CN113110054A - 一种烧结机自学习控制方法 - Google Patents

一种烧结机自学习控制方法 Download PDF

Info

Publication number
CN113110054A
CN113110054A CN202110410406.7A CN202110410406A CN113110054A CN 113110054 A CN113110054 A CN 113110054A CN 202110410406 A CN202110410406 A CN 202110410406A CN 113110054 A CN113110054 A CN 113110054A
Authority
CN
China
Prior art keywords
parameter information
real
information
time
initial
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.)
Granted
Application number
CN202110410406.7A
Other languages
English (en)
Other versions
CN113110054B (zh
Inventor
刘新平
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.)
Lengshuijiang Iron & Steel Co ltd
Original Assignee
Lengshuijiang Iron & Steel 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 Lengshuijiang Iron & Steel Co ltd filed Critical Lengshuijiang Iron & Steel Co ltd
Priority to CN202110410406.7A priority Critical patent/CN113110054B/zh
Publication of CN113110054A publication Critical patent/CN113110054A/zh
Application granted granted Critical
Publication of CN113110054B publication Critical patent/CN113110054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive 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
    • G05B13/042—Adaptive 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
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22B—PRODUCTION AND REFINING OF METALS; PRETREATMENT OF RAW MATERIALS
    • C22B1/00—Preliminary treatment of ores or scrap
    • C22B1/14—Agglomerating; Briquetting; Binding; Granulating
    • C22B1/16—Sintering; Agglomerating
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Environmental & Geological Engineering (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本发明公开了一种烧结机自学习控制方法，获取初始的参数信息与预设的运行信息；当所述初始的参数信息符合正常生产状态时，将所述初始的参数信息进行存储，并生成一个初始的结构数组；当初始的所述结构数组被生成后，获取实时的参数信息；当所述波动状态为正常波动时，判断所述实时的参数信息是否符合正常生产状态；当所述实时的参数信息符合正常生产状态时，将对应的所述实时的参数信息存储，并生成实时的所述结构数组；读取所述预设的运行信息，当所述预设的运行信息与实际的生产需求相匹配时，实时调取与所述运行需求相匹配所述结构数组，按调取的所述结构数组中的设定参数控制生产过程中机器的运行，使得本发明能实现烧结过程中的稳定高产。

Description

一种烧结机自学习控制方法
技术领域
本发明涉及烧结机控制领域，尤其涉及一种烧结机自学习控制方法。
背景技术
在冶金领域，烧结机是大型黑色冶金烧结厂烧结作业的重要组成工序，对烧结机参数的设定以及实时控制是否合适，直接影响物料的产量与质量。
而目前烧结机的生产操作主要是依靠工作人员进行参数设定和控制，虽然能够保证烧结过程的正常运转，但是，因为人员操作水平的参差不齐，使得生产达不到最优的状态，造成了生产指标波动大，不能稳定高产等一系列问题。
鉴于此，有必要提供一种烧结机自学习控制方法，以解决上述烧结生产过程中不能稳定高产的问题。
发明内容
针对上述技术问题，本发明的主要目的在于提供一种烧结机自学习控制方法，以解决上述烧结生产过程中不能稳定高产的技术问题。
为实现上述目的，本发明提供了一种烧结机自学习控制方法，包括：
获取初始的参数信息与预设的运行信息；
判断所述初始的参数信息是否符合正常生产状态；
其中，当所述初始的参数信息符合正常生产状态时，将所述初始的参数信息进行存储，并生成一个初始的结构数组；当所述初始的参数信息不符合正常生产状态时，将所述初始的参数信息删除，并再次获取所述初始的参数信息后进行判断；
当初始的所述结构数组被生成后，获取实时的参数信息；
判断所述实时的参数信息的波动状态；当所述波动状态为非正常波动时，删除对应的所述实时的参数信息；
当所述波动状态为正常波动时，判断所述实时的参数信息是否符合正常生产状态；
当所述实时的参数信息符合正常生产状态时，将对应的所述实时的参数信息存储，并生成实时的所述结构数组；当所述实时的参数信息不符合正常生产状态时，删除对应的所述实时的参数信息；
读取所述预设的运行信息，并判断所述预设的运行信息是否与实际的生产需求相匹配；
当所述预设的运行信息与实际的生产需求相匹配时，实时调取与所述运行需求相匹配的所述结构数组，并按调取的所述结构数组中的设定参数控制生产过程中机器的运行。
进一步地，所述实时的参数信息为：在生产过程中，获取的连续时间点的参数信息。
进一步地，所述参数信息包括设定信息和测试信息。
进一步地，所述设定信息包括烧结机布料速度和台车速度；所述测试信息包括产量、第一风箱温度、第二风箱温度、第三风箱温度，以及第一风箱压力、第二风箱压力、第三风箱压力。
进一步地，所述判断所述实时的参数信息的波动状态的步骤包括：
读取所述实时的参数信息中的数值，在所述所述实时的参数信息中出现空白数据或错乱的数据时，判定所述波动状态为非正常波动状态；反之，则判定所述波动状态为正常波动状态。
进一步地，所述初始的参数信息为第一次获取的所述参数信息；所述预设的运行信息包括生产类别信息、生产环境信息、生产过程中各参数的范围信息。
进一步地，所述判断所述初始的参数信息是否符合正常生产状态包括：当所述初始的参数信息中的参数信息与所述生产过程中各参数的范围信息相匹配，判定所述初始的参数信息符合正常生产状态；反之，则判定所述初始的参数信息不符合正常生产状态。
进一步地，所述判断所述实时的参数信息是否符合正常生产状态包括：当所述实时的参数信息中的参数信息与所述生产过程中各参数的范围信息相匹配时，判定所述实时的参数信息符合正常生产状态；反之，则判定所述实时的参数信息不符合正常生产状态。
与现有技术相比，本发明具有以下优点：
本发明能实现烧结过程中的稳定高产，通对各参数信息的录入并存储，并对所述参数信息进行波动状态分析和生产状态的分析，得到控制在预设范围内的结构数组。
此外，通过获取预设的运行信息，将预设的运行信息作为判断所述参数信息是否处于正常生产范围的指标，以及将其作为后续是否能够调用结构数组的一个关键点，实现了对参数信息的优选，以及对结构数组中参数信息的最优调取和对生产过程中的控制。
附图说明
为了更清楚地说明本发明实施例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的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明一实施例中一种烧结机自学习控制方法。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明的一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
需要说明，本发明实施方式中所有方向性指示(诸如上、下……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其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至少一个该特征。
并且，本发明各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参见图1，本发明提供一种烧结机自学习控制方法，包括：
步骤S1，获取初始的参数信息与预设的运行信息。其中，获取所述初始参数信息的目的是为了确定初步的参数读取点，以及初步判断读取的所述参数信息是否与生产相匹配；所述预设的运行信息可以作为后续各种判断的一个指标参数，以优选后续结构数组的存储和输出。
步骤S3，判断所述初始的参数信息是否符合正常生产状态，当所述初始的参数信息符合正常生产状态时，将所述初始的参数信息进行存储，并生成一个初始的结构数组。
为避免将不必要的数据进行存储，当所述初始的参数信息不符合正常生产状态时，将所述初始的参数信息删除，并再次获取所述初始的参数信息后进行判断。以重复获取并确认本次生产时的参数信息是否符合正常生产状态。
步骤S3，当初始的所述结构数组被生成后，获取实时的参数信息。只有当所述初始结构数组被生成后，才能初步确认本周期参数信息的获取与生产状态的一致性，在此基础上，才可进行后续的实施的参数信息的获取。
步骤S4，判断所述实时的参数信息的波动状态。
具体地，获取所述实时的参数信息时可能会出现波动，出现一些不必要的数据，为确保数据的有效性，只有当所述波动状态为正常波动状态时，才进行后续的处理；而当所述波动状态为非正常波动时，删除对应的所述实时的参数信息。
步骤S5，当所述波动状态为正常波动时，判断所述实时的参数信息是否符合正常生产状态。在所述波动状态正常时，还需逐一与正常生产状态结合起来进行判断，以获取最优的所述实时的参数信息。
步骤S6，当所述实时的参数信息符合正常生产状态时，将对应的所述实时的参数信息存储，并生成实时的所述结构数组。
此外，在一个周期内所获取的参数信息生产的多个所述结构数组为一组，以便于对其分别进行操作。
当所述实时的参数信息不符合正常生产状态时，删除对应的所述实时的参数信息。
需注意的是，经过相应设定的周期后，根据产量和工况的情况，以及对数据重新进行整理，还可手动保留符合现有生产的数据，删除不好的数据。
步骤S7，读取所述预设的运行信息，并判断所述预设的运行信息是否与实际的生产需求相匹配。
具体地，判断所述预设的运行信息是否与实际的生产需求相匹配可以更加精准地调取所需要的结构数组。
步骤S8，当所述预设的运行信息与实际的生产需求相匹配时，实时调取与所述运行需求相匹配所述结构数组，并按调取的所述结构数组中的设定参数控制生产过程中机器的运行。
在实时调取与所述运行需求相匹配所述结构数组时，需遵循最优原则，在所述预设的运行信息与实际的生产需求相匹配时，调取能达到最优产量的所述结构数组。
此外，所述的自学习控制方法能够与原有控制方法相互切换，满足人员控制要求。且，还可以根据生产过程中的变化情况，实时调取不同的所述结构数组中的设置参数信息，以实现自动化管控。
具体地，所述实时的参数信息为：在生产过程中，获取的连续时间点的参数信息。所述参数信息包括设定信息和测试信息。所述设定信息包括烧结机布料速度和台车速度；所述测试信息包括产量、第一风箱温度、第二风箱温度、第三风箱温度，以及第一风箱压力、第二风箱压力、第三风箱压力，其中的第一、第二、第三代表不同测试点。
此外，所述判断所述实时的参数信息的波动状态的步骤包括：
读取所述实时的参数信息中的数值，在所述所述实时的参数信息中出现空白数据或错乱的数据时，判定所述波动状态为非正常波动状态；反之，则判定所述波动状态为正常波动状态。
所述初始的参数信息为第一次获取的所述参数信息；所述预设的运行信息包括生产类别信息、生产环境信息、生产过程中各参数的范围信息。
进一步地，所述判断所述初始的参数信息是否符合正常生产状态包括：当所述初始的参数信息中的参数信息与所述生产过程中各参数的范围信息相匹配，判定所述初始的参数信息符合正常生产状态；反之，则判定所述初始的参数信息不符合正常生产状态。
所述判断所述实时的参数信息是否符合正常生产状态包括：当所述实时的参数信息中的参数信息与所述生产过程中各参数的范围信息相匹配时，判定所述实时的参数信息符合正常生产状态；反之，则判定所述实时的参数信息不符合正常生产状态。
本发明的具体工作原理为：首先，分时段对各指标参数的录入并存储；冰并对所录入的数据进行分析，提取指标达到要求的操作参数，删除指标比较差的操作记录；在生产时，根据实际生产情况的查找相同的操作参数对烧结机进行控制。
本发明通过对烧结机布料速度Vp、台车速度Vt、产量Q、风箱温度、风箱压力、记录，分析，建立以生产大周期为数目，能体各参数变化及作用时间的结构数组，所述机构数组的内容包括布料速度Vp、台车速度Vt、产量Q、第一风箱温度T1、第一风箱温度T2、第一风箱温度T3、第一风箱压力P1、第一风箱压力P2、第一风箱压力P3。
在生产时，提取出烧结机正常工作时最佳的参数组合，再根据烧结实际的运行情况，以产量优先，结合温度、压力的条件，用数据来设定布料速度(Vp)、台车速度(Vt)、从而模似原来操作方式达到学习输出功能，找出最合适的参数组对其进行控制，达到稳产高产的目的。
本发明的上述技术方案中，以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的技术构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围。

Claims (8)

1.一种烧结机自学习控制方法，其特征在于，包括：
获取初始的参数信息与预设的运行信息；
判断所述初始的参数信息是否符合正常生产状态；
其中，当所述初始的参数信息符合正常生产状态时，将所述初始的参数信息进行存储，并生成一个初始的结构数组；当所述初始的参数信息不符合正常生产状态时，将所述初始的参数信息删除，并再次获取所述初始的参数信息后进行判断；
当初始的所述结构数组被生成后，获取实时的参数信息；
判断所述实时的参数信息的波动状态；当所述波动状态为非正常波动时，删除对应的所述实时的参数信息；
当所述波动状态为正常波动时，判断所述实时的参数信息是否符合正常生产状态；
当所述实时的参数信息符合正常生产状态时，将对应的所述实时的参数信息存储，并生成实时的所述结构数组；当所述实时的参数信息不符合正常生产状态时，删除对应的所述实时的参数信息；
读取所述预设的运行信息，并判断所述预设的运行信息是否与实际的生产需求相匹配；
当所述预设的运行信息与实际的生产需求相匹配时，实时调取与所述运行需求相匹配的所述结构数组，并按调取的所述结构数组中的设定参数控制生产过程中机器的运行。
2.根据权利要求1所述的烧结机自学习控制方法，其特征在于，所述实时的参数信息为：在生产过程中，获取的连续时间点的参数信息。
3.根据权利要求2所述的烧结机自学习控制方法，其特征在于，所述参数信息包括设定信息和测试信息。
4.根据权利要求3所述的烧结机自学习控制方法，其特征在于，所述设定信息包括烧结机布料速度和台车速度；所述测试信息包括产量、第一风箱温度、第二风箱温度、第三风箱温度，以及第一风箱压力、第二风箱压力、第三风箱压力。
5.根据权利要求1所述的烧结机自学习控制方法，其特征在于，所述判断所述实时的参数信息的波动状态的步骤包括：
读取所述实时的参数信息中的数值，在所述所述实时的参数信息中出现空白数据或错乱的数据时，判定所述波动状态为非正常波动状态；反之，则判定所述波动状态为正常波动状态。
6.根据权利要求1所述的烧结机自学习控制方法，其特征在于，所述初始的参数信息为第一次获取的所述参数信息；所述预设的运行信息包括生产类别信息、生产环境信息、生产过程中各参数的范围信息。
7.根据权利要求6所述的烧结机自学习控制方法，其特征在于，所述判断所述初始的参数信息是否符合正常生产状态包括：当所述初始的参数信息中的参数信息与所述生产过程中各参数的范围信息相匹配，判定所述初始的参数信息符合正常生产状态；反之，则判定所述初始的参数信息不符合正常生产状态。
8.根据权利要求7所述的烧结机自学习控制方法，其特征在于，所述判断所述实时的参数信息是否符合正常生产状态包括：当所述实时的参数信息中的参数信息与所述生产过程中各参数的范围信息相匹配时，判定所述实时的参数信息符合正常生产状态；反之，则判定所述实时的参数信息不符合正常生产状态。
CN202110410406.7A 2021-04-16 2021-04-16 一种烧结机自学习控制方法 Active CN113110054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110410406.7A CN113110054B (zh) 2021-04-16 2021-04-16 一种烧结机自学习控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110410406.7A CN113110054B (zh) 2021-04-16 2021-04-16 一种烧结机自学习控制方法

Publications (2)

Publication Number Publication Date
CN113110054A true CN113110054A (zh) 2021-07-13
CN113110054B CN113110054B (zh) 2024-03-15

Family

ID=76717949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110410406.7A Active CN113110054B (zh) 2021-04-16 2021-04-16 一种烧结机自学习控制方法

Country Status (1)

Country Link
CN (1) CN113110054B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441443A (zh) * 2008-09-18 2009-05-27 中冶长天国际工程有限责任公司 一种烧结控制参数的数据处理方法及装置
CN102072657A (zh) * 2010-12-30 2011-05-25 中南大学 一种基于多目标遗传算法的烧结布料过程优化控制方法
US20210086262A1 (en) * 2017-08-04 2021-03-25 Sumitomo Electric Sintered Alloy, Ltd. Manufacturing facility and manufacturing method of sintered product

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441443A (zh) * 2008-09-18 2009-05-27 中冶长天国际工程有限责任公司 一种烧结控制参数的数据处理方法及装置
CN102072657A (zh) * 2010-12-30 2011-05-25 中南大学 一种基于多目标遗传算法的烧结布料过程优化控制方法
US20210086262A1 (en) * 2017-08-04 2021-03-25 Sumitomo Electric Sintered Alloy, Ltd. Manufacturing facility and manufacturing method of sintered product

Also Published As

Publication number Publication date
CN113110054B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN114237155B (zh) 一种多轴数控加工的误差预测及补偿方法、系统及介质
CN103909325B (zh) 一种焊接质量监控系统
US20200250897A1 (en) Intelligent prognostics and health management system and method
CN115384017A (zh) 注塑生产调试系统及方法
CN107024907B (zh) 一种嵌入式全生命周期机床热误差补偿系统及方法
CN113886992B (zh) 一种基于多保真度数据的数字孪生建模方法
CN113110054A (zh) 一种烧结机自学习控制方法
GB2309804A (en) Acquiring data
CN117911192A (zh) 一种基于大数据分析的储能能量管理系统
CN117348573A (zh) 实时控制注塑生产质量方法及系统
CN110222100B (zh) 基于大数据显示工艺时序图的处理方法、系统及存储介质
CN107943009A (zh) 一种工业控制系统故障定位方法
CN108415372A (zh) 精密机床热误差补偿方法
CN113568944A (zh) 一种基于大数据数理统计的焊点质量分析系统及方法
KR100379184B1 (ko) 금형 제작용 공정계획 장치 및 그 방법
JPH02165928A (ja) 射出成形機における成形条件の最適化制御システム
CN114706743B (zh) 一种支持实时评估的综合评估方法
CN114330021A (zh) 一种基于远程监管平台的油耗效率计算系统
CN109710588A (zh) 一种切削数据服务控制系统及控制方法
CN111176110A (zh) 一种数控机械加工工艺参数自适应控制方法
CN113791593B (zh) 分散控制系统测点导出方法、系统、终端设备及可读存储介质
KR102243708B1 (ko) Hmi 시스템의 편집 툴 갱신 방법
US20020195734A1 (en) Method of and device for collecting knowledge of molding technique
CN116305929B (zh) 一种数控加工仿真方法、装置、设备及存储介质
CN111983949B (zh) 基于Dotnet上位机与下位机的设备控制方法和系统

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210713

Assignee: Lengshuijiang bloomer environmental protection energy Co.,Ltd.

Assignor: LENGSHUIJIANG IRON & STEEL Co.,Ltd.

Contract record no.: X2024980010474

Denomination of invention: A self-learning control method for sintering machine

Granted publication date: 20240315

License type: Common License

Record date: 20240726