CN113108615B - 反应炉的控制方法、装置、介质与电子设备 - Google Patents
反应炉的控制方法、装置、介质与电子设备 Download PDFInfo
- Publication number
- CN113108615B CN113108615B CN202110410492.1A CN202110410492A CN113108615B CN 113108615 B CN113108615 B CN 113108615B CN 202110410492 A CN202110410492 A CN 202110410492A CN 113108615 B CN113108615 B CN 113108615B
- Authority
- CN
- China
- Prior art keywords
- heat
- determining
- sample
- reaction furnace
- reaction
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
本公开提供一种反应炉的控制方法、装置、介质与电子设备。其中,反应炉的控制方法包括:确定反应炉的输入功率;确定反应炉的入料热量、反应热量、热量损失和出料热量;根据入料热量、反应热量、热量损失和出料热量确定反应炉的目标发热量;根据入料热量和热量损失确定热量修正值;根据热量修正值和目标发热量对输入功率进行调整。通过本公开实施例提供的技术方案,提高了反应炉的能效利用率,提高了产品产量和质量,进一步降低了能耗成本。
Description
技术领域
本公开涉及冶炼技术领域,具体而言,涉及一种反应炉的控制方法、反应炉的控制装置、计算机可读存储介质与电子设备。
背景技术
矿热电炉是一种重要的用于冶炼的反应炉,其利用电流通过炉料阻抗产生的热量来实现冶炼目的。矿热电炉接受上游工艺流程产生的热料,通过电能转化为热能对热料进行加热,使热料在炉内熔化、反应和分离,进而得到相应的产品。因此,通过控制矿热电炉的功率,使其保持在最佳值,对于稳定矿热电炉出渣温度和出料温度,提升冶炼效果、产量和降低能耗至关重要。
相关技术中,由于矿热电炉的功率设定过高,导致出渣温度和出料温度过高,造成功耗的浪费,或者由于矿热电炉的功率设定过低,导致出渣温度和出料温度过低的现象发生,降低了产品产量和质量。
需要说明的是,在上述背景技术分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种反应炉的控制方法、反应炉的控制装置、介质与电子设备,用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的能效利用率低下的问题。
根据本公开实施例的一方面,提供一种反应炉的控制方法,包括:确定反应炉的输入功率;确定反应炉的入料热量、反应热量、热量损失和出料热量;根据入料热量、反应热量、热量损失和出料热量确定反应炉的目标发热量;根据入料热量和热量损失确定热量修正值;根据热量修正值和目标发热量对输入功率进行调整。
在本公开的一种示例性实施例中,确定反应炉的入料热量、反应热量、热量损失和出料热量包括:根据反应炉中的反应物的物料量确定反应热量;确定反应炉的入料热量和出料热量;根据反应炉的结构确定热量损失。
在本公开的一种示例性实施例中,反应炉的控制方法还包括:确定用于对神经网络模型进行训练的入料热量样本;获取反应炉的热量损失样本;根据反应炉的反应历史记录确定热量修正值样本;以入料热量样本和热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,热量损失样本包括烟气热量损失样本,以入料热量样本和热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练包括:以入料热量样本和烟气热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,热量损失样本包括炉壁热量损失样本,以入料热量样本和热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练包括:以入料热量样本和炉壁热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练。
在本公开的一种示例性实施例中,根据反应炉的反应历史记录确定热量修正值样本包括:根据反应历史记录中的出渣重量、渣料比热容和出渣温度确定出渣热量损失样本,并将出渣热量损失样本确定为热量修正值样本;和/或,根据反应历史记录中的出料重量、出料比热容和出料温度确定出料热量损失样本,并将出料热量损失样本确定为热量修正值样本;和/或,根据出渣热量损失样本和出料热量损失样本确定热量修正值样本。
在本公开的一种示例性实施例中,根据热量修正值和目标发热量对输入功率进行调整包括:确定热量修正值和目标发热量的加和值;根据加和值确定输入功率的调整量;根据调整量对反应炉的加热电极的加热功率进行调整。
根据本公开实施例的另一方面,提供一种反应炉的控制装置,包括:确定模块,用于确定反应炉的输入功率;确定模块还用于,确定反应炉的入料热量、反应热量、热量损失和出料热量;确定模块还用于,根据入料热量、反应热量、热量损失和出料热量确定反应炉的目标发热量;确定模块还用于,根据入料热量和热量损失确定热量修正值;修正模块,用于根据热量修正值和目标发热量对输入功率进行调整。
根据本公开的另一方面,提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如上述任意一项的反应炉的控制方法。
根据本公开的另一方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行如上述任意一项所述的反应炉的控制方法。
本公开实施例的技术方案,通过对反应炉的入料热量、反应热量、热量损失和出料热量等关键工艺参数进行检测,根据电热平衡模型对所需的电功率进行实时计算,并根据入料热量样本和热量损失样本训练神经网络模型,利用神经网络模型对反应炉的输入功率进行修正,实时确定反应炉所需的功率设定值,提高了反应炉的能效利用率,提高了产品产量和质量,进一步降低了能耗成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出本公开示例性实施例中一种反应炉的控制方法的流程图;
图2示出本公开示例性实施例中另一种反应炉的控制方法的流程图;
图3示出本公开示例性实施例中另一种反应炉的控制方法的流程图;
图4示出本公开示例性实施例中另一种反应炉的控制方法的流程图;
图5示出本公开示例性实施例中另一种反应炉的控制方法的流程图;
图6示出本公开示例性实施例中另一种反应炉的控制方法的流程图;
图7示出本公开示例性实施例中另一种反应炉的控制方法的流程图;
图8示出本公开示例性实施例中一种反应炉的结构示意图;
图9示出本公开示例性实施例中一种反应炉的神经网络模型的示意图;
图10示出本公开示例性实施例中一种反应炉的控制系统的示意图;
图11示出本公开示例性实施例中一种反应炉的控制装置的示意图;
图12示出本公开示例性实施例中一种电子设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。符号“/”一般表示前后关联对象是一种“或”的关系。
在本公开中,除非另有明确的规定和限定,“连接”等术语应做广义理解,例如,可以是电连接或可以互相通讯;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
此外,附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图对本公开示例实施方式进行详细说明。
图1是本公开示例性实施例中反应炉的控制方法的流程图。
参考图1,反应炉的控制方法包括:
步骤S102,确定反应炉的输入功率。
步骤S104,确定反应炉的入料热量、反应热量、热量损失和出料热量。
步骤S106,根据入料热量、反应热量、热量损失和出料热量确定反应炉的目标发热量。
步骤S108,根据入料热量和热量损失确定热量修正值。
步骤S110,根据热量修正值和目标发热量对输入功率进行调整。
在上述实施例中,通过确定反应炉的输入功率,并确定反应炉的入料热量、反应热量、热量损失和出料热量,根据入料热量、反应热量、热量损失和出料热量确定反应炉的目标发热量,并根据入料热量和热量损失确定热量修正值,根据热量修正值和目标发热量对输入功率进行调整,提高了反应炉的能效利用率,还提高了产品产量和质量,降低了能耗成本。
在本公开的一种示例性实施例中,反应炉的电极插入炉料进行埋弧操作,当电极通电时产生电弧,利用电弧的能量及电流通过炉料时因炉料的电阻而产生的能量来熔炼金属,熔炼过程中产生的热量和消耗的热量满足热量守恒定律,因此,在确定反应炉的入料热量、反应热量、热量损失和出料热量后,根据热量平衡模型确定反应炉的目标发热量,以提高调节反应炉的功率的准确性和可靠性。
在本公开的一种示例性实施例中,热量修正值为包含符号的数值,如果热量修正值为负值或负值,则根据目标热量值与热量修正值的加和结果来调整功率,再根据调整后的热量值得到调整后的输入功率。
如图2所示,确定反应炉的入料热量、反应热量、热量损失和出料热量包括:
步骤S202,根据反应炉中的反应物的物料量确定反应热量。
步骤S204,确定反应炉的入料热量和出料热量。
步骤S206,根据反应炉的结构确定热量损失。
在上述实施例中,通过根据反应炉中的反应物的物料量确定反应热量,确定反应炉的入料热量和出料热量,并根据反应炉的结构确定热量损失,提高了反应炉的功率调节的可靠性,提高了能效利用率。
在本公开的一种示例性实施例中,通过根据反应炉中的反应物的物料量确定反应热量,即通过物料量计算反应热量的理论值,物料量为体积、重量、流量或容积等,但不限于此。
在本公开的一种示例性实施例中,通过检测温度、入料比热容和入料量确定反应炉的入料热量,以及通过检测温度、出料比热容和出料量确定反应炉的出料热量。
在本公开的一种示例性实施例中,根据反应炉的结构确定反应过程中的热量损失,主要是确定反应炉的热传导和热辐射导致的热量损失,并基于此确定目标热量值,以降低热量损失对反应过程造成的影响,提高了反应炉的功率调节的可靠性和准确度,进一步提高了能效利用率。
在本公开的一种示例性实施例中,反应炉的结构包括炉壁、水冷系统和排烟系统,在反应炉工作过程中,通过炉壁、水冷系统和排烟系统等结构流失的热量均属于损失热量。
如图3所示,反应炉的控制方法还包括:
步骤S302,确定用于对神经网络模型进行训练的入料热量样本。
步骤S304,获取反应炉的热量损失样本。
步骤S306,根据反应炉的反应历史记录确定热量修正值样本。
步骤S308,以入料热量样本和热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练。
在上述实施例中,通过确定用于对神经网络模型进行训练的入料热量样本,获取反应炉的热量损失样本,并根据反应炉的反应历史记录确定热量修正值样本,以入料热量样本和热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练,提高了神经网络模型的预测准确性,提高了反应炉的功率调节的可靠性和准确度。
如图4所示,热量损失样本包括烟气热量损失样本,以入料热量样本和热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练包括:
步骤S402,以入料热量样本和烟气热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练。
在上述实施例中,通过以入料热量样本和烟气热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练,丰富了神经网络模型的输入样本,提高了模型的预测准确度,提高了反应炉的功率调节的可靠性和准确度。
如图5所示,热量损失样本包括炉壁热量损失样本,以入料热量样本和热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练包括:
步骤S502,以入料热量样本和炉壁热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练。
在上述实施例中,通过以入料热量样本和炉壁热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练,提高了输入样本的多样性,提高了反应炉的功率调节的可靠性和准确度。
在本公开的一种示例性实施例中,热量损失样本包括烟气热量损失样本和炉壁热量损失样本,以入料热量样本和热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练包括:通过以入料热量样本、烟气热量损失样本和炉壁热量损失样本作为神经网络模型的输入样本,以热量修正值样本作为神经网络模型的输出结果,对神经网络模型进行训练,提高了输入样本的复杂度,进一步提高了反应炉的功率调节的准确度。
如图6所示,根据反应炉的反应历史记录确定热量修正值样本包括:
步骤S602,根据反应历史记录中的出渣重量、渣料比热容和出渣温度确定出渣热量损失样本,并将出渣热量损失样本确定为热量修正值样本。
在本公开的一种示例性实施例中,反应历史记录中的出渣温度包括测量的实际出渣温度与根据出渣热量计算得到的理想出渣温度,通过根据反应历史记录中的出渣重量、渣料比热容和实际出渣温度确定出渣热量损失样本,或根据反应历史记录中的出渣重量、渣料比热容和理想出渣温度确定出渣热量损失样本,或根据反应历史记录中的出渣重量、渣料比热容和实际出渣温度与理想出渣温度之间的渣温差值确定出渣热量损失样本,并将出渣热量损失样本确定为热量修正值样本,提高了模型输入样本的多样性,提高了模型预测的准确性,并提高了反应炉的控制功率的准确度。
步骤S604,根据反应历史记录中的出料重量、出料比热容和出料温度确定出料热量损失样本,并将出料热量损失样本确定为热量修正值样本。
在本公开的一种示例性实施例中,反应历史记录中的出料温度包括测量的实际出料温度与根据出料热量计算得到的理想出渣温度,通过根据反应历史记录中的出料重量、出料比热容和实际出料温度确定出料热量损失样本,或根据反应历史记录中的出料重量、出料比热容和理想出渣温度确定出料热量损失样本,或根据反应历史记录中的出料重量、出料比热容和实际出料温度与理想出料温度之间的料温差值确定出料热量损失样本,并将出料热量损失样本确定为热量修正值样本,丰富了模型的输入样本,提高了模型预测的可靠性,并提高了反应炉调节功率的准确性。
步骤S606,根据出渣热量损失样本和出料热量损失样本确定热量修正值样本。
在上述实施例中,通过根据反应历史记录中的出渣重量、渣料比热容和出渣温度确定出渣热量损失样本,并将出渣热量损失样本确定为热量修正值样本,或通过根据反应历史记录中的出料重量、出料比热容和出渣温度确定出料热量损失样本,并将出料热量损失样本确定为热量修正值样本,或通过根据出渣热量损失样本和出料热量损失样本确定热量修正值样本,以多种方式确定热量修正值样本,丰富了模型训练的样本集,也提高了模型预测的准确度,提高了反应炉的控制方法的可信度。
如图7所示,根据热量修正值和目标发热量对输入功率进行调整包括:
步骤S702,确定热量修正值和目标发热量的加和值。
步骤S704,根据加和值确定输入功率的调整量。
步骤S706,根据调整量对反应炉的加热电极的加热功率进行调整。
在上述实施例中,通过确定热量修正值和目标发热量的加和值,根据加和值确定输入功率的调整量,根据调整量对反应炉的加热电极的加热功率进行调整,提高了输入功率的准确性,提升了反应炉的能效利用率。
实施例一:
在本公开实施例中,以矿热电炉为反应炉为例,对反应炉的控制方法进行说明,具体步骤如下:
步骤一,测量工艺参数:
如图8所示,参考反应炉结构800,能够得知矿热电炉808内的热量收支情况,矿热电炉808的炉内外热量包括电能发热Qi1、进料带入热量Qi2、反应生热Qi3、炉墙损失热量Qo1、电炉烟气热量Qo2、炉渣显热Qo3和出料显热Qo4。
在本公开实施例中,以电能发热Qi1为目标发热量为例,以进料带入热量Qi2为入料热量为例,以反应生热Qi3为反应热量为例,以炉墙损失显热Qo1为炉壁热量损失为例,以电炉烟气热量Qo2为烟气热量损失为例,以炉渣显热Qo3为出渣热量为例,以出料显热Qo4为出料热量为例,为获得各部分热量值,对关键工艺参数进行测量,具体如下:
(1)在加料仓802的仓壁设置热电阻,对进料温度Ti2进行测量。在加料仓802底部设置称重模块,对进料重量Wi2进行测量,其中,可以通过加料阀804控制进料重量Wi2。
(2)在矿热电炉的冷却水管路设置热电偶和流量计,分别对冷却水温度To1和冷却水流量Fo1进行测量。
(3)在矿热电炉的烟道设置热电偶和流量计,分别对烟气温度To2和烟气流量Fo2进行测量。
(4)矿热电炉的出渣温度To3和出料温度To4无法在炉内实时测量,对此利用热电偶分别在矿热电炉的出渣流槽810和出料流槽812对出渣温度To3和出料温度To4进行离线测量。
(5)使用电炉变压器806输入电功率,在矿热电炉工作时,将各工艺参数的测量值传输至电炉优化控制系统,进行下一步控制。
步骤二,计算电热平衡模型及功率设定值:
根据热量平衡原理得知,输入与输出热量总和相等,则电热平衡模型可以用以下公式来表示:
Qi1+Qi2+Qi3=Qo1+Qo2+Qo3+Qo4+ΔQ (1)
其中,ΔQ为热量修正值。
假定各热量单位为J/h,进一步计算得出矿热电炉所需的电功率的表达式如下:
其中,电功率的单位为kW。
基于上述电热平衡模型,采用如下步骤对最优功率设定值进行计算:
(1)根据工艺需要,设定理想出渣温度TS_idea和理想出料温度TM_idea,理想出渣温度TS_idea和理想出料温度TM_idea为开氏温度。
(2)在室温环境下实时测量进料输入温度Ti2和进料称重Wi2,输入温度Ti2为开氏温度,计算Δt时间内累计进料带入热量Qi2的表达式如下:
其中,t1为电炉反应周期内的出渣和出料的第一时刻,t2为电炉反应周期内的出渣和出料的第二时刻,C1为进料比热容,298K(即开氏温度)代表常温状态,近似为25℃。
实时测量烟气温度To2和烟气流量Fo2,Δt=t2-t1,烟气温度To2为开氏温度,计算Δt时间内累计电炉烟气热量Qo2的表达式如下:
其中,C2为烟气比热容。
实时测量冷却水温度To1和冷却水流量Fo1,冷却水温度To1为开氏温度,计算Δt时间内累计炉墙损失热量Qo1的表达式如下:
其中,C3为冷却水的比热容。
(3)根据化学反应方程式,计算Δt时间内累计反应生热Qi3的表达式如下:
其中,热焓HI由反应炉工艺的化学反应方程式决定。
(4)根据化学反应方程式,计算Δt时间内累计炉渣显热Qo3的表达式如下:
另外,出料显热Qo4的表达式如下:
其中系数K1和K2由反应炉内的反应物的成份和比热容决定。
(5)根据热平衡方程计算所需电能发热量Qi1的表达式如下:
Qi1=Qo1+Qo2+Qo3+Qθ4-Qi2-Qi3+ΔQ (9)
步骤三,神经网络误差模型(即神经网络模型)训练:
实际生产中,由于各测量环节存在误差,或物料成份存在波动,导致前述计算结果出现偏差,使得出渣温度和出料温度偏离理想值。
为解决这一问题,训练神经网络误差模型得到热量修正值来对输入功率进行修正。
如图9所示,将进料带入热量Qi2作为神经网络误差模型的第一输入值902,将电炉烟气热量Qo2作为神经网络误差模型的第二输入值904,将炉墙损失热量Qo1作为神经网络误差模型的第三输入值906,将所需的热量修正值ΔQ作为神经网络误差模型的输出值910,加上神经网络误差模型的隐含层908,建立如图9所示的神经网络模型结构。
其中,神经网络误差模型包括但不限于BP(Back-propagation,反向传播)神经网络模型和卷积神经网络。
对上述神经网络误差模型进行训练时,利用每次测得的出料重量、出料比热容和出渣温度确定出料热量,利用每次测得的出渣重量、渣料比热容和出渣温度确定出渣热量,通过测得的出料热量和出渣温度计算出热量偏差数据作为神经网络误差模型训练时使用的输出数据,并利用实测工艺参数计算矿热电炉产生炉渣和炉料的周期内的进料带入热量Qi2、电炉烟气热量Qo2和炉墙损失热量Qo1作为神经网络误差模型训练时使用的输入数据,具体训练步骤如下:
(1)在矿热电炉排渣和排料期间分别离线测得出渣温度To3和出料温度To4。
计算出渣温度To3与工艺理想渣温Tidea3的偏差值ΔT3=To3-Tidea3。
计算出料温度To4与工艺理想料温Tidea4的偏差值ΔT4=To4-Tidea4。
(2)将温度偏差值转换为热量偏差值ΔQ的表达式如下:
其中,A4由出渣成份占比和出渣比热容决定,A5由出料成份占比和出料比热容决定,t3为电炉反应周期内的出渣和出料的第三时刻,t4为电炉反应周期内的出渣和出料的第四时刻。
(3)根据上述电热平衡模型中的公式(1)至公式(9),计算在出渣和出料的周期时间间隔Δt2累计的进料带入热量Qi2,电炉烟气热量Qo2,及炉墙损失热量Qo1,Δt2=t4-t3。
(4)将Qi2、Qo2、Qo1和ΔQ的值分别代入到神经网络模型中对其进行训练。
步骤四,功率设定值修正:
利用步骤三中生成的神经网络误差模型,对步骤二中的基于电热平衡模型的计算值进行修正,得到最终的电功率值的步骤如下:
(1)将步骤二中得到的进料带入热量Qi2、电炉烟气热量Qo2、及炉墙损失热量Qo1作为输入带入神经网络误差模型,得到热量偏差修正值ΔQ。
(2)对步骤二中得到的所需电能发热量Qi1值进行修正,修正后的值Q′I1=Qi1-ΔQ。
(3)计算矿热电炉所需电功率值P的表达式如下:
由其做为矿热电炉功率控制的设定值,电极功率控制系统根据该设定值对电极功率进行进一步的控制。
如图10所示,反应炉的控制系统包括电热平衡模型1002和神经网络模型1004。
在本公开的一种示例性实施例中,矿热电炉的控制系统包括测量仪表(温度、流量及称重传感器)、优化控制器和电极功率控制器。其中,测量仪表将测量到的工艺参数的信号值传送至优化控制器,在优化控制器中,使用电热平衡模型1002对电输入热量进行计算,并通过神经网络模型1004对计算得到的电输入热量进行修正,将修正后的电输入热量传输至电极功率控制器,由其控制矿热电炉的电极的输出功率达到最优功率设定值。
对应于上述方法实施例,本公开还提供一种反应炉的控制装置,可以用于执行上述方法实施例。
图11是本公开示例性实施例中一种反应炉的控制装置的方框图。
参考图11,反应炉的控制装置1100包括:
确定模块1102,用于确定所述反应炉的输入功率。
上述确定模块1102还用于,确定所述反应炉的入料热量、反应热量、热量损失和出料热量。
上述确定模块1102还用于,根据所述入料热量、所述反应热量、所述热量损失和所述出料热量确定所述反应炉的目标发热量。
上述确定模块1102还用于,根据所述入料热量和所述热量损失确定热量修正值。
修正模块1104,用于根据所述热量修正值和目标发热量对所述输入功率进行调整。
由于装置1100的各功能已在其对应的方法实施例中予以详细说明,本公开于此不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图12来描述根据本发明的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图12所示,电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于:上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230。
其中,上述存储单元存储有程序代码,上述程序代码可以被上述处理单元1210执行,使得上述处理单元1210执行本说明书上述“示例性方法”中描述的根据本发明各种示例性实施方式的步骤。例如,上述处理单元1210可以执行如本公开实施例所示的方法。
存储单元1220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)12201和/或高速缓存存储单元12202,还可以进一步包括只读存储单元(ROM)12203。
存储单元1220还可以包括具有一组(至少一个)程序模块12205的程序/实用工具12204,这样的程序模块12205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1200也可以与一个或多个外部设备1320(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1200交互的设备通信,和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1250进行。并且,电子设备1200还可以通过网络适配器1290与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因网)通信。如图所示,网络适配器1290通过总线1230与电子设备1200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、分地在用户设备上执行、作为一个独立的软件包执行、分在用户计算设备上分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和构思由权利要求指出。
Claims (8)
1.一种反应炉的控制方法,其特征在于,包括:
确定所述反应炉的输入功率;
确定所述反应炉的入料热量、反应热量、热量损失和出料热量;
根据所述入料热量、所述反应热量、所述热量损失和所述出料热量确定所述反应炉的目标发热量;
根据所述入料热量和所述热量损失确定热量修正值;
根据所述热量修正值和目标发热量对所述输入功率进行调整,
确定所述反应炉的入料热量、反应热量、热量损失和出料热量包括:
根据所述反应炉中的反应物的物料量确定所述反应热量;
通过检测温度、入料比热容和入料量确定所述反应炉的入料热量,通过检测温度、出料比热容和出料量确定所述反应炉的出料热量;
根据所述反应炉的结构确定所述热量损失,
所述反应炉的控制方法,还包括:
确定用于对神经网络模型进行训练的入料热量样本;
获取所述反应炉的热量损失样本;
根据所述反应炉的反应历史记录确定热量修正值样本;
以所述入料热量样本和所述热量损失样本作为所述神经网络模型的输入样本,以所述热量修正值样本作为所述神经网络模型的输出结果,对所述神经网络模型进行训练。
2.根据权利要求1所述的反应炉的控制方法,其特征在于,所述热量损失样本包括烟气热量损失样本,以所述入料热量样本和所述热量损失样本作为所述神经网络模型的输入样本,以所述热量修正值样本作为所述神经网络模型的输出结果,对所述神经网络模型进行训练包括:
以所述入料热量样本和所述烟气热量损失样本作为所述神经网络模型的输入样本,以所述热量修正值样本作为所述神经网络模型的输出结果,对所述神经网络模型进行训练。
3.根据权利要求1所述的反应炉的控制方法,其特征在于,所述热量损失样本包括炉壁热量损失样本,以所述入料热量样本和所述热量损失样本作为所述神经网络模型的输入样本,以所述热量修正值样本作为所述神经网络模型的输出结果,对所述神经网络模型进行训练包括:
以所述入料热量样本和所述炉壁热量损失样本作为所述神经网络模型的输入样本,以所述热量修正值样本作为所述神经网络模型的输出结果,对所述神经网络模型进行训练。
4.根据权利要求1所述的反应炉的控制方法,其特征在于,根据所述反应炉的反应历史记录确定热量修正值样本包括:
根据所述反应历史记录中的出渣重量、渣料比热容和出渣温度确定出渣热量损失样本,并将所述出渣热量损失样本确定为所述热量修正值样本;
和/或,根据所述反应历史记录中的出料重量、出料比热容和出料温度确定出料热量损失样本,并将所述出料热量损失样本确定为所述热量修正值样本;
和/或,根据所述出渣热量损失样本和所述出料热量损失样本确定所述热量修正值样本。
5.根据权利要求1至4中任意一项所述的反应炉的控制方法,其特征在于,根据所述热量修正值和目标发热量对所述输入功率进行调整包括:
确定所述热量修正值和所述目标发热量的加和值;
根据所述加和值确定所述输入功率的调整量;
根据所述调整量对所述反应炉的加热电极的加热功率进行调整。
6.一种反应炉的控制装置,其特征在于,包括:
确定模块,用于确定所述反应炉的输入功率;
所述确定模块还用于,确定所述反应炉的入料热量、反应热量、热量损失和出料热量;
所述确定模块还用于,根据所述入料热量、所述反应热量、所述热量损失和所述出料热量确定所述反应炉的目标发热量;
所述确定模块还用于,根据所述入料热量和所述热量损失确定热量修正值;
修正模块,用于根据所述热量修正值和目标发热量对所述输入功率进行调整,
在所述确定模块中,根据所述反应炉中的反应物的物料量确定所述反应热量;通过检测温度、入料比热容和入料量确定所述反应炉的入料热量,通过检测温度、出料比热容和出料量确定所述反应炉的出料热量;根据所述反应炉的结构确定所述热量损失,
在所述确定模块中,确定用于对神经网络模型进行训练的入料热量样本;获取所述反应炉的热量损失样本;根据所述反应炉的反应历史记录确定热量修正值样本;以所述入料热量样本和所述热量损失样本作为所述神经网络模型的输入样本,以所述热量修正值样本作为所述神经网络模型的输出结果,对所述神经网络模型进行训练。
7.一种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1-5中任一项所述的反应炉的控制方法。
8.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如权利要求1-5中任一项所述的反应炉的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110410492.1A CN113108615B (zh) | 2021-04-13 | 2021-04-13 | 反应炉的控制方法、装置、介质与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110410492.1A CN113108615B (zh) | 2021-04-13 | 2021-04-13 | 反应炉的控制方法、装置、介质与电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113108615A CN113108615A (zh) | 2021-07-13 |
CN113108615B true CN113108615B (zh) | 2022-12-16 |
Family
ID=76717934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110410492.1A Active CN113108615B (zh) | 2021-04-13 | 2021-04-13 | 反应炉的控制方法、装置、介质与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113108615B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3231601B2 (ja) * | 1995-11-21 | 2001-11-26 | トヨタ自動車株式会社 | 電気炉の温度制御方法および装置 |
CN101576737B (zh) * | 2008-05-08 | 2011-08-10 | 肖艳义 | 一种电弧炉节能控制方法及系统 |
CN101329567B (zh) * | 2008-07-22 | 2010-06-23 | 朱荣 | 一种电弧炉能量分段输入控制方法 |
CN101403567A (zh) * | 2008-11-21 | 2009-04-08 | 冶金自动化研究设计院 | 基于svm的电弧炉终点温度预报系统 |
CN101833288B (zh) * | 2009-03-12 | 2012-08-08 | 宝山钢铁股份有限公司 | 一种基于物料熔化模型的电弧炉的供电控制方法 |
CN205170947U (zh) * | 2015-11-16 | 2016-04-20 | 西安电炉研究所有限公司 | 一种基于能量平衡的连续加料高钛渣冶炼电炉系统 |
-
2021
- 2021-04-13 CN CN202110410492.1A patent/CN113108615B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113108615A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608492B (zh) | 一种基于鲁棒随机权神经网络的多元铁水质量软测量方法 | |
JP4911487B2 (ja) | 混合気体の精密流量及び発熱量測定方法及び装置 | |
CN105784149B (zh) | 用于通过壁测量介质的温度的设备 | |
EP3139142B1 (en) | Temperature measuring method | |
JPWO2013111777A1 (ja) | 燃料供給システム、燃料電池システム、及びそれらの運転方法 | |
JP5122238B2 (ja) | コジェネレーションシステム | |
JP6664194B2 (ja) | 石炭昇温予測管理システム | |
CN113108615B (zh) | 反应炉的控制方法、装置、介质与电子设备 | |
JPH09147893A (ja) | 燃料電池発電装置 | |
CN111518980B (zh) | 一种转炉终点碳含量预报模型的修正方法和系统 | |
CN113108614B (zh) | 反应炉的控制方法、装置、介质与电子设备 | |
JP2006513424A (ja) | 高精度ガスエネルギーメーター | |
CN116050955B (zh) | 基于数字孪生的二氧化碳排放量统计方法、装置及设备 | |
CN110567534A (zh) | 一种玻璃熔窑中助燃空气出口流量的预测方法及相关装置 | |
CN104679061A (zh) | 一种基于大林算法的温度控制系统 | |
CN103276147A (zh) | 一种lf精炼过程钢水温度的预报方法 | |
CN202018348U (zh) | 温度传感器综合校验台 | |
JP5464326B2 (ja) | 物理量制御装置、物理量制御方法及び物理量制御プログラム | |
Cui et al. | Estimation-based model predictive control of an electrically-heated steam methane reforming process | |
CN208254662U (zh) | 一种加热炉板坯温度检测系统 | |
KR101246513B1 (ko) | 고로의 노열 변동 예측방법 | |
Enjing et al. | The design of temperature control system of test chamber based on predictive control algorithm | |
CN202420704U (zh) | 金属液温度检测装置 | |
JP2002184441A (ja) | 燃料電池装置 | |
CN115074475A (zh) | 一种热风炉煤气消耗量预测方法、装置、设备和介质 |
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 |