CN113110041B - 一种自学习生成转炉出钢过程的倾角时长表的方法及系统 - Google Patents

一种自学习生成转炉出钢过程的倾角时长表的方法及系统 Download PDF

Info

Publication number
CN113110041B
CN113110041B CN202110296360.0A CN202110296360A CN113110041B CN 113110041 B CN113110041 B CN 113110041B CN 202110296360 A CN202110296360 A CN 202110296360A CN 113110041 B CN113110041 B CN 113110041B
Authority
CN
China
Prior art keywords
tapping
data
time
self
converter
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
CN202110296360.0A
Other languages
English (en)
Other versions
CN113110041A (zh
Inventor
陈跃华
梁小兵
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 CN202110296360.0A priority Critical patent/CN113110041B/zh
Publication of CN113110041A publication Critical patent/CN113110041A/zh
Application granted granted Critical
Publication of CN113110041B publication Critical patent/CN113110041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • CCHEMISTRY; METALLURGY
    • C21METALLURGY OF IRON
    • C21CPROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
    • C21C5/00Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
    • C21C5/28Manufacture of steel in the converter
    • CCHEMISTRY; METALLURGY
    • C21METALLURGY OF IRON
    • C21CPROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
    • C21C2300/00Process aspects
    • C21C2300/06Modeling of the process, e.g. for control purposes; CII
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00Technologies related to metal processing
    • Y02P10/25Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Carbon Steel Or Casting Steel Manufacturing (AREA)

Abstract

本发明涉及一种自学习生成转炉出钢过程的倾角时长表的方法及系统,该方法包括步骤:按出钢口使用次数和转炉的装炉量将人工手动出钢的历史数据分为若干个类,并剔除其中非常规出钢的数据;按均匀分布生成倾角设定值,指定倾角设定值的角度范围;挑选自学习训练数据集,为每一个出钢步骤建立一个停留时长预测模型,反复迭代使用所有的训练数据获得最新的模型权值;预测每一个步骤的停留时长,每个分类合成一张倾角时长表,由PLC自动选择。本发明解决了自动出钢控制系统中倾角时长表难以获取的问题,大大提高了倾角时长表的精度,大幅增强了倾角时长表的自适应能力,显著减少了操作人员调表的工作量。

Description

一种自学习生成转炉出钢过程的倾角时长表的方法及系统
技术领域
本发明涉及转炉自动控制技术领域,具体地涉及一种自学习生成转炉出钢过程的倾角时长表的方法及系统。
背景技术
转炉炼钢是当今世界上最主要的炼钢方法,钢产量占世界钢总产量的65%以上。随着市场对高品质钢的需求增多,如汽车板、高级船板、电工钢、不锈钢等,对转炉炼钢的钢水洁净度要求也越来越高,因此钢水的杂质元素含量要尽量少。在转炉炼钢末期,将钢水从转炉倾倒入钢包的过程中,炉渣也会伴随着钢水一起流入钢包内,影响钢水的洁净度。因此,严格控制出钢过程是避免钢包内混入钢渣的重要手段。
当前的转炉出钢是工作人员在摇炉房通过控制摇炉手柄来进行转炉的倾动控制,摇炉过程中的操作完全依赖于摇炉工的肉眼观察以及经验判断。摇炉工先操作转炉倾动到一定的角度,然后停留一段时间等待钢水逐渐流入钢包中,然后再次停留一段时间等待钢水流入钢包,就这样反复进行直到钢水出尽。
自动出钢的时候模仿人手动出钢的操作,将出钢过程分为若干个步骤,每一个步骤制定一个转炉倾角值和停留时长值,所有的这些步骤参数组成一张表,称为倾角时长表。自动出钢对倾角时长表要求有很高的自适应性,因为转炉的炉况复杂多变,很多因素对出钢过程都会产生影响。比如说出钢口的使用次数,出钢口用得越多则出钢越顺畅,出钢的速度就越快,从而出钢时间变短。还有转炉的装炉量,装炉量较多的时候出钢时间长,反之则出钢时间短。另外转炉在吹炼过程中产生的渣量情况,也会影响出钢时的溢渣情况。这些因素造成很难获取一个适应每一炉钢的倾角时长表,因此很有必要开发一个自学习系统,可以为自动出钢控制系统自动生成高适应性的优化的倾角时长表。
发明内容
针对现有技术中存在的问题,本发明的目的是提供一种自学习生成转炉出钢过程的倾角时长表的方法,以在炼钢车间复杂多变的炉况下,为自动出钢系统提供高适应性的优化的倾角时长表。
为实现上述目的,本发明采用如下技术方案:
根据本发明的一方面,提供了一种自学习生成转炉出钢过程的倾角时长表的方法,其可包括以下步骤:
S10、按出钢口使用次数和转炉的装炉量将人工手动出钢的历史数据分为若干个类,并根据出钢时间在分类的历史数据中剔除其中非常规出钢的数据;
S20、设置出钢起始倾角和结束倾角,按均匀分布生成倾角设定值并指定倾角设定值的角度范围;
S30、挑选自学习训练数据集,为每一个出钢步骤建立一个停留时长预测模型,反复迭代使用所有的训练数据,获得最新的模型权值;
S40、根据最新的模型权值预测每一个步骤的停留时长,每个分类合成一张倾角时长表发送给PLC,由PLC自动选择。
进一步地,S10中,按出钢口使用次数和转炉的装炉量将人工手动出钢的历史数据分为若干个类具体为:按出钢口使用次数将出钢口的寿命周期分为a个类,转炉的装炉量分为b个类,按这两个因素的组合将人工手动出钢的历史数据分为个类。
进一步地,S10中,根据出钢时间在分类的历史数据中剔除其中非常规出钢的数据具体为:根据出钢时间来剔除非常规出钢的数据,设置两个时长门槛值THL和THH,分别表示出钢时间最小值和最大值,若出钢时间小于最小值或者大于最大值,则表示本炉次出钢不是常规的,则该数据要剔除掉。
进一步地,S20中,设置出钢起始倾角和结束倾角,按均匀分布生成倾角设定值具体为:根据人工手动出钢的历史数据,确定转炉出钢第一个步骤所停留的倾角值和最后一个步骤出完钢的倾角值,再设置好一个合适的步骤数SN,按均匀分布生成每个步骤的倾角设定值。
进一步地,S20还包括:合并或拆分一些步骤的停留时长。
进一步地,S30具体包括:
S301、在分好类的历史数据集中挑选M次想要自学习的出钢数据,统计出里面每一炉每一个步骤的停留时长This,获取其中的最大值Tmax,将所有的停留时长除以Tmax,得到归一化的停留时长参数T1his(i,N),其中,i为步骤数,N为炉次号;
S302、为每一个出钢步骤建立一个停留时长预测模型,使用自学习训练数据集中前面的若干个数据预测其后一炉的停留时长值,其中,第i个步骤建立的停留时长预测模型为:
T1pre(i,N)=[ω1,i×T1his(i,N-1)+ω2,i×T1his(i,N-2)+…+ωA,i×T1his(i,N-A)],
其中,ω1,i~ωA,i为第i个步骤预测模型的权值,A为权值的个数,A<M,T1his(i,N-1)~T1his(i,N-A)为A炉钢第i个步骤的归一化停留时间,T1pre(i,N)为第N炉钢第i个步骤的归一化预测停留时间;
S303、反复迭代使用所有的训练数据,获得最新的模型权值,具体地,从自学习训练集中找到炉号为N的停留时长数据,与预测的值比较得到预测误差:
ΔT1diff(i,N)=T1his(i,N)-T1pre(i,N),
根据该误差按下式更新A个权值:
ωj,i=ωj,i+2ε·ΔT1diff(i,N)·T1his(i,N)1≤j≤A,
其中,ε为学习率;这样就完成了一次权值的迭代,下一次迭代则是使用自学习数据集中N-A+1~N炉的历史数据预测第N+1炉的停留时间,然后计算预测误差再更新一次权值;反复迭代M-A次,即可使用完自学习数据集中的所有历史数据,得到最新的权值W1,i~WA,i
进一步地,S40中,根据最新的权值表和最近的A炉钢的历史数据计算得到第i个步骤的停留时长的具体公式为:
Tpre(i,L)=[W1,i×T1his(i,L-1)+W2,i×T1his(i,L-2)+…+WA,i×T1his(i,L-A)]×Tmax
其中,L表示当前炉次。
进一步地,S40中,每个分类合成一张倾角时长表发送给PLC,由PLC自动选择具体为:
将每个分类的倾角设定值与预测的停留时长值合成一张倾角时长表,然后发送给PLC,PLC根据当前炉次的出钢口使用次数和装炉量自动选择一张表使用。
根据本发明的另一方面,还提供了一种自学习生成转炉出钢过程的倾角时长表的系统,其中,所述系统包括二级计算机和存储器,所述存储器中包含有人工手动出钢的数据,所述二级计算机中包含有自学习程序,可以自动生成倾角时长表供PLC控制器使用,从而完成如上所述的自学习生成转炉出钢过程的倾角时长表的方法。
本发明采用上述技术方案,具有的有益效果是:本发明实现了自学习为自动出钢控制系统生成优化的倾角时长表的功能,解决了自动出钢控制系统中倾角时长表难以获取的问题,大大提高了倾角时长表的精度,大幅增强了倾角时长表的自适应能力,显著减少了操作人员调表的工作量。
附图说明
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。
图1是本发明的一种自学习生成转炉出钢过程的倾角时长表的方法的流程图。
具体实施方式
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,本发明实施例提供一种自学习生成转炉出钢过程的倾角时长表的方法,包括以下步骤:
S10。按出钢口使用次数和转炉的装炉量将人工手动出钢的历史数据分为若干个类,根据出钢时间在分类的历史数据中剔除其中非常规出钢的数据。具体地包括:
S101、按出钢口使用次数和转炉的装炉量将人工手动出钢的历史数据分为若干个类。
按出钢口使用次数将出钢口的寿命周期分为a个类,转炉的装炉量分为b个类,按这两个因素的组合将人工手动出钢的历史数据分为a*b个类。例如,在一具体实施例中,按照现场的实际生产经验,按照出钢口使用次数分为3个类,装炉量分为2个类,那么可以将出钢历史数据分为6类。其中设定出钢口使用次数小于等于50炉为出钢口早期,大于50炉且小于等于150炉为出钢口中期,大于150炉为出钢口末期。装炉量大于等于160吨为装炉量正常,而装炉量小于160吨为装炉量偏少。
那么一共有6种组合,这6个分类分别是:出钢口早期装炉量偏少、出钢口早期装炉量正常、出钢口中期装炉量偏少、出钢口中期装炉量正常、出钢口末期装炉量偏少和出钢口末期装炉量正常。
S102、根据出钢时间在分类的历史数据中剔除其中非常规出钢的数据。
现场情况复杂多变,出钢的过程有时候有很大的差别,因此一些特殊情况下的出钢数据必须要剔除掉,以免影响了后期的自学习效果。比如新换出钢口后的第一炉钢,出钢非常慢,耗时很长。还有的时候,根据后面工序的要求,一炉钢水分配到两个钢包,先出一部分钢然后把转炉摇起来,再把剩下的钢出到另一个钢包里。像这样非常规的出钢历史数据是不能用来自学习的。
根据出钢时间来剔除非常规出钢的数据,设置两个时长门槛值THL和THH,分别表示出钢时间最小值和最大值,若出钢时间小于最小值或者大于最大值则表示本炉次出钢不是常规的,则该数据要剔除掉。例如,在一具体实施例中,设置THL=180s和THH=360s。
S20、设置出钢起始倾角和结束倾角,按均匀分布生成倾角设定值并指定倾角设定值的角度范围,必要时合并和拆分一些步骤的停留时长。具体地包括:
S201、设置出钢起始倾角和结束倾角,按均匀分布生成倾角设定值。
在转炉的倾角编码器安装好后,转炉的出钢角度一般是大致相同的。根据人工手动出钢的历史数据,确定转炉出钢第一个步骤所停留的倾角值和最后一个步骤出完钢的倾角值,再设置好一个合适的步骤数SN,按均匀分布生成每个步骤的倾角设定值。
比如在一具体实施例中,按历史数据确定第一个步骤的倾角为-78°,最终一个步骤的倾角为-101°,然后设置总共有24个步骤。按照均匀分布来分配,正好每个步骤间隔1°,那么这24个步骤的倾角设定值就是从-78°逐度减小到-101°。
S202、指定倾角设定值一定范围内都属于该角度区间。
由于人工出钢的时候每次停下来的倾角不可能完全一样,操作工凭经验进行操作,每次操作转炉停下来的时候,倾角都可能与其他炉次的有一定的误差。因此要指定一个角度范围,在手动出钢的时候,若转炉停下来的角度在倾角设定值的一定角度范围内都算作在该角度区间内。
比如在一具体实施例中,步骤之间的角度差为1°,那么就指定这个角度范围为±0.5°。设某个步骤的倾角设定值为-90°,那么人工操作的时候,转炉停下来的倾角位于-89.5°~-90.5°范围内,就都认为是处于该步骤的区间内。
S203、合并或拆分一些步骤的停留时长。
人工出钢的时候,有的操作工操作比较频繁有的比较少,操作频繁的时候出一炉钢可能分为将近30个步骤,操作少的时候可能只需要十几个步骤,而自动出钢的时候总步骤数是固定的,这样统计停留时间时就需要进行合并或拆分处理。
在人工操作频繁的时候,合并一些步骤。如果两个步骤都位于一个倾角设定值的角度范围内,那么就将这两个步骤的停留时间之和作为该步骤的停留时间。而在人工操作较少的时候,需要把一个较长的步骤拆分成两个甚至三个步骤,每个步骤的停留时间平均分配。
S30、挑选自学习训练数据集,为每一个出钢步骤建立一个停留时长预测模型,反复迭代使用所有的训练数据获得最新的模型权值。具体地包括:
S301、在分好类的历史数据集中挑选自学习训练数据集,并归一化停留时长值。
在分好类的历史数据集中挑选M次想要自学习的出钢数据,统计出里面每一炉每一个步骤的停留时长This,获取其中的最大值Tmax,将所有的停留时长除以Tmax,得到归一化的停留时长参数T1his(i,N),这里i为步骤数,N为炉次号,显然该值是小于等于1.0的。
比如在一具体实施例中,在出钢口中期装炉量正常的分类中挑选近期M个炉次的出钢历史数据,取M=20,每一炉又分为24个出钢步骤,那么就一共有480个停留时间值,设其中的最大值为Tmax=15.8s,将所有的停留时长除以Tmax,得到归一化的停留时长参数。
S302、为每一个出钢步骤建立一个停留时长预测模型。
为每一个出钢步骤建立一个停留时长预测模型,使用自学习训练数据集中前面的若干个数据预测其后一炉的停留时长值。
比如在一具体实施例中,为第i个步骤建立的停留时长预测模型为:
T1pre(i,N)=[ω1,i×T1his(i,N-1)+ω2,i×T1his(i,N-2)+…+ωA,i×T1his(i,N-A)],
其中,ω1,i~ωA,i为第i个步骤预测模型的权值,A为权值的个数,A<M,T1his(i,N-1)~T1his(i,N-A)为A炉钢第i个步骤的归一化停留时间,T1pre(i,N)为第N炉钢第i个步骤的归一化预测停留时间。
S303、反复迭代使用所有的训练数据获得最新的模型权值。
从自学习训练集中找到炉号为N的停留时长数据,与预测的值比较得到预测误差:
ΔT1diff(i,N)=T1his(i,N)-T1pre(i,N),
根据该误差按下式更新A个权值:
ωj,i=ωj,i+2ε·ΔT1diff(i,N)·T1his(i,N)1≤j≤A,
式中,ε为学习率。这样就完成了一次权值的迭代。下一次迭代则是使用自学习数据集中N-A+1~N炉的历史数据预测第N+1炉的停留时间,然后计算预测误差再更新一次权值。就这样反复迭代,共迭代M-A次,就可以使用完自学习数据集中的所有历史数据,得到最新的权值W1,i~WA,i
举例说明,设M=20,A=5,从出钢口中期装炉量正常的类中挑选20炉的历史数据,这20炉的第i个步骤的停留时长归一化之后为:
T1his(i)=[0.8354,0.8924,1.0,0.8038,07975,07152,0.9051,0.9177,0.8101,0.7152,0.9114,0.8354,0.9304,0.9557,0.8418,0.7975,0.7532,0.7785,0.7025,0.9304]。
预测模型中的5个权值的初始值统一设为0.2,学习率ε取0.09,那么取前5个数据预测第6个数据的值,与第6个数据相比较得到预测误差,按预测误差将5个权值更新一遍,这就完成了一次迭代;然后再用第2~6个数据使用更新后的权值预测第7个数据的值,再获取新的预测误差,并根据误差将5个权值再更新一遍。这样反复进行M-A次迭代,就使用完全部的M个数据了,最终得到第i步骤的最新权值为:
Wi=[0.2183,02170,0.2045,0.2060,0.2017]。
同理得出其它步骤的权值,最终得到当前类(出钢口中期装炉量正常)的一个24×5矩阵的权值表,保存在二级计算机中。
步骤S40,根据最新的权值预测每一个步骤的停留时长,每个分类合成一张倾角时长表发送给PLC,由PLC自动选择。具体地包括:
S401、二级计算机根据最新的权值预测每一个步骤的停留时长。
二级计算机根据最新的权值表和最近的A炉钢的历史数据计算得到第i个步骤的停留时长:
Tpre(i,L)=[W1,i×T1his(i,L-1)+W2,i×T1his(i,L-2)+…+WA,i×T1his(i,L-A)]×Tmax,
式中,L表示当前炉次,L-1~L-A表示最近的A炉钢的历史数据。举例来说,设最近的5炉钢第i个步骤的归一化停留时长为:
T1his(i)=[0.8361,0.9124,0.8788,0.9361,0.8932]。
则当前这一炉钢第i个步骤的停留时长为Tpre(i,L)=14.7445。同理可计算出当前炉次每个步骤的停留时长值。
S402、每个分类合成一张倾角时长表发送给PLC,由PLC自动选择。
二级计算机将每个分类的倾角设定值与预测的停留时长值合成一张倾角时长表,然后发送给PLC,PLC根据当前炉次的出钢口使用次数和装炉量自动选择一张表使用。
例如在一具体实施例中,当前炉次的出钢口使用次数为123次,装炉量165吨,那么相对应的类为出钢口中期装炉量正常,因此PLC会自动挑选该类所对应的那一张倾角时长表出来,供自动出钢控制系统使用。
这样按照上述步骤,自动出钢的时候转炉按照生成的倾角时长表逐步倾动,直到最终钢水出尽,出钢口滑板关闭,转炉上抬至零角度位,自动出钢的过程全部完成。
此外,本发明还公开了一种自学习生成转炉出钢过程的倾角时长表的系统,其中,所述系统包括二级计算机和存储器,所述存储器中包含有人工手动出钢的数据,所述二级计算机中包含有自学习程序,可以自动生成倾角时长表供PLC控制器使用,从而完成如上所述的自学习生成转炉出钢过程的倾角时长表的方法。
综上所述,本发明实施例提供的这种自学习生成转炉出钢过程的倾角时长表的方法,实现了自学习为自动出钢控制系统生成优化的倾角时长表的功能;解决了自动出钢控制系统中倾角时长表难以获取的问题,大大提高了倾角时长表的精度,大幅增强了倾角时长表的自适应能力,显著减少了操作人员调表的工作量。
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 (7)

1.一种自学习生成转炉出钢过程的倾角时长表的方法,其特征在于,包括以下步骤:
S10、按出钢口使用次数和转炉的装炉量将人工手动出钢的历史数据分为若干个类,并根据出钢时间在分类的历史数据中剔除其中非常规出钢的数据;
S20、设置出钢起始倾角和结束倾角,按均匀分布生成倾角设定值并指定倾角设定值的角度范围;
S30、挑选自学习训练数据集,为每一个出钢步骤建立一个停留时长预测模型,反复迭代使用所有的训练数据,获得最新的模型权值;
S40、根据最新的模型权值预测每一个步骤的停留时长,每个分类合成一张倾角时长表发送给PLC,由PLC自动选择;
S30具体包括:
S301、在分好类的历史数据集中挑选M次想要自学习的出钢数据,统计出里面每一炉每一个步骤的停留时长This,获取其中的最大值Tmax,将所有的停留时长除以Tmax,得到归一化的停留时长参数T1his(i,N),其中,i为步骤数,N为炉次号;
S302、为每一个出钢步骤建立一个停留时长预测模型,使用自学习训练数据集中前面的若干个数据预测其后一炉的停留时长值,其中,第i个步骤建立的停留时长预测模型为:
T1pre(i,N)=[ω1,i×T1his(i,N-1)+ω2,i×T1his(i,N-2)+…+ωA,i×T1his(i,N-A)],
其中,ω1,i~ωA,i为第i个步骤预测模型的权值,A为权值的个数,A<M,T1his(i,N-1)~T1his(i,N-A)为A炉钢第i个步骤的归一化停留时间,T1pre(i,N)为第N炉钢第i个步骤的归一化预测停留时间;
S303、反复迭代使用所有的训练数据,获得最新的模型权值,具体地,从自学习训练集中找到炉号为N的停留时长数据,与预测的值比较得到预测误差:
ΔT1diff(i,N)=T1his(i,N)-T1pre(i,N),
根据该误差按下式更新A个权值:
ωj,i=ωj,i+2ε·ΔT1diff(i,N)·T1his(i,N)1≤j≤A,
其中,ε为学习率;这样就完成了一次权值的迭代,下一次迭代则是使用自学习数据集中N-A+1~N炉的历史数据预测第N+1炉的停留时间,然后计算预测误差再更新一次权值;反复迭代M-A次,即可使用完自学习数据集中的所有历史数据,得到最新的权值W1,i~WA,i
S40中,根据最新的权值表和最近的A炉钢的历史数据计算得到第i个步骤的停留时长的具体公式为:
Tpre(i,L)=[W1,i×T1his(i,L-1)+W2,i×T1his(i,L-2)+…+WA,i×T1his(i,L-A)]×Tmax
其中,L表示当前炉次。
2.如权利要求1所述的方法,其特征在于,S10中,按出钢口使用次数和转炉的装炉量将人工手动出钢的历史数据分为若干个类具体为:按出钢口使用次数将出钢口的寿命周期分为a个类,转炉的装炉量分为b个类,按这两个因素的组合将人工手动出钢的历史数据分为个类。
3.如权利要求1所述的方法,其特征在于,S10中,根据出钢时间在分类的历史数据中剔除其中非常规出钢的数据具体为:根据出钢时间来剔除非常规出钢的数据,设置两个时长门槛值THL和THH,分别表示出钢时间最小值和最大值,若出钢时间小于最小值或者大于最大值,则表示本炉次出钢不是常规的,则该数据要剔除掉。
4.如权利要求1所述的方法,其特征在于,S20中,设置出钢起始倾角和结束倾角,按均匀分布生成倾角设定值具体为:根据人工手动出钢的历史数据,确定转炉出钢第一个步骤所停留的倾角值和最后一个步骤出完钢的倾角值,再设置好一个合适的步骤数SN,按均匀分布生成每个步骤的倾角设定值。
5.如权利要求1所述的方法,其特征在于,S20还包括:合并或拆分一些步骤的停留时长。
6.如权利要求1所述的方法,其特征在于,S40中,每个分类合成一张倾角时长表发送给PLC,由PLC自动选择具体为:
将每个分类的倾角设定值与预测的停留时长值合成一张倾角时长表,然后发送给PLC,PLC根据当前炉次的出钢口使用次数和装炉量自动选择一张表使用。
7.一种自学习生成转炉出钢过程的倾角时长表的系统,其特征在于,所述系统包括二级计算机和存储器,所述存储器中包含有人工手动出钢的数据,所述二级计算机中包含有自学习程序,可以自动生成倾角时长表供PLC控制器使用,从而完成如权利要求1-6中任一项所述的自学习生成转炉出钢过程的倾角时长表的方法。
CN202110296360.0A 2021-03-19 2021-03-19 一种自学习生成转炉出钢过程的倾角时长表的方法及系统 Active CN113110041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110296360.0A CN113110041B (zh) 2021-03-19 2021-03-19 一种自学习生成转炉出钢过程的倾角时长表的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110296360.0A CN113110041B (zh) 2021-03-19 2021-03-19 一种自学习生成转炉出钢过程的倾角时长表的方法及系统

Publications (2)

Publication Number Publication Date
CN113110041A CN113110041A (zh) 2021-07-13
CN113110041B true CN113110041B (zh) 2023-12-29

Family

ID=76712050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110296360.0A Active CN113110041B (zh) 2021-03-19 2021-03-19 一种自学习生成转炉出钢过程的倾角时长表的方法及系统

Country Status (1)

Country Link
CN (1) CN113110041B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072461A (ko) * 2010-12-24 2012-07-04 주식회사 포스코 전로 출강시 합금철 투입 제어방법 및 제어장치
CN104630410A (zh) * 2015-02-10 2015-05-20 东北大学 一种基于数据解析的转炉炼钢质量实时动态预测方法
CN107099637A (zh) * 2017-05-16 2017-08-29 山东钢铁股份有限公司 转炉自动出钢控制方法及系统
CN110438284A (zh) * 2019-08-26 2019-11-12 杭州谱诚泰迪实业有限公司 一种转炉智能出钢装置及控制方法
CN110598958A (zh) * 2019-10-10 2019-12-20 武汉科技大学 一种钢包分级管理分析方法及系统
CN110616289A (zh) * 2018-06-20 2019-12-27 宝山钢铁股份有限公司 一种转炉全自动出钢的出钢流量控制方法和系统
CN111663016A (zh) * 2020-04-30 2020-09-15 中冶南方工程技术有限公司 转炉出钢过程中倾动速度的自动控制方法
CN111944943A (zh) * 2020-09-03 2020-11-17 中冶赛迪技术研究中心有限公司 转炉出钢控制方法、系统
CN112347530A (zh) * 2020-09-27 2021-02-09 安徽工业大学 一种炼钢转炉出钢时间的计算方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6576039B2 (en) * 2001-07-02 2003-06-10 Tetron, Inc. Method and apparatus for metal pouring

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072461A (ko) * 2010-12-24 2012-07-04 주식회사 포스코 전로 출강시 합금철 투입 제어방법 및 제어장치
CN104630410A (zh) * 2015-02-10 2015-05-20 东北大学 一种基于数据解析的转炉炼钢质量实时动态预测方法
CN107099637A (zh) * 2017-05-16 2017-08-29 山东钢铁股份有限公司 转炉自动出钢控制方法及系统
CN110616289A (zh) * 2018-06-20 2019-12-27 宝山钢铁股份有限公司 一种转炉全自动出钢的出钢流量控制方法和系统
CN110438284A (zh) * 2019-08-26 2019-11-12 杭州谱诚泰迪实业有限公司 一种转炉智能出钢装置及控制方法
CN110598958A (zh) * 2019-10-10 2019-12-20 武汉科技大学 一种钢包分级管理分析方法及系统
CN111663016A (zh) * 2020-04-30 2020-09-15 中冶南方工程技术有限公司 转炉出钢过程中倾动速度的自动控制方法
CN111944943A (zh) * 2020-09-03 2020-11-17 中冶赛迪技术研究中心有限公司 转炉出钢控制方法、系统
CN112347530A (zh) * 2020-09-27 2021-02-09 安徽工业大学 一种炼钢转炉出钢时间的计算方法

Also Published As

Publication number Publication date
CN113110041A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN113088615B (zh) 一种基于视频识别技术的转炉出钢控制方法与系统
CN110245808B (zh) 一种基于需量控制的钢包炉优化调度方法
CN111304406B (zh) 一种钢包底吹氩控制方法及装置
CN110991916A (zh) 一种铸坯质量判定系统和方法
CN109182658B (zh) 一种rh精炼控制方法及装置
CN112560218B (zh) Lf精炼造渣石灰加入量预测方法、系统及lf精炼方法
CN113110041B (zh) 一种自学习生成转炉出钢过程的倾角时长表的方法及系统
CN103194574B (zh) 一种vod精炼终点碳含量预报模型的动态调整方法
CN111679622A (zh) 一种调控钢包底吹氩气流量的装置及方法
CN113961865A (zh) 一种大型转炉精确控制tsc阶段调温剂加入量的方法
CN108588341B (zh) 一种rh加料系统及其加料方法
JP6601631B2 (ja) 溶融金属精錬容器からの排滓量の推定方法および溶融金属の精錬方法
WO2015115467A1 (ja) 溶鋼鍋の出鋼引当て方法、製鋼工場の操業方法、及び溶鋼鍋の出鋼引当て装置
JP7156023B2 (ja) 連続鋳造操業支援装置、連続鋳造操業支援方法、およびプログラム
KR20120072461A (ko) 전로 출강시 합금철 투입 제어방법 및 제어장치
CN113655816B (zh) 钢包底吹氩系统流量控制方法及计算机可读存储介质
CN115584375A (zh) 一种基于图像识别的转炉自动出钢的方法及系统
CN112853033B (zh) 一种基于炉口图像分析的高效溅渣智能控制方法及系统
JP2751800B2 (ja) 製鋼プロセスにおける溶鋼温度管理方法
CN113881827A (zh) 一种钢包精炼炉的控制方法及装置
JP5621507B2 (ja) 溶鋼鍋の出鋼引当て方法及び溶鋼鍋の出鋼引当て装置
CN103290170A (zh) 一种lf精炼炉中加入合金重量的获取方法及装置
JP2012123772A (ja) 溶鋼鍋の出鋼引当て方法及び溶鋼鍋の出鋼引当て装置
POD et al. Ladle-nozzle opening and genetic programming
JP5672047B2 (ja) 溶鋼鍋の出鋼引当て方法及び溶鋼鍋の出鋼引当て装置

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