述的料厚计算控制器、圆辊变频调速控制器与给料闸门控制器均布置于电气柜中。
基于上述的控制方法，本发明实施例所述的控制装置的运行过程具体如下：
根据台车3上所设定的料层厚度，向控制装置输入圆辊给料器的电机转速设定值，并将烧结原料经多辊布料器2铺到台车3上，台车3将烧结原料向前传送并经过刮料板4送至烧结炉中进行烧结，即如图3和图4所示。
在上述的烧结过程(即烧结进料过程)中，第一视觉检测装置61拍摄给料机1处的物料流入图像，并发送至第一图像分析装置中，以使第一图像分析装置能根据圆辊面积与颜色深浅分析生成料流大小的判定结果，以作为给料位置的烧结原料数据。在预测模型81训练过程中，即预测模型81训练完成前，第一图像分析装置将上述的给料位置的烧结原料数据输入至预测模型81中作为训练样本的输入数据，暂不输出控制信息。
烧结原料经台车3运送至刮料板4处，台车3上的烧结原料在刮料位置与刮料板4接触，若料层过厚则会有部分物料发生堆积，而料层过薄则通过刮料板4的烧结原料不能满足目标料厚的要求。该控制装置的第二视觉检测装置62对刮料板4处的烧结原料进行检测，拍摄刮料位置的烧结原料的实时图像并传送至第二图像分析装置中，以使第二图像分析装置能根据该刮料位置的烧结原料与刮料板4的接触面积，生成烧结原料的料层厚度情况判定结果，以作为刮料位置的烧结原料数据。与现有技术中料厚测量的方法相比，该控制装置能够直接检测刮料板4处的物料堆积情况，可以将堆积的物料在料层过薄时补偿到台车3，避免出现物料持续堆积影响料厚的情况，更合理的控制圆辊给料机1与给料闸门的动作。
在预测模型81训练过程中，第二图像分析装置分析第二视觉检测装置62传送的图像信息，通过运算提取目标特征，输出上述判定结果至预测模型81中作为训练样本的输出数据，并且同步输出控制信息至执行机构控制器83。控制信息输出至圆辊变频速度控制器与给料闸门控制器，分别控制圆辊给料器电机的转速及给料闸门的位移，对流入的烧结原料进行调节。在刮料板4处物料堆积过多时，减小圆辊给料机1电机转速及给料闸门开度，以减少物料流入，使刮料板4处物料补偿进入台车3进而烧结；在刮料板4处物料堆积低于一定值时，增大物料流入。给料机电机速度传感器及给料闸门位移传感器则分别实时检测给料闸门位移和电机转速，并且反馈给圆辊变频调速控制器与给料闸门控制器，提高控制精度。
与此同时，将大量的第一图像分析装置和第二图像分析装置的判定结果，分别作为训练样本的输入与输出，从而生成多组训练样本，用以训练预测模型81中的径向基神经网络模型。在训练过程中，根据第一图像分析处理装置71所得的物料流入信息的判定结果，利用上述的预测模型81预测台车3上物料的厚度情况，用以与实际的第二图像分析处理装置72所得的料厚判定结果进行比较，若误差稳定在一定范围内，则训练完成，否则不断修正预测模型81，直到训练完成。
可见，通过上述简单的训练过程，在预测模型81训练完成以前，利用第二视觉检测装置62、第二图像分析处理装置72、布料器圆辊变频速度控制器、给料闸门控制器、给料机电机速度传感器以及给料闸门位移传感器实现对料层厚度的检测与控制。而在基于大量优质样本训练完成以后，由第一视觉检测装置61、第一图像分析处理装置71、载有预测模型81的料层厚度控制器82、布料器圆辊变频速度控制器、给料闸门控制器、给料机电机速度传感器以及给料闸门位移传感器实现对料层厚度的检测与控制。
在预测模型81训练完成以后，根据给料机1处的第一视觉检测装置61所检测的给料位置的烧结原料流量信息，利用训练完成的预测模型81精准预测出相对应的烧结原料的料层厚度预测值，并将烧结原料的料层厚度预测值交由料层厚度控制器82，以使料层厚度控制器82通过计算得出给料闸门开度设定值及圆辊给料机1转速设定值，从而发出对应的控制信息至给料机1速度控制器及给料闸门控制器，立即对应调节烧结原料的料流大小。可见，该控制装置利用上述的控制方法能够在烧结原料流入给料位置的时候就立即对料层厚度进行预测，从而对圆辊转速与闸门开度进行调节，不存在调控上的时滞，因此能应对实际烧结中物料流入量随时间波动的情况。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行上述的烧结机料层厚度控制方法。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的上述的烧结机料层厚度控制方法。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的上述的烧结机料层厚度控制方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (15)
1.一种烧结机料层厚度控制方法，其特征在于，包括：
建立预测模型，并基于给料位置的烧结原料数据以及刮料位置的烧结原料数据，对所述预测模型进行至少一次训练；
在所述预测模型的训练过程中，基于所述刮料位置的烧结原料数据，生成控制信息用以控制执行机构；
在所述预测模型的训练完成以后，基于所述给料位置的烧结原料数据，利用训练完成的所述预测模型生成所述控制信息。
2.根据权利要求1所述的烧结机料层厚度控制方法，其特征在于，所述基于给料位置的烧结原料数据以及刮料位置的烧结原料数据，对所述预测模型进行至少一次训练，进一步包括：
获取所述给料位置的烧结原料流量信息，以作为所述给料位置的烧结原料数据；
获取所述刮料位置的烧结原料料层厚度信息，以作为所述刮料位置的烧结原料数据；
以所述给料位置的烧结原料数据作为输入数据，并以所述刮料位置的烧结原料数据作为输出数据，生成至少一组训练样本，并利用各组所述训练样本对所述预测模型进行至少一次训练。
3.根据权利要求2所述的烧结机料层厚度控制方法，其特征在于，所述获取所述给料位置的烧结原料流量信息，以作为所述给料位置的烧结原料数据，进一步包括：
实时监测位于所述给料位置的给料机的圆辊面积和颜色，以获取所述给料位置的烧结原料流量信息。
4.根据权利要求2所述的烧结机料层厚度控制方法，其特征在于，所述获取所述刮料位置的烧结原料料层厚度信息，以作为所述刮料位置的烧结原料数据，进一步包括：
实时监测位于所述刮料位置的刮料板上堆积的所述烧结原料与所述刮料板之间的接触面积，以获取所述刮料位置的烧结原料料层厚度信息。
5.根据权利要求2所述的烧结机料层厚度控制方法，其特征在于，所述以所述给料位置的烧结原料数据作为输入数据，并以所述刮料位置的烧结原料数据作为输出数据，生成至少一组所述训练样本，并利用各组所述训练样本对所述预测模型进行至少一次训练，进一步包括：
基于所述给料位置的烧结原料流量信息，利用所述预测模型预测所述烧结原料的料层厚度预测值；
将所述刮料位置的烧结原料料层厚度信息与所述烧结原料的料层厚度预测值进行对比，得到对比结果；
其中，所述对比结果的误差处于允许范围以内，则判断所述预测模型的训练完成；
其中，所述对比结果的误差超出所述允许范围，则生成下一组训练样本并继续对所述预测模型进行训练。
6.根据权利要求2所述的烧结机料层厚度控制方法，其特征在于，所述在所述预测模型的训练过程中，基于所述刮料位置的烧结原料数据，生成控制信息用以控制执行机构的步骤，以及所述在所述预测模型的训练完成以后，基于所述给料位置的烧结原料数据，利用训练完成的所述预测模型生成所述控制信息，进一步包括：
在所述预测模型的训练过程中，基于所述刮料位置的烧结原料料层厚度信息，生成所述控制信息；
在所述预测模型的训练完成以后，基于所述给料位置的烧结原料流量信息，利用训练完成的所述预测模型预测所述烧结原料的料层厚度预测值，并基于所述烧结原料的料层厚度预测值生成所述控制信息；
其中，所述控制信息包括位于所述给料位置的给料闸门的开度以及给料电机的转速。
7.根据权利要求1至6任一项所述的烧结机料层厚度控制方法，其特征在于，所述建立预测模型，进一步包括：
基于径向基函数的神经网络建立所述预测模型。
8.根据权利要求7所述的烧结机料层厚度控制方法，其特征在于，所述基于径向基函数的神经网络建立所述预测模型，进一步包括：
获取径向基函数为：
F(x)＝φ(d)＝ωφ(x-c)；
将所述径向基函数写入所述神经网络中以建立所述预测模型，并得到神经网络权值以及神经网络输入值；所述预测模型为：
其中：
F(x)为所述径向基函数，并且为沿径向对称的标量函数，所述径向基函数的定义域和值域分别为x≥0，c≥0，F(x)≥0；
d＝(x-c)表示空间任意点x到中心c之间的欧式距离d；
φ(d)为对所述欧式距离变换得到的变换函数；
G(x)为基于径向基函数的神经网络模型；
ω为所述神经网络权值，有
r表示函数的宽度；
ω1、ω2、……ωi分别表示第1组神经网络权值、第2组神经网络权值、……第i组神经网络权值；
φ1、φ2、……φi分别表示第1组变换函数、第2组变换函数、……第i组变换函数；
i取正整数；
(x-c)2为所述神经网络输入值。
9.一种烧结机料层厚度控制装置，其特征在于，用于执行如权利要求1至8任一项所述的烧结机料层厚度控制方法；所述烧结机料层厚度控制装置包括：
第一图像分析装置，用于获取并分析给料位置的烧结原料数据；
第二图像分析装置，用于获取并分析刮料位置的烧结原料数据；
物料调节组件，分别连接所述第一图像分析装置和所述第二图像分析装置；
其中，所述物料调节组件用于建立预测模型并对所述预测模型进行至少一次训练；并用于在所述预测模型的训练过程中，基于所述刮料位置的烧结原料数据，生成控制信息用以控制执行机构；并用于在所述预测模型的训练完成以后，基于所述给料位置的烧结原料数据，利用训练完成的所述预测模型生成所述控制信息。
10.根据权利要求9所述的烧结机料层厚度控制装置，其特征在于，还包括：
第一视觉检测装置，安装于给料位置，并与所述第一图像分析装置连接，用于采集所述给料位置的烧结原料数据；
第二视觉检测装置，安装于刮料位置，并与所述第二图像分析装置连接，用于采集所述刮料位置的烧结原料数据。
11.根据权利要求9所述的烧结机料层厚度控制装置，其特征在于，所述物料调节组件包括：
料层厚度控制器，分别与所述第一图像分析装置和所述第二图像分析装置连接，用于计算并生成控制信息；
执行机构控制器，连接于所述料层厚度控制器，所述执行机构包括给料闸门和给料电机，所述执行机构控制器用于基于所述控制信息驱动所述给料闸门和所述给料电机，以分别进行闸门位移的调节以及电机转速的调节。
12.根据权利要求11所述的烧结机料层厚度控制装置，其特征在于，所述物料调节组件还包括若干个传感器，所述给料闸门和所述给料电机上分别安装有所述传感器。
13.一种烧结机，其特征在于，安装有如权利要求9至12任一项所述的烧结机料层厚度控制装置。
14.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述烧结机料层厚度控制方法的步骤。
15.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述烧结机料层厚度控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011399118.8A CN112577318A (zh) | 2020-12-02 | 2020-12-02 | 烧结机料层厚度控制方法及装置、烧结机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011399118.8A CN112577318A (zh) | 2020-12-02 | 2020-12-02 | 烧结机料层厚度控制方法及装置、烧结机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112577318A true CN112577318A (zh) | 2021-03-30 |
Family
ID=75126884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011399118.8A Pending CN112577318A (zh) | 2020-12-02 | 2020-12-02 | 烧结机料层厚度控制方法及装置、烧结机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112577318A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101560599A (zh) * | 2009-04-17 | 2009-10-21 | 中冶长天国际工程有限责任公司 | 一种混合料层厚的控制方法及控制系统 |
| JP2010084183A (ja) * | 2008-09-30 | 2010-04-15 | Jfe Steel Corp | 焼結機の焼結原料層厚レベル制御方法 |
| CN102072658A (zh) * | 2010-12-30 | 2011-05-25 | 中南大学 | 一种稳定料层厚度的烧结偏析布料控制方法 |
| CN203478972U (zh) * | 2013-08-14 | 2014-03-12 | 武汉钢铁(集团)公司 | 烧结机料面自动刮平装置 |
| WO2019124768A1 (ko) * | 2017-12-18 | 2019-06-27 | 주식회사 포스코 | 소결 조업 제어 장치 및 그 방법 |
-
2020
- 2020-12-02 CN CN202011399118.8A patent/CN112577318A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010084183A (ja) * | 2008-09-30 | 2010-04-15 | Jfe Steel Corp | 焼結機の焼結原料層厚レベル制御方法 |
| CN101560599A (zh) * | 2009-04-17 | 2009-10-21 | 中冶长天国际工程有限责任公司 | 一种混合料层厚的控制方法及控制系统 |
| CN102072658A (zh) * | 2010-12-30 | 2011-05-25 | 中南大学 | 一种稳定料层厚度的烧结偏析布料控制方法 |
| CN203478972U (zh) * | 2013-08-14 | 2014-03-12 | 武汉钢铁(集团)公司 | 烧结机料面自动刮平装置 |
| WO2019124768A1 (ko) * | 2017-12-18 | 2019-06-27 | 주식회사 포스코 | 소결 조업 제어 장치 및 그 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 孙学波等: "基于RBF神经网络的烧结终点预测模型", 《世界科技研究与发展》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20070250214A1 (en) | Method and apparatus for fuzzy logic control enhancing advanced process control performance | |
| JP5003483B2 (ja) | 圧延ラインの材質予測および材質制御装置 | |
| CN106292550B (zh) | 具有在线优化控制增益的功能的伺服控制装置 | |
| JPS5853063B2 (ja) | 移動中にストリップに被覆を施す方法 | |
| CN103017530A (zh) | 烧结终点预测方法及系统 | |
| CN110918655A (zh) | 一种精细化加热控制方法 | |
| JP7151547B2 (ja) | 予測制御開発装置、予測制御開発方法、及び予測制御開発プログラム | |
| WO2022037499A1 (zh) | 一种用于造球机的控制系统及控制方法 | |
| CN104451037A (zh) | 一种实时在线检测rh精炼钢液温度的装置及其检测方法 | |
| CN104536396A (zh) | 一种水泥生料在分解炉内分解过程的软测量建模方法 | |
| JP2021098213A (ja) | 熱間圧延の反り予測方法、反り制御方法、熱延鋼板の製造方法、反り予測モデルの生成方法、及び熱延設備 | |
| CN113959337A (zh) | 基于单线激光雷达的散料装车实时堆积量计算方法 | |
| CN112577318A (zh) | 烧结机料层厚度控制方法及装置、烧结机 | |
| CN103033049B (zh) | 烧结机主抽风机负压控制方法及系统 | |
| CN103017529B (zh) | 烧结机主抽风机风量控制方法及系统 | |
| CN103017533B (zh) | 烧结机主抽风机风量控制方法及系统 | |
| CN103033055B (zh) | 烧结机主抽风机风量控制方法及系统 | |
| CN103045855B (zh) | 烧结矿层厚度预测方法及系统 | |
| CN103033054B (zh) | 烧结机主抽风机负压控制方法及系统 | |
| CN112070408A (zh) | 基于大数据和深度学习的烧结矿成分预报模型 | |
| CN1848388A (zh) | 一种在晶片刻蚀工艺中控制关键尺寸偏差的方法 | |
| CN103017534B (zh) | 烧结机主抽风机负压控制方法及系统 | |
| CN116179840A (zh) | 一种激光表面热处理温度监控控制系统及控制方法 | |
| CN105385843A (zh) | 一种基于段末温度的热轧板坯加热控制方法 | |
| RU2812444C1 (ru) | Система и способ управления распределением материала на основе прогнозирования толщины слоя материала |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |