CN112699613B - 炼铁多目标一体化配料优化方法、系统、设备及介质 - Google Patents

炼铁多目标一体化配料优化方法、系统、设备及介质 Download PDF

Info

Publication number
CN112699613B
CN112699613B CN202110023317.7A CN202110023317A CN112699613B CN 112699613 B CN112699613 B CN 112699613B CN 202110023317 A CN202110023317 A CN 202110023317A CN 112699613 B CN112699613 B CN 112699613B
Authority
CN
China
Prior art keywords
data
pellet
performance index
sintering
performance
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
Application number
CN202110023317.7A
Other languages
English (en)
Other versions
CN112699613A (zh
Inventor
王刚
何茂成
吴开基
李牧明
翟晓波
谢皓
雷磊
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.)
CISDI Engineering Co Ltd
CISDI Research and Development Co Ltd
Original Assignee
CISDI Engineering Co Ltd
CISDI Research and Development Co 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 CISDI Engineering Co Ltd, CISDI Research and Development Co Ltd filed Critical CISDI Engineering Co Ltd
Priority to CN202110023317.7A priority Critical patent/CN112699613B/zh
Publication of CN112699613A publication Critical patent/CN112699613A/zh
Application granted granted Critical
Publication of CN112699613B publication Critical patent/CN112699613B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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"
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明提供一种炼铁多目标一体化配料优化方法、系统、设备及介质，该方法包括：采集生产过程中的工艺控制参数、配料配比数据与质量检化验数据；预处理采集的所述数据形成训练神经网络的样本子集；选择烧结矿、球团矿各自对应的样本子集，利用神经网络算法建立烧结矿及球团矿性能指标预测模型，实现烧结矿及球团矿性能最优的多目标配料；聚类分析高炉生产数据得到最优烧结矿、球团矿的性能指标区间与专家经验指标约束区间，构成配料整体效益的性能指标约束区间；以配料整体效益最优为目标，根据所述性能指标约束区间构建配料优化计算模型，根据所述配料优化计算模型采用遗传算法计算基于高炉、烧结、球团的一体化最优配料方案。

Description

炼铁多目标一体化配料优化方法、系统、设备及介质
技术领域
本发明涉及炼铁技术领域，特别是涉及一种基于性能预测的炼铁多目标一体化配料优化方法、系统、设备及介质。
背景技术
炼铁生产过程是各工序紧密联系的系统工程。当前国内钢铁企业炼铁成本差距悬殊，吨铁成本相差从几十元到几百元不等，对于一个年产500万吨的普通企业来说，年成本就可相差一亿到几十亿，究其原因，配料结构的不同是决定成本高低的至关重要因素。
目前炼铁用原料品种繁多，成分复杂，价格差距很大，然而，现有的炼铁炉料结构优化方法仅局限于配矿、烧结、炼铁等某一工序，缺乏全局的系统的考虑，导致炼铁整体效益不高；例如，烧结厂生产不同成份和冶金性能的烧结矿，其成本、能耗和产量各不相同，而不同的烧结矿对高炉炼铁生产也有着不同的影响。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种炼铁多目标一体化配料优化方法、系统、设备及介质，用于解决现有技术中因缺乏全局考量导致得到炼铁整体效益不高的问题。
为实现上述目的及其他相关目的，本申请的第一方面，提供一种炼铁多目标一体化配料优化方法，包括：
采集生产过程中的工艺控制参数、配料配比数据与质量检化验数据；
预处理采集的所述数据形成训练神经网络的样本子集；
选择烧结矿、球团矿各自对应的样本子集，利用神经网络算法建立烧结矿及球团矿性能指标预测模型，实现烧结矿及球团矿性能最优的多目标配料；
聚类分析高炉生产数据得到最优烧结矿、球团矿的性能指标区间与专家经验指标约束区间，构成配料整体效益的性能指标约束区间；
以配料整体效益最优为目标，根据所述性能指标约束区间构建配料优化计算模型，根据所述配料优化计算模型采用遗传算法计算基于高炉、烧结、球团的一体化最优配料方案。
本申请的第二方面，提供一种炼铁多目标一体化配料优化系统，包括：
数据采集模块，用于采集生产过程中的工艺控制参数、配料配比数据与质量检化验数据；
预处理模块，用于预处理采集的所述数据形成训练神经网络的样本子集；
指标预测模块，用于选择烧结矿、球团矿各自对应的样本子集，利用神经网络算法建立烧结矿及球团矿性能指标预测模型，实现烧结矿及球团矿性能最优的多目标配料；
指标约束构成模块，用于聚类分析高炉生产数据得到最优烧结矿、球团矿的性能指标区间与专家经验指标约束区间，构成配料整体效益的性能指标约束区间；
配料优化计算模块，用于以配料整体效益最优为目标，根据所述性能指标约束区间构建配料优化计算模型，根据所述配料优化计算模型采用遗传算法计算基于高炉、烧结、球团的一体化最优配料方案。
本申请的第三方面，提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行指令，所述一个或多个处理器执行所述执行指令使得所述电子设备执行上述炼铁多目标一体化配料优化方法。
本申请的第四方面，提供一种存储介质，存储至少一种程序，其中，所述至少一种程序在被调用时执行上述炼铁多目标一体化配料优化方法。
如上所述，本发明的炼铁多目标一体化配料优化方法、系统、设备及介质，具有以下有益效果：
本发明实现一体化的烧结、球团、高炉配料计算，实现配料方案的全局最优，防止仅出现烧结或球团配料成本最优，整体炼铁成本并不占优的情况；利用烧结矿及球团矿性能指标预测模型使配料过程不仅使得烧结与球团矿的性能指标符合高炉运行历史数据规律以及人工专家经验的约束；还使得配料优化计算模型输出的配料方案性能预测更准确，有利于技术人员做出更科学、更合理的操作决策。
附图说明
图1显示为本发明实施例提供的一种炼铁多目标一体化配料优化方法流程图；
图2显示为本发明实施例提供的一种烧结矿性能影响因素的分类示意图；
图3显示为本发明实施例提供的一种数据采集信息传递流程图；
图4显示为本发明实施例提供的一种数据预处理及性能预测的示意流程图；
图5显示为本发明实施例提供的一种配料优化计算的示意流程图；
图6显示为本发明实施例提供的一种炼铁多目标一体化配料优化系统结构框图；
图7显示为本发明实施例提供的一种电子设备结构框图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
在下述描述中，参考附图1至图7，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本公开的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件，但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。例如，第一预设阈值可以被称作第二预设阈值，并且类似地，第二预设阈值可以被称作第一预设阈值，而不脱离各种所描述的实施例的范围。第一预设阈值和预设阈值均是在描述一个阈值，但是除非上下文以其他方式明确指出，否则它们不是同一个预设阈值。相似的情况还包括第一音量与第二音量。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
技术术语解释：
烧结作业，是指将粉铁矿、各类助熔剂及细焦炭经由混拌、造粒后，经由布料系统加入烧结机，由点火炉点燃细焦炭，经由抽气风车抽风完成烧结反应，高热之烧结矿经破碎冷却、筛选后，送往高炉作为冶炼铁水之主要原料。
球团作业，是指将准备好的原料(细磨精矿和添加剂等)，按一定比例经过干配混匀后，进入造球系统造球，然后进入链篦机-回转窑-环冷机进行干燥、高温焙烧、冷却，直至送入成品系统。
高炉作业，是指将铁矿石、焦炭及助熔剂由高炉顶部加入炉内，再由炉下部鼓风嘴鼓入高温热风，产生还原气体，还原铁矿石，产生熔融铁水与熔渣之炼铁制程。
炼铁整体效益最大不仅包含铁水成本，还包括铁水产量，产能效益和成本效益最大。
实际生产中，炼铁生产过程是一体化的，烧结、球团的配料变化必然导致高炉配料的变化，否则高炉无法稳定运行，因此，局部环节的成本最优，并不代表整个炼铁环节的成本最优。
烧结矿及球团矿质量主要两部分组成，即成分粒度、冶金性能(烧结转鼓、烧结低温还原粉化率、烧结还原性、球团抗压强度、球团低温还原粉化率、球团还原性)，成分可根据所使用物料的成分加权计算得到。
请参阅图1，为本发明实施例提供的一种炼铁多目标一体化配料优化方法流程图，详述如下：
步骤S1，采集生产过程中的工艺控制参数、配料配比数据与质量检化验数据；
其中，从PLC(可编程逻辑控制系统)、DCS(分散控制系统)、MES(生产制造执行系统)、ERP(企业资源系统)等系统采集生产过程中工艺控制参数的实时数据、配料配比数据(即配料方案数据)、质量检化验数据。
步骤S2，预处理采集的所述数据形成训练神经网络的样本子集；
其中，采集烧结、球团、高炉工序生产过程中工艺控制参数、配料配比数据与质量检化验数据；依次对工艺控制参数、配料配比数据与质量检化验数据进行数据频次对齐、插值、缺失值处理、异常值处理，并将每个样本中的决策参数分别与烧结及球团性能或高炉经济指标进行相关性分析，筛选相关性达到预设值的决策参数与对应的烧结及球团性能或高炉经济指标组成神经网络的训练样本子集。
需要说明的是，采集的数据包括工艺控制参数、配料配比数据与质量检化验数据；
步骤S3，选择烧结矿、球团矿各自对应的样本子集，利用神经网络算法建立烧结矿及球团矿性能指标预测模型，实现烧结矿及球团矿性能最优的多目标配料；
其中，所述烧结矿及球团矿性能指标预测模型包含用于减少过度拟合的dropout层，所述dropout层对应的区间范围为0.5～0.8，神经网络算法通过迭代训练得到烧结矿及球团矿性能指标预测模型，所述烧结矿及球团矿性能指标预测模型通过输入指标后生成预测指标。
具体地，Dropout层的作用是减少中间特征的数量，从而减少冗余，即增加每层各个特征之间的正交性。例如，烧结矿及球团矿性能最优的多目标配料是将所述性能指标中的烧结转鼓、烧结低温还原粉化率、烧结还原性、球团抗压强度、球团低温还原粉化率和球团还原性转化为性能指标约束，以利于后续得到其对应的性能指标约束区间。
如图2所示，烧结矿性能包括原料属性参数、生产过程控制参数，其中，原料属性参数包含原料成分、原料粒度与原料矿相，所述生产过程控制参数包括机速、料层厚度、点火温度、加水量、料温与负压，通过参考烧结矿性能计算球团矿的性能，便于后续得最优烧结矿的性能指标区间，以及最优球团矿的性能指标区间。
步骤S4，聚类分析高炉生产数据得到最优烧结矿、球团矿的性能指标区间与专家经验指标约束区间，构成配料整体效益的性能指标约束区间；
其中，获取所述高炉生产数据中的历史数据，采用K-means聚类分析所述历史数据得到最优产量及燃耗指标类别下数据样本对应的烧结矿和球团矿性能指标范围，根据所述烧结矿和球团矿性能指标范围和专家经验指标约束区间的交集确定配料整体效益的性能指标约束区间。
步骤S5，以配料整体效益最优为目标，根据所述性能指标约束区间构建配料优化计算模型，根据所述配料优化计算模型采用遗传算法计算基于高炉、烧结、球团的一体化最优配料方案。
其中，以增产效益、节焦效益、配矿成本优化效益为代表的炼铁效益最优为目标，转化多目标为单目标，并以成分、粒度、性能等指标为约束，根据所述配料优化计算模型结合烧结矿及球团矿性能最优的多目标配料所构成的性能指标区间，采用遗传算法计算基于高炉、烧结、球团的一体化最优配料方案，采用遗传算法搜索最优高炉、烧结、球团多目标一体化配料方案，计算输出方案可向生产计划系统下发配比信息。
在本实施例中，在炼铁数据预处理、配料性能约束处理、配料优化目标定义方面提出了新的处理规则和计算方法，在实现一体化配料计算的同时又解决多目标运算效率低下的问题，基于烧结、球团矿等原料性能需求进行联动配料计算，同时考虑配料整体效益最优；通过多目标向单目标问题转化使求解效率得到保证，解决了仅靠人工经验评估配料方案性能的粗放化配料问题，可显著提高炼铁生产配料精细化水平。
在另一种实施例中，本发明提供的一种炼铁多目标一体化配料优化方法流程图，详述如下：
1)数据采集：采集烧结、球团、高炉工序生产过程控制参数、配料计划数据及矿粉等质量检化验数据。
例如，由现场控制PLC/DCS系统采集生产过程中工艺控制参数的实时数据集；由MES/ERP系统采集生产过程中所用配料方案计划执行数据；由MES/ERP系统采集烧结矿、球团矿、矿粉燃料质量检化验数据。
如图3所示，生产计划系统包括配料配比数据，烧结/球团/高炉过程控制参数，检化验室通过成分分析及生产计划信息，其中，生产计划系统将配料计划传输至烧结/球团/高炉，检化验室从烧结/球团/高炉得到取样。
具体地，烧结矿及球团矿质量主要由两部分组成，即成分粒度、冶金性能(烧结转鼓、烧结低温还原粉化率、烧结还原性、球团抗压强度、球团低温还原粉化、球团还原性)，成分可根据所使用物料的成分加权计算得到，而冶金性能指标不仅与配料参数相关，还与设备参数及过程控制参数相关。炼铁的效益不仅包含铁水成本，还包括铁水产量，产能效益和成本效益，通过增产效益、节焦效益、配矿成本优化效益的最大得到炼铁整体效益最大。
2)数据预处理：对上述采集数据进行数据预处理，数据按时间对齐(生产过程参数频次为天，质量检化验数据频次随机，配料计划数据频次随机)，以天为单位向后填充对齐数据，并对缺失值进行记录删除或均值填充，去除数据异常点和数据标准化处理，得到高炉、烧结、球团工序的Q1、Q2、Q3数据子集；对决策指标和性能指标及经济指标做相关性分析，选取相关性系数大于0.3的决策数据与性能指标或经济指标组成数据子集Q1’、Q2’、Q3’，每个子集共计547条数据记录。
例如，数据对齐，采集数据由于频次通常不一致，需进行对齐填充处理，对粗频次数据按最小频次进行向后填充。
Δt＝min[frequency(Q1)，frequency(Q2)，frequency(Q3)…]
Q(T+Δt)＝Q(T)
其中，frequency(Q)为数据集Q的数据采集频次,高炉、烧结、球团工序分别对应Q1、Q2、Q3三个数据子集。
又例如，对缺失值进行记录删除或均值填充，去除数据异常点，并进行数据标准化；
又例如，对每个子样本中决策数据xi分别与烧结球团性能或高炉经济指标(产量、焦比、煤比)yj进行相关性分析，对决策数据筛选降维，相关性计算公式如下：
Figure GDA0003712658120000061
选取相关性系数大于ρ0(通常取ρ0＝0.3)的决策数据与性能指标或经济指标组成数据子集Q1’、Q2’、Q3’。
3)性能指标约束挖掘及人工经验约束处理：
对高炉数据样本Q1’采取K-means聚类，将数据聚类为N类(通常取N＝3)，筛选产量及燃料消耗指标表现最佳类别为最优类别，选择此类别下样本对应烧结转鼓DI、烧结低温还原粉化率RDI+3.15、烧结还原性RI、球团抗压强度N、球团低温还原粉化率RDI+3.15、球团还原性RI等指标的取值范围Pi∈[PL，PH]；
输入人工经验性能指标约束Pi’∈[PL’，PH’]，并与Pi∈[PL，PH]取交集使人工经验与数据挖掘规律结合，得到新作为配料优化计算中烧结矿及球团矿性能约束：
Prefi＝Pi∩Pi′
其中，Prefi为烧结矿及球团矿性能指标约束区间；
例如，对高炉数据样本Q1’采取K-means聚类，将数据聚类为3类，最优类代表产量为8156t/天，焦比358kg/t，选择此类别下样本对应烧结及球团性能指标范围与专家经验范围取交集后，得到指标区间：烧结转鼓DI∈[76.7，82]、烧结低温还原粉化率RDI+3.15∈[68.2，76]、烧结还原性RI∈[78，82]、球团抗压强度N∈[2300，2700]、球团低温还原粉化RDI+3.15∈[88.4，93.2]、球团还原性RI∈[61，73]。
4)烧结矿性能预测：
详见表1，基于数据样本Q2’及Q3’建立4层神经网络模型，dropout ratio经过测试设置为0.8，烧结过程工艺控制参数、配料方案数据作为输入节点，输出为烧结矿转鼓、烧结矿低温还原粉化率、烧结矿还原性指标，经过1000次迭代训练后输出神经网络模型F(factor1，factor2…factorN)，训练中采用500组样本作为训练集，47组记录作为测试集，以预测指标偏差小于5％时准确率达到80％以上时保存训练后的权重模型。
其中，详见图4，从数据库中进行预处理得到数据样本Q，而数据样本Q通过相关性筛选得到数据样本Q’，即，多个数据样本子集Q1’、Q2’及Q3’，利用S层神经网络迭代训练得到烧结矿及球团矿性能指标预测模型，从而得到预测指标。
具体地，基于数据样本子集Q2’及Q3’中的决策指标及性能指标分别建立S层神经网络模型(通常S＝4)基于配比数据具有阶段性变化特点，模型中包含一层dropout层，dropout ratio∈[0.5，0.8]，经过迭代训练后输出神经网络权重模型，各预测指标Pref由向模型输入决策数据后输出。
Pref＝F(factor1，factor2…factorN)
表1烧结RDI预测模型训练测试集结果
Figure GDA0003712658120000081
Figure GDA0003712658120000091
5)产量、成本及燃耗预测：
从数据样本集Q1’中选择一条数据样本作为配料基准状态，利用配料优化计算模型得到新配料方案，比较新配料方案下入炉品位TFe相对配料基准状态的变化量ΔTFe，进一步计算新配料方案下铁水产量Y；
从数据样本集Q1’中选择一条数据样本作为配料基准状态，比较新配料方案下入炉品位TFe相对配料基准状态的变化量ΔTFe，进一步计算新配料方案下铁水产量Y、新配料方案下焦比Coke及成本Cost。
Y＝Y0+ηY*ΔTFe
Coke＝Coke0+ηC*ΔTFe
Figure GDA0003712658120000092
其中，Y0为基准铁水产量，ηY为常数取0.025，Coke0为基准焦比，ηC为常数取-0.015，n1为高炉配料原料种类总数，Mi为第i种原料的吨铁消耗量，单位为t，Pi为第i种原料价格，单位为元/t，PCoke为焦炭价格，单位为元/t，C0为吨铁消耗煤粉成本基准值及吨铁固定成本基准值。
6)输入配料成分约束、粒度约束及其他约束范围，建立配料计算模型，并采用遗传算法进行求解，种群规模为1000，交叉概率0.5，变异概率0.3，求解配料优化计算模型最优解，得到烧结矿80％+20％烧结矿高炉配料结果效益较优。
其中，目标函数：
Figure GDA0003712658120000093
其中，object为目标函数，profit为当前核算吨铁利润，单位为元/t，M0i为基准方案第i种原料的吨铁消耗量，n1为高炉配料原料种类总数，Mi为第i种原料的吨铁消耗量，单位为t，Pi为第i种原料价格，单位为元/t；ΔTFe为新配料方案下入炉品位TFe相对于配料基准状态的变化量，Y为铁水产量、Y0为基准铁水产量，ηC为常数取-0.015，PCoke为焦炭价格，单位为元/t；
配比约束：
Figure GDA0003712658120000101
XLki≤Xki≤XHki
烧结及球团矿成分约束：
Figure GDA0003712658120000102
烧结及球团矿粒度约束：
Figure GDA0003712658120000103
烧结及球团矿性能约束：
PreLf≤Pref≤PreHf
高炉炉渣成分、有害元素负荷、烧结矿Al/Si、烧结矿R、炉渣Mg/Al、炉渣R’约束
slagLi≤slagi≤slagHi
loadLi≤loadi≤loadHi
LAl/Si≤Al/Si≤HAl/Si
LR≤R≤HR
LMg/Al≤Mg/Al≤HMg/Al
LR′≤R′≤HR′
其中，profit为当前核算吨铁利润，单位为元/t，M0i为基准方案第i种原料的吨铁消耗量，nk为烧结及球团配料原料种类数；Xki为k工序(烧结、球团、高炉)第i种原料配比；XLki为第i种原料的配入下限；XHki为第i种原料的配入上限；j为原料的成分指标；Cki，j为k工序(烧结、球团、高炉)原料i的成分j百分含量，LOI为烧损，H2O为水分，单位为％；CLkj为成分j的下限；CHkj为成分j的上限；Gki，d为k工序(烧结、球团、高炉)原料i的粒度指标d的百分含量，单位％；GLkd为原料i的粒度指标d的下限；GHkd为原料i的粒度指标d的上限；Pref为烧结矿性能指标f的预测值；PreLf为烧结矿性能指标f的下限；PreHf为烧结矿性能指标f的下限。
配料优化计算模型采用遗传算法进行求解，种群规模为Q，交叉概率p1，变异概率p2，求解模型最优解，步骤如下：
①随机初始化产生种群规模为size＝Q个父代个体(配料方案)；例如，成分约束、粒度约束、性能约束与其他成分负荷及指标约束；
②计算每个个体的适应度值；
③根据适应度值对个体进行交叉和变异操作产生新增Qx个体，交叉概率设为p1，变异概率设为p2；
④选择父代中适应度值大小排序前Q-Qx个个体作为父代精英，与新增个体组成下一代种群；
⑤迭代次数k＝k+1；
⑥重复上述②～⑤，直至迭代次数k＝限制总迭代次数K；
⑦对最后进化出的子代种群个体进行排序选择适应度最高的个体作为最优配料方案解。
表2求解配比计算铁水成本及整体效益
Figure GDA0003712658120000111
值得说明的是，本发明所属的数据库包括但不限于ORACLE、DB2、SQL Server、Sybase、Informix、MySQL、VF与Access。上述神经网络算法中建立隐含层中可使用包括但不限于sigmoid、relu、softmax等激活函数处理，上述遗传算法中对约束的处理包括但不限于采取可行矩阵法、罚函数等方式处理。
在本实施例中，以实验测试分析和专家知识为依托，紧密联系生产实践，最大程度提高综合效益，如表2所示，炼铁系统炉料结构多目标优化是指结合增产效益、节焦效益、配矿成本优化效益的最大为目标函数，应用多目标优化方法，使用高炉、烧结、球团配料过程中的目标成分为约束实现联动，基于烧结、球团矿等原料性能需求进行联动配料计算，以配料整体效益最优，通过优化后吨铁成本由传统的2155.74元/吨降低到2062.53元/吨，降低了铁水成本93.21元/吨，产生的综合效益37.629万元/每日。
请参阅图6，为本发明实施例提供的一种炼铁多目标一体化配料优化系统结构框图，包括：
数据采集模块1，用于采集生产过程中的工艺控制参数、配料配比数据与质量检化验数据；
预处理模块2，用于预处理采集的所述数据形成训练神经网络的样本子集；
指标预测模块3，用于选择烧结矿、球团矿各自对应的样本子集，利用神经网络算法建立烧结矿及球团矿性能指标预测模型，实现烧结矿及球团矿性能最优的多目标配料；
指标约束构成模块4，用于聚类分析高炉生产数据得到最优烧结矿、球团矿的性能指标区间与专家经验指标约束区间，构成配料整体效益的性能指标约束区间；
配料优化计算模块5，用于以配料整体效益最优为目标，根据所述性能指标约束区间构建配料优化计算模型，根据所述配料优化计算模型采用遗传算法计算基于高炉、烧结、球团的一体化最优配料方案。
其中，需要说明的是，炼铁多目标一体化配料优化方法与炼铁多目标一体化配料优化系统为一一对应的关系，在此，炼铁多目标一体化配料优化系统所涉及的技术细节与技术效果和上述识别方法相同，在此不一一赘述，请参照上述炼铁多目标一体化配料优化方法。
请参阅图7，为本发明实施例提供一种电子设备6结构框图，包括：
一个或多个处理器61；
存储器62；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器62中并被配置为由所述一个或多个处理器61执行指令，所述一个或多个处理器61执行上述炼铁多目标一体化配料优化方法。
所述处理器可操作地与存储器和/或非易失性存储设备耦接。更具体地，处理器可执行在存储器和/或非易失性存储设备中存储的指令以在计算设备中执行操作，诸如生成图像数据和/或将图像数据传输到电子显示器。如此，处理器可包括一个或多个通用微处理器、一个或多个专用处理器(ASIC)、一个或多个现场可编程逻辑阵列(FPGA)、或它们的任何组合。
适用于电子设备中，于实际的实施方式中，所述电子设备例如为包括但不限于笔记本电脑、平板电脑、移动电话、智能手机、媒体播放器、个人数字助理(PDA)、导航仪、智能电视、智能手表、数码相机等等，还包括其中两项或多项的组合。应当理解，本申请于实施方式中描述的电子设备只是一个应用实例，该设备的组件可以比图示具有更多或更少的组件，或具有不同的组件配置。所绘制图示的各种组件可以用硬件、软件或软硬件的组合来实现，包括一个或多个信号处理和/或专用集成电路。在本申请的具体实施方式中，将以所述电子设备为智能手机为例进行说明。
本申请另一实施例中，还公开一种计算机可读的存储介质，所述计算机可读的存储介质存储至少一种程序，所述至少一种程序在被调用时执行上述炼铁多目标一体化配料优化方法流程。
其中，所述程序详见上述实施例，在此不加赘述。另外，需要说明的是，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本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。
基于这样的理解，本申请的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包括其上存储有机器可执行指令的一个或多个机器可读介质，这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本申请的实施例来执行操作。例如执行机器人的控制方法中的各步骤等。机器可读介质可包括，但不限于，软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。其中，所述存储介质可位于机器人也可位于第三方服务器中，如位于提供某应用商城的服务器中。在此对具体应用商城不做限制，如小米应用商城、华为应用商城、苹果应用商城等。
本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
综上所述，本发明的炼铁多目标一体化配料优化方法、系统、设备及介质，具有以下有益效果：
(1)本发明实现一体化的烧结、球团、高炉配料计算，实现配料方案的全局最优，防止出现仅烧结或球团配料成本最优，但整体炼铁成本并不占优的情况出现，同时本方法结合了性能预测模型，使配料过程不仅考虑成分及粒度满足约束，还考虑烧结与球团矿的性能指标符合高炉运行历史数据规律以及人工专家经验的约束。
(2)本发明在效益目标方面给出了新的定义，即配料整体效益包括配料成本优化效益、节焦效益、增产效益，而不仅仅局限于炼铁成本最优进行配料计算，更符合炼铁工艺对配矿目标的需求。
(3)本发明可与工序控制系统、检化验系统及生产制造执行系统等外部系统通讯，采集生产运行中的实时数据，并不断更新历史数据样本，扩大预测模型的泛化能力，使得配料方案的性能预测更加准确，有利于生产技术人员做出更科学、更合理的操作决策。
所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种炼铁多目标一体化配料优化方法，其特征在于，包括：
采集生产过程中的工艺控制参数、配料配比数据与质量检化验数据；
预处理采集的所述数据形成训练神经网络的样本子集；
选择烧结矿、球团矿各自对应的样本子集，利用神经网络算法建立烧结矿及球团矿性能指标预测模型，实现烧结矿及球团矿性能最优的多目标配料；
聚类分析高炉生产数据得到最优烧结矿、球团矿的性能指标区间与专家经验指标约束区间，构成配料整体效益的性能指标约束区间；其中，获取所述高炉生产数据中的历史数据，采用K-means聚类分析所述历史数据得到最优产量及燃耗指标类别下数据样本对应的烧结矿和球团矿性能指标范围，根据所述烧结矿和球团矿性能指标范围和专家经验指标约束区间的交集确定配料整体效益的性能指标约束区间；
以配料整体效益最优为目标，根据所述性能指标约束区间构建配料优化计算模型，根据所述配料优化计算模型采用遗传算法计算基于高炉、烧结、球团的一体化最优配料方案，所述配料优化计算模型对应的目标函数为：
Figure FDA0003712658110000011
其中，object为目标函数，profit为当前核算吨铁利润，单位为元/t，M0i为基准方案第i种原料的吨铁消耗量，n1为高炉配料原料种类总数，Mi为第i种原料的吨铁消耗量，单位为t，Pi为第i种原料价格，单位为元/t；ΔTFe为新配料方案下入炉品位TFe相对于配料基准状态的变化量，Y为铁水产量、Y0为基准铁水产量，ηC为常数取-0.015，PCoke为焦炭价格，单位为元/t。
2.根据权利要求1所述的炼铁多目标一体化配料优化方法，其特征在于，所述预处理采集的所述数据形成训练神经网络的样本子集的步骤，包括：
采集烧结、球团、高炉工序生产过程中工艺控制参数、配料配比数据与质量检化验数据；依次对工艺控制参数、配料配比数据与质量检化验数据进行数据频次对齐、插值、缺失值处理和异常值处理，并将每个样本中的决策参数分别与烧结及球团性能或高炉经济指标进行相关性分析，筛选相关性达到预设值的决策参数与对应的烧结及球团性能或高炉经济指标组成神经网络的训练样本子集。
3.根据权利要求1所述的炼铁多目标一体化配料优化方法，其特征在于，所述烧结矿及球团矿性能指标预测模型包含用于减少过度拟合的dropout层，所述dropout层对应的区间范围为0.5～0.8，所述神经网络算法通过迭代训练得到烧结矿及球团矿性能指标预测模型，所述烧结矿及球团矿性能指标预测模型通过输入指标后生成预测指标。
4.根据权利要求1所述的炼铁多目标一体化配料优化方法，其特征在于，利用所述配料优化计算模型获取新配料方案，从所述样本子集选择一条数据样本作为配料基准状态，比较新配料方案下入炉品位TFe相对于配料基准状态的变化量，计算新配料方案下铁水产量、焦比及成本。
5.根据权利要求1所述的炼铁多目标一体化配料优化方法，其特征在于，所述以配料整体效益最优为目标等于物料成本效益、节焦效益与增产效益之和；所述烧结矿及球团矿性能最优的多目标配料包括：将所述性能指标中的烧结转鼓、烧结低温还原粉化率、烧结还原性、球团抗压强度、球团低温还原粉化率和球团还原性转化为性能指标约束。
6.根据权利要求1所述的炼铁多目标一体化配料优化方法，其特征在于，所述性能指标约束依次包括：
配比约束：
Figure FDA0003712658110000021
XLki≤Xki≤XHki
烧结及球团矿成分约束：
Figure FDA0003712658110000022
烧结及球团矿粒度约束：
Figure FDA0003712658110000023
烧结及球团矿性能约束：
PreLf≤Pref≤PreHf
高炉炉渣成分、有害元素负荷、烧结矿Al/Si、烧结矿R、炉渣Mg/Al、炉渣R’约束依次为：
slagLi≤slagi≤slagHi
loadLi≤loadi≤loadHi
LAl/Si≤Al/Si≤HAl/Si
LR≤R≤HR
LMg/Al≤Mg/Al≤HMg/Al
LR′≤R′≤HR′
其中，nk为烧结及球团配料原料种类数，Xki为k工序第i种原料配比；XLki为第i种原料的配入下限；XHki为第i种原料的配入上限；j为原料的成分指标；Cki，j为k工序原料i的成分j百分含量，LOI为烧损，H2O为水分，单位为％；CLkj为成分j的下限；CHkj为成分j的上限；Gki，d为k工序原料i的粒度指标d的百分含量，单位％；GLkd为原料i的粒度指标d的下限；GHkd为原料i的粒度指标d的上限；Pref为烧结矿性能指标f的预测值；PreLf为烧结矿性能指标f的下限；PreHf为烧结矿性能指标f的下限。
7.一种炼铁多目标一体化配料优化系统，其特征在于，包括：
数据采集模块，用于采集生产过程中的工艺控制参数、配料配比数据与质量检化验数据；
预处理模块，用于预处理采集的所述数据形成训练神经网络的样本子集；
指标预测模块，用于选择烧结矿、球团矿各自对应的样本子集，利用神经网络算法建立烧结矿及球团矿性能指标预测模型，实现烧结矿及球团矿性能最优的多目标配料；
指标约束构成模块，用于聚类分析高炉生产数据得到最优烧结矿、球团矿的性能指标区间与专家经验指标约束区间，构成配料整体效益的性能指标约束区间；其中，获取所述高炉生产数据中的历史数据，采用K-means聚类分析所述历史数据得到最优产量及燃耗指标类别下数据样本对应的烧结矿和球团矿性能指标范围，根据所述烧结矿和球团矿性能指标范围和专家经验指标约束区间的交集确定配料整体效益的性能指标约束区间；
配料优化计算模块，用于以配料整体效益最优为目标，根据所述性能指标约束区间构建配料优化计算模型，根据所述配料优化计算模型采用遗传算法计算基于高炉、烧结、球团的一体化最优配料方案；所述配料优化计算模型对应的目标函数为：
Figure FDA0003712658110000031
其中，object为目标函数，profit为当前核算吨铁利润，单位为元/t，M0i为基准方案第i种原料的吨铁消耗量，n1为高炉配料原料种类总数，Mi为第i种原料的吨铁消耗量，单位为t，Pi为第i种原料价格，单位为元/t；ΔTFe为新配料方案下入炉品位TFe相对于配料基准状态的变化量，Y为铁水产量、Y0为基准铁水产量，ηC为常数取-0.015，PCoke为焦炭价格，单位为元/t。
8.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被分割成一个或多个模块/单元，所述一个或多个处理器执行所述一个或多个程序实现上述权利要求1至6中任一所述的炼铁多目标一体化配料优化方法。
9.一种存储介质，其特征在于，存储至少一种程序，其中，所述至少一种程序在被调用时执行时实现上述权利要求1至6中任一所述炼铁多目标一体化配料优化方法。
CN202110023317.7A 2021-01-08 2021-01-08 炼铁多目标一体化配料优化方法、系统、设备及介质 Active CN112699613B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110023317.7A CN112699613B (zh) 2021-01-08 2021-01-08 炼铁多目标一体化配料优化方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110023317.7A CN112699613B (zh) 2021-01-08 2021-01-08 炼铁多目标一体化配料优化方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN112699613A CN112699613A (zh) 2021-04-23
CN112699613B true CN112699613B (zh) 2022-08-09

Family

ID=75513448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110023317.7A Active CN112699613B (zh) 2021-01-08 2021-01-08 炼铁多目标一体化配料优化方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN112699613B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343416B (zh) * 2021-04-27 2022-06-03 武汉科技大学 一种有害元素对高炉冶炼影响及调控标准的建立方法
CN113584242B (zh) * 2021-08-05 2023-03-31 张家港宏昌钢板有限公司 一种多高炉自动配料方法、装置及存储介质
CN113793308A (zh) * 2021-08-25 2021-12-14 北京科技大学 一种基于神经网络的球团矿质量智能评级方法及装置
CN114021913A (zh) * 2021-10-22 2022-02-08 中冶南方工程技术有限公司 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
CN114565270A (zh) * 2022-02-23 2022-05-31 杉数科技(北京)有限公司 炼钢评估方法、装置、设备及介质
CN115099387B (zh) * 2022-05-26 2023-02-03 福建天甫电子材料有限公司 用于中性清洗剂生产的自动配料系统及其配料方法
CN114781279A (zh) * 2022-06-20 2022-07-22 中国科学院自动化研究所 基于深度神经网络的球团焙烧参数确定方法及系统
CN118052119A (zh) * 2022-11-10 2024-05-17 华为云计算技术有限公司 数据处理方法、装置和存储介质
CN116128102B (zh) * 2022-12-09 2024-01-23 常熟中佳新材料有限公司 一种制冷设备用异形铜管生产优化方法及系统
CN117055512A (zh) * 2023-10-10 2023-11-14 安徽中科维德数字科技有限公司 一种连续搅拌反应釜的智能模型控制系统及其控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722652A (zh) * 2012-06-01 2012-10-10 攀钢集团攀枝花钢钒有限公司 一种高炉冶炼成本计算及优化方法
CN108388966A (zh) * 2018-03-07 2018-08-10 鞍钢集团矿业有限公司 一种基于提高利润的烧结过程配矿优化方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120148373A1 (en) * 2010-12-13 2012-06-14 Woodings Industrial Corporation Hydraulic distributor for top charging a blast furnace
CN103276125A (zh) * 2013-06-20 2013-09-04 经文波 炼铁炉料总成本综合优化
CN104915746A (zh) * 2014-10-21 2015-09-16 安波 铁前采购和铁水成本一体化管理系统
CN104593532B (zh) * 2015-01-19 2017-07-07 河北联合大学 一种炼铁系统炉料优化方法
CN107976976B (zh) * 2017-11-15 2020-04-21 东南大学 一种钢铁企业煤气消耗设备时序优化方法
CN109918702A (zh) * 2019-01-03 2019-06-21 上海交通大学 一种高炉配料与操作的协同多目标优化方法
CN110610255B (zh) * 2019-07-31 2023-08-18 华北理工大学 基于智能算法的炼铁过程配料优化方法
CN110908346A (zh) * 2019-11-13 2020-03-24 中冶赛迪重庆信息技术有限公司 一种多工序智能管控系统、方法及设备
CN111798023B (zh) * 2020-05-11 2023-08-29 宁波大学 一种炼钢烧结生产中综合焦比预测的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722652A (zh) * 2012-06-01 2012-10-10 攀钢集团攀枝花钢钒有限公司 一种高炉冶炼成本计算及优化方法
CN108388966A (zh) * 2018-03-07 2018-08-10 鞍钢集团矿业有限公司 一种基于提高利润的烧结过程配矿优化方法

Also Published As

Publication number Publication date
CN112699613A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN112699613B (zh) 炼铁多目标一体化配料优化方法、系统、设备及介质
CN104593532B (zh) 一种炼铁系统炉料优化方法
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
CN105734276A (zh) 一种高炉冶炼用铁矿石经济性综合评价方法及其系统
Yuan et al. Modeling and optimization of coal blending and coking costs using coal petrography
CN110245850A (zh) 一种考虑时序的烧结过程工况识别方法及系统
CN106777684B (zh) 一种建立综合焦比预测模型和预测综合焦比的方法
CN108460213A (zh) 基于多聚类原型的t-s模型对炉腹煤气量的预测方法及程序
CN114091871A (zh) 一种高炉炼铁配矿方法与系统
CN111915080A (zh) 一种基于铁水质量约束的原燃料成本最优配比方法
Di Maria et al. Evaluating energy and resource efficiency for recovery of metallurgical residues using environmental and economic analysis
Li et al. Prediction of blast furnace parameters using feature engineering and Stacking algorithm
Spirin et al. Complex of model systems for supporting decisions made in managing blast-furnace smelting technology
Liu et al. An online sintering batching system based on machine learning and intelligent algorithm
Shao et al. Application of artificial neural networks for prediction of sinter quality based on process parameters control
Li et al. A blast furnace coke ratio prediction model based on fuzzy cluster and grid search optimized support vector regression
Shi et al. Evaluation, Prediction, and Feedback of Blast Furnace Hearth Activity Based on Data‐Driven Analysis and Process Metallurgy
JP6806034B2 (ja) 非線形計画問題の求解方法、配合計画の作成方法、およびこれらのコンピュータプログラム、記録媒体、装置、ならびに配合操業方法
Jun et al. Prediction of hot metal temperature based on data mining
Niu et al. Prediction of sinter chemical composition based on ensemble learning algorithms
Ryabchikov Metallurgical agglomerate quality management with the account of its impact on the blast-furnace process efficiency
Qiang et al. The combination prediction of BTP in sintering process based on Bayesian framework and LS-SVM
Quan et al. Prediction of air leakage rate of sintering furnace based on BP neural network optimized by PSO
CN106834662A (zh) 一种基于多工况烧结过程的co/co2比值预测方法
Tian et al. Improved algorithm of extreme gradient boosting for predicting silicon content in large proportion pellet smelting process

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