CN113239565B - 一种沸腾焙烧炉产品质量软测量方法及装置 - Google Patents
一种沸腾焙烧炉产品质量软测量方法及装置 Download PDFInfo
- Publication number
- CN113239565B CN113239565B CN202110582132.XA CN202110582132A CN113239565B CN 113239565 B CN113239565 B CN 113239565B CN 202110582132 A CN202110582132 A CN 202110582132A CN 113239565 B CN113239565 B CN 113239565B
- Authority
- CN
- China
- Prior art keywords
- model
- fluidized bed
- bed roaster
- production data
- neural network
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种沸腾焙烧炉产品质量软测量方法及装置,该方法包括:获取沸腾焙烧炉的多组生产数据,其中,生产数据是沸腾焙烧炉在生产时的多个参数;建立沸腾焙烧炉的机理模型;将多组生产数据代入到机理模型中,通过迭代优化获取未知模型参数的最优值,并将未知模型参数的最优值代入到机理模型中;根据机理模型得到每组生产数据对应的质量分数的预测序列;根据多组训练数据构建神经网络模型,神经网络模型用于根据生产数据输出预测的质量分数。通过本申请解决了现有技术中无法对沸腾焙烧炉产品质量进行有效的预测的问题,从而能够实现对沸腾焙烧炉产品质量的有效在线预测。
Description
技术领域
本申请涉及到软测量领域,具体而言,涉及一种沸腾焙烧炉产品质量软测量方法及装置。
背景技术
在许多冶炼过程中,沸腾焙烧炉是处理精矿的第一个反应器。在沸腾焙烧炉中,富含金属硫化物的精矿与空气中的氧气发生充分的反应氧化为焙砂。焙砂是下游工序的主要原料,其主要组成物质为可溶性物质(金属氧化物和金属硫酸盐)和一些难溶于后续湿法工序的物质(未反应完的金属硫化物和难溶金属盐)。提高焙砂中可溶性物质的含量,降低不溶杂质的含量对于下游工序的生产运行至关重要。但在实际生产过程中,由于现场生产环境恶劣,焙砂的采样频率低且化验周期长,其化验结果无法用于指导生产过程的优化运行。
发明人发现,在工业过程中由于现场生产环境复杂,导致多采样率问题普遍存在:部分关键指标化验数据只能够进行离线检测,获取周期长、频率低。这导致了无法对沸腾焙烧炉产品质量进行有效的预测。
发明内容
本申请实施例提供了一种沸腾焙烧炉产品质量软测量方法及装置,以至少解决现有技术中无法对沸腾焙烧炉产品质量进行有效的预测的问题。
根据本申请的一个方面,提供了一种沸腾焙烧炉产品质量软测量方法,其特征在于,包括:获取沸腾焙烧炉的多组生产数据,其中,所述生产数据是所述沸腾焙烧炉在生产时的多个参数;建立所述沸腾焙烧炉的机理模型,其中,所述机理模型用于指示所述沸腾焙烧炉的生产特性,所述机理模型为包括未知模型参数的函数;将所述多组生产数据代入到所述机理模型中,通过迭代优化获取所述未知模型参数的最优值,并将所述未知模型参数的最优值代入到所述机理模型中;根据所述机理模型得到每组生产数据对应的质量分数的预测序列;根据多组训练数据构建神经网络模型,其中,每组所述训练数据包括:一组生产数据以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列;所述神经网络模型用于根据生产数据输出预测的质量分数。
进一步地,建立所述沸腾焙烧炉的机理模型包括:建立所述沸腾焙烧炉的动力学模型和质量守恒模型,其中,所述动力学模型是根据所述沸腾焙烧炉中的化学反应建立的,所述质量守恒模型是根据所述沸腾焙烧炉的进料和出料的质量守恒建立的;根据所述动力学模型和所述质量守恒模型建立所述机理模型。
进一步地,根据所述多组训练数据构建所述神经网络模型包括:对于每一组生产数据构建第一特征变量;根据所述第一特征变量以及该组生产数据对应的质量分数的化验值得到所述神经网络模型的沸腾焙烧炉的特征变量;根据所述沸腾焙烧炉的特征变量以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列构建所述神经网络模型。
进一步地,所述神经网络模型为长短时记忆网络模型。
进一步地,所述生产参数至少包括以下参数:进入所述沸腾焙烧炉原料中硫化物的质量分数、同一采样时刻原料中被氧化物的质量分数、下一采样时刻原料中被氧化物的质量分数、温度检测点的检测到温度的平均值、鼓风机压力、所述沸腾焙烧炉的炉床压力、烟气中所含硫元素的体积分数。
根据本申请的另一个方面,还提供了一种沸腾焙烧炉产品质量软测量装置,包括:第一获取模块,用于获取沸腾焙烧炉的多组生产数据,其中,所述生产数据是所述沸腾焙烧炉在生产时的多个参数;建立模块,用于建立所述沸腾焙烧炉的机理模型,其中,所述机理模型用于指示所述沸腾焙烧炉的生产特性,所述机理模型为包括未知模型参数的函数;第二获取模块,用于将所述多组生产数据代入到所述机理模型中,通过迭代优化获取所述未知模型参数的最优值,并将所述未知模型参数的最优值代入到所述机理模型中;得到模块,用于根据所述机理模型得到每组生产数据对应的质量分数的预测序列;构建模块,用于根据多组训练数据构建神经网络模型,其中,每组所述训练数据包括:一组生产数据以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列;所述神经网络模型用于根据生产数据输出预测的质量分数。
进一步地,所述建立模块用于:建立所述沸腾焙烧炉的动力学模型和质量守恒模型,其中,所述动力学模型是根据所述沸腾焙烧炉中的化学反应建立的,所述质量守恒模型是根据所述沸腾焙烧炉的进料和出料的质量守恒建立的;根据所述动力学模型和所述质量守恒模型建立所述机理模型。
进一步地,所述构建模块用于:对于每一组生产数据构建第一特征变量;根据所述第一特征变量以及该组生产数据对应的质量分数的化验值得到所述神经网络模型的沸腾焙烧炉的特征变量;根据所述沸腾焙烧炉的特征变量以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列构建所述神经网络模型。
在本申请实施例中,采用了获取沸腾焙烧炉的多组生产数据,其中,所述生产数据是所述沸腾焙烧炉在生产时的多个参数;建立所述沸腾焙烧炉的机理模型,其中,所述机理模型用于指示所述沸腾焙烧炉的生产特性,所述机理模型为包括未知模型参数的函数;将所述多组生产数据代入到所述机理模型中,通过迭代优化获取所述未知模型参数的最优值,并将所述未知模型参数的最优值代入到所述机理模型中;根据所述机理模型得到每组生产数据对应的质量分数的预测序列;根据多组训练数据构建神经网络模型,其中,每组所述训练数据包括:一组生产数据以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列;所述神经网络模型用于根据生产数据输出预测的质量分数。通过本申请解决了现有技术中无法对沸腾焙烧炉产品质量进行有效的预测的问题,从而能够实现对沸腾焙烧炉产品质量的有效在线预测。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的沸腾焙烧炉产品质量软测量方法的流程图;
图2是根据本申请实施例的沸腾焙烧炉产品质量软测量模型建模流程图;
图3是根据本申请实施例的预测效果对比示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供的冶炼过程沸腾焙烧炉产品质量软测量方法,根据现场可以获取的大量实时检测数据以及部分化验数据对沸腾焙烧炉的产品质量进行在线预测,为沸腾焙烧炉的优化控制提供基础。
在本实施例中,提供了一种沸腾焙烧炉产品质量软测量方法,图1是根据本申请实施例的沸腾焙烧炉产品质量软测量方法的流程图,如图1所示,该流程包括如下步骤:
步骤S102,获取沸腾焙烧炉的多组生产数据,其中,生产数据是沸腾焙烧炉在生产时的多个参数;
生产数据可以根据实际需要来选择包括哪些参数,例如,在一个可选的实施方式中,生产参数至少包括以下参数:进入沸腾焙烧炉原料中硫化物的质量分数、同一采样时刻原料中被氧化物的质量分数、下一采样时刻原料中被氧化物的质量分数、温度检测点的检测到温度的平均值、鼓风机压力、沸腾焙烧炉的炉床压力、烟气中所含硫元素的体积分数。
步骤S104,建立沸腾焙烧炉的机理模型,其中,机理模型用于指示沸腾焙烧炉的生产特性,机理模型为包括未知模型参数的函数;
在该步骤中,建立沸腾焙烧炉的机理模型的方式有很多,例如,建立沸腾焙烧炉的动力学模型和质量守恒模型,其中,动力学模型是根据沸腾焙烧炉中的化学反应建立的,质量守恒模型是根据沸腾焙烧炉的进料和出料的质量守恒建立的;根据动力学模型和质量守恒模型建立机理模型。
步骤S106,将多组生产数据代入到机理模型中,通过迭代优化获取未知模型参数的最优值,并将未知模型参数的最优值代入到机理模型中;
步骤S108,根据机理模型得到每组生产数据对应的质量分数的预测序列;
步骤S110,根据多组训练数据构建神经网络模型,其中,每组训练数据包括:一组生产数据以及根据机理模型得到的该组生产数据对应的质量分数的预测序列,神经网络模型用于根据生产数据输出预测的质量分数。
构建神经网络模型的方式也有很多种,例如,根据多组训练数据构建神经网络模型包括:对于每一组生产数据构建第一特征变量;根据第一特征变量以及该组生产数据对应的质量分数的化验值得到神经网络模型的沸腾焙烧炉的特征变量;根据沸腾焙烧炉的特征变量以及根据机理模型得到的该组生产数据对应的质量分数的预测序列构建神经网络模型。
神经网络模型有很多种,例如,长短时记忆网络模型,以下的优选实施例以长短时记忆网络模型为例进行说明,其他类型的神经网络模型也适用。
在构建神经网络模型中是需要大量数据的,在现有技术中,部分关键指标化验数据(即质量分数)只能够进行离线检测,获取周期长、频率低;许多过程变量可以在线检测,样本量远大于化验数据。样本量之间的不平衡给数据驱动建模带来了很大的困难。通过上述步骤,使用了机理模型预测质量分数,从而扩大了数据量。
因此,通过上述步骤解决了现有技术中无法对沸腾焙烧炉产品质量进行有效的预测的问题,能够实现对沸腾焙烧炉产品质量的有效在线预测。
在本实施例中,提供一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行以上实施例中的方法。该电子装置也可以理解为是一种软件,该软件可以被称为一种沸腾焙烧炉产品质量软测量装置,该装置包括:第一获取模块,用于获取沸腾焙烧炉的多组生产数据,其中,生产数据是沸腾焙烧炉在生产时的多个参数;建立模块,用于建立沸腾焙烧炉的机理模型,其中,机理模型用于指示沸腾焙烧炉的生产特性,机理模型为包括未知模型参数的函数;第二获取模块,用于将多组生产数据代入到机理模型中,通过迭代优化获取未知模型参数的最优值,并将未知模型参数的最优值代入到机理模型中;得到模块,用于根据机理模型得到每组生产数据对应的质量分数的预测序列;构建模块,用于根据多组训练数据构建神经网络模型,其中,每组训练数据包括:一组生产数据以及根据该机理模型得到的该组生产数据对应的质量分数的预测序列;神经网络模型用于根据生产数据输出预测的质量分数。
该装置中的模型对应与上述方法中的步骤,已经在方法中进行说明的,在此不再赘述,例如,可选地,建立模块用于:建立沸腾焙烧炉的动力学模型和质量守恒模型,其中,动力学模型是根据沸腾焙烧炉中的化学反应建立的,质量守恒模型是根据沸腾焙烧炉的进料和出料的质量守恒建立的;根据动力学模型和质量守恒模型建立机理模型。又例如,可选地,构建模块用于:对于每一组生产数据构建第一特征变量;根据第一特征变量以及该组生产数据对应的质量分数的化验值得到神经网络模型的沸腾焙烧炉的特征变量;根据沸腾焙烧炉的特征变量以及根据机理模型得到的该组生产数据对应的质量分数的预测序列构建神经网络模型。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
下面结合一个优选的实施例进行说明。在本优选实施例中提供了一种软测试方法,该软测试方法包括如下步骤:获取沸腾焙烧炉关键工艺参数的数据;基于反应动力学和守恒定律建立沸腾焙烧炉机理模型,利用与机理模型相关的数据辨识机理模型参数,并获得相应的预测序列;基于部分关键工艺参数构建特征数据集合;基于特征数据集合、部分生产数据和机理模型获得的相应预测序列获取软测量模型。基于该软测量模型,可以利用生产过程中实时采集的数据及部分化验数据实现对沸腾焙烧炉产品质量的在线预测。
图2是根据本申请实施例的沸腾焙烧炉产品质量软测量模型建模流程图,如图2所示,该流程包括如下步骤:
步骤S102是建模数据准备步骤,在该步骤中:
获取沸腾焙烧炉软测量模型建模所需的生产数据序列其中Dk,(k=1,2,...,NT)为D中的任意一个序列,NT为建模的样本数量,每一个序列包括以下数据:进入沸腾炉精矿中金属硫化物的质量分数ξin,k,同一采样时刻焙砂中金属氧化物的质量分数ξ0,k,下一采样时刻焙砂中金属氧化物的质量分数ξk,精矿粒径dp,k,精矿的进料量序列Fk={Fk,1,Fk,2,...,Fk,N},鼓风量序列Wk={Wk,1,Wk,2,...,Wk,N},炉床各温度检测点的平均值序列Tk={Tk,1,Tk,2,...,Tk,N},鼓风压力序列炉床压力序列和烟气含硫量序列其中N为各个序列的长度。每一个序列Dk中需要化验的变量均为数据值,即ξin,k,ξk,ξ0,k和dp均为单独的数据值;每个序列中的每个在线测量的变量均为时间序列,即Fk,Wk,Tk,Pw,k,Pb,k,ωS,k为时间序列,其长度N取决于在线测量变量的采样周期和化验数据的化验频率。综上所述,建模所需的生产数据序列为其中
步骤S204是建立沸腾焙烧炉机理模型的步骤,在该步骤中:
考虑沸腾焙烧炉中主要发生的反应为硫化矿与氧气反应生成焙砂和二氧化硫,因此该反应可以用以下表达式进行描述:
a MeS(s)+b O2(g)→c MeO(s)+d SO2(g) (1)
其中,MeS为精矿中主要的金属硫化物,O2为氧气,MeO为焙砂中主要的金属氧化物,SO2为二氧化硫,a,b,c,d为该反应的化学计量系数。
针对上述反应,可以建立如下动力学模型:
其中,ωr为化学反应速率,π为圆周率。MMeS为金属硫化物MeS的相对分子质量,dp为精矿粒径,为空气中氧气的浓度,D0为指前因子,E为活化能,R为理想气体常数,T为焙烧炉内温度,u为空气流速,ν为空气的运动粘度。
针对沸腾焙烧炉的特性,可以建立如下质量守恒模型:
其中,ρs为炉床中固体的表观密度,V为炉床的体积,ξ为焙砂中金属氧化物的质量分数,ξin为入料精矿中金属硫化物的质量分数,F为进料量,t为时间。在公式(2)和(3)中,常数为可检测的变量为θm={F,T,u,dp,ξin,ξ},需要进行辨识的未知变量为θu={ν,D0,E,ρs}。
将公式(2)代入公式(3):
公式(4)可化为一阶线性非齐次微分方程通用形式:
求解此一阶线性非齐次微分方程,即可得到带有未知参数的沸腾焙烧炉机理模型:
步骤S206是构建沸腾焙烧炉特征变量的步骤,在该步骤中:
对于每一组生产数据可以构建如下特征变量:即即基于以上构建的两个特征Rk和ΔPk以及生产数据序列中的Tk,ξin,k,ξk和ξ0,k建立沸腾焙烧炉特征变量Ck,即对于所有的生产数据序列均可构建相应的特征变量
步骤S208是构建沸腾焙烧炉软测量模型的步骤,在该步骤中:
以和为输入量,以长短时记忆网络(Longshort-term memory,LSTM)为基本结构,构建沸腾焙烧炉软测量模型。长短时记忆网络是一种循环神经网络,为现有技术。长短时记忆网络的获取方法如下:
对于每一组特征变量序列Ck,其中各个时间序列长度的均为N,因此该软测量模型中有N个LSTM基本单元。对于其中第i,(i=1,2,...,N)个LSTM基本单元其输入包括:上一LSTM基本单元的细胞状态ci-1,上一LSTM基本单元的隐状态hi-1,当前LSTM基本单元的输入xi。其输出包括:当前LSTM基本单元的细胞状态ci,当前LSTM基本单元的隐状态hi和当前LSTM基本单元的输出在本文中,当前LSTM基本单元的输入第一个LSTM基本单元的输入细胞状态c0=ξin,k,第一个LSTM基本单元的输入隐状态h0=ξ0,k。
对于其中第i个LSTM基本单元,其输入输出之间的计算关系如下:
fi=σ(Wfxxi+Wfhhi-1+bf) (8)
oi=σ(Woxxi+Wohhi-1+bo) (9)
Ii=σ(WIxxi+WIhhi-1+bI) (10)
hi=oi⊙tanh(ci) (13)
其中,fi为遗忘门的输出,oi为输出门的输出,Ii为信息门的输出,为第i个LSTM基本单元的中间细胞状态,ci为第i个LSTM基本单元的输出细胞状态,hi为第i个LSTM基本单元的输出隐状态,为第i个LSTM基本单元的输出,θ={Wfx,Wfh,Wox,Woh,WIx,WIh,Wcx,Wch,Wy,bf,bo,bI,bc,by}为待估计的LSTM参数,⊙为矩阵点乘计算,tanh(·)为tanh激活函数,σ(·)为sigmoid激活函数。
由于每一组特征变量Ck仅有一个对应的化验值ξk,N可以用来训练模型参数,导致难以找到最优的模型参数,从而影响LSTM的性能。为了估计LSTM的参数,我们将机理模型得到的产品质量预测序列与该组数据对应的真实化验值ξk,N相结合得到用于训练LSTM的预测标签然后设计以下目标函数:
在本有优选实施例中,建立了沸腾焙烧炉机理模型,能够为建立软测量模型提供更多过程信息;通过构建沸腾焙烧炉特征变量,并利用机理模型提供的预测序列来对长短时记忆网络进行训练,能够有效克服化验数据样本少导致建模效果差的问题,实现对产品质量的精确在线预测。
本实施例以某锌冶炼厂焙烧炉为研究对象进行了验证,采用现场数据建立了机理模型、传统长短时网络模型以及所提软测量模型对锌焙砂的氧化物含量(可溶锌率)进行预测。图3是根据本申请实施例的预测效果对比示意图,三种模型的预测效果对比如图3所示,从3图中可以看到,所提方法能够有效地对产品质量进行在线精准预测,同时本发明中所建立的机理模型也能够对产品质量进行在线预测,而受到多采样率问题的影响,传统LSTM网络无法实现对产品质量的在线精准预测。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种沸腾焙烧炉产品质量软测量方法,其特征在于,包括:
获取沸腾焙烧炉的多组生产数据,其中,所述生产数据是所述沸腾焙烧炉在生产时的多个参数;
建立所述沸腾焙烧炉的机理模型,其中,所述机理模型用于指示所述沸腾焙烧炉的生产特性,所述机理模型为包括未知模型参数的函数;
将所述多组生产数据代入到所述机理模型中,通过迭代优化获取所述未知模型参数的最优值,并将所述未知模型参数的最优值代入到所述机理模型中;
根据所述机理模型得到每组生产数据对应的质量分数的预测序列;
根据多组训练数据构建神经网络模型,其中,每组所述训练数据包括:一组生产数据以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列;所述神经网络模型用于根据生产数据输出预测的质量分数;其中,根据所述多组训练数据构建所述神经网络模型包括:对于每一组生产数据构建第一特征变量;根据所述第一特征变量以及该组生产数据对应的质量分数的化验值得到所述神经网络模型的沸腾焙烧炉的特征变量;根据所述沸腾焙烧炉的特征变量以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列构建所述神经网络模型。
2.根据权利要求1所述的方法,其特征在于,建立所述沸腾焙烧炉的机理模型包括:
建立所述沸腾焙烧炉的动力学模型和质量守恒模型,其中,所述动力学模型是根据所述沸腾焙烧炉中的化学反应建立的,所述质量守恒模型是根据所述沸腾焙烧炉的进料和出料的质量守恒建立的;
根据所述动力学模型和所述质量守恒模型建立所述机理模型。
3.根据权利要求1所述的方法,其特征在于,所述神经网络模型为长短时记忆网络模型。
4.根据权利要求1所述的方法,其特征在于,所述生产参数至少包括以下参数:
进入所述沸腾焙烧炉原料中硫化物的质量分数、同一采样时刻原料中被氧化物的质量分数、下一采样时刻原料中被氧化物的质量分数、温度检测点的检测到温度的平均值、鼓风机压力、所述沸腾焙烧炉的炉床压力、烟气中所含硫元素的体积分数。
5.一种沸腾焙烧炉产品质量软测量装置,其特征在于,包括:
第一获取模块,用于获取沸腾焙烧炉的多组生产数据,其中,所述生产数据是所述沸腾焙烧炉在生产时的多个参数;
建立模块,用于建立所述沸腾焙烧炉的机理模型,其中,所述机理模型用于指示所述沸腾焙烧炉的生产特性,所述机理模型为包括未知模型参数的函数;
第二获取模块,用于将所述多组生产数据代入到所述机理模型中,通过迭代优化获取所述未知模型参数的最优值,并将所述未知模型参数的最优值代入到所述机理模型中;
得到模块,用于根据所述机理模型得到每组生产数据对应的质量分数的预测序列;
构建模块,用于根据多组训练数据构建神经网络模型,其中,每组所述训练数据包括:一组生产数据以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列;所述神经网络模型用于根据生产数据输出预测的质量分数;其中,根据所述多组训练数据构建所述神经网络模型包括:对于每一组生产数据构建第一特征变量;根据所述第一特征变量以及该组生产数据对应的质量分数的化验值得到所述神经网络模型的沸腾焙烧炉的特征变量;根据所述沸腾焙烧炉的特征变量以及根据所述机理模型得到的该组生产数据对应的质量分数的预测序列构建所述神经网络模型。
6.根据权利要求5所述的装置,其特征在于,所述建立模块用于:
建立所述沸腾焙烧炉的动力学模型和质量守恒模型,其中,所述动力学模型是根据所述沸腾焙烧炉中的化学反应建立的,所述质量守恒模型是根据所述沸腾焙烧炉的进料和出料的质量守恒建立的;
根据所述动力学模型和所述质量守恒模型建立所述机理模型。
7.根据权利要求5所述的装置,其特征在于,所述神经网络模型为长短时记忆网络模型。
8.根据权利要求5所述的装置,其特征在于,所述生产参数至少包括以下参数:
进入所述沸腾焙烧炉原料中硫化物的质量分数、同一采样时刻原料中被氧化物的质量分数、下一采样时刻原料中被氧化物的质量分数、温度检测点的检测到温度的平均值、鼓风机压力、所述沸腾焙烧炉的炉床压力、烟气中所含硫元素的体积分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110582132.XA CN113239565B (zh) | 2021-05-27 | 2021-05-27 | 一种沸腾焙烧炉产品质量软测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110582132.XA CN113239565B (zh) | 2021-05-27 | 2021-05-27 | 一种沸腾焙烧炉产品质量软测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239565A CN113239565A (zh) | 2021-08-10 |
CN113239565B true CN113239565B (zh) | 2022-07-12 |
Family
ID=77139060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110582132.XA Active CN113239565B (zh) | 2021-05-27 | 2021-05-27 | 一种沸腾焙烧炉产品质量软测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239565B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109188903A (zh) * | 2018-08-20 | 2019-01-11 | 北京化工大学 | 基于记忆增强优化的cnn加热炉操作变量的软测量方法 |
CN109342279A (zh) * | 2018-10-10 | 2019-02-15 | 华东理工大学 | 基于粉磨机理和神经网络的混合软测量方法 |
CN110282645A (zh) * | 2019-06-21 | 2019-09-27 | 广西大学 | 一种氧化铝焙烧过程操作参数优化方法 |
CN110673482A (zh) * | 2019-10-09 | 2020-01-10 | 北京华电天仁电力控制技术有限公司 | 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统 |
CN110739031A (zh) * | 2019-11-18 | 2020-01-31 | 中南大学 | 一种冶金烧结过程的有监督预测方法、装置及存储介质 |
CN112668196A (zh) * | 2021-01-04 | 2021-04-16 | 西安理工大学 | 机理与数据混合驱动的生成式对抗网络软测量建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472406B (zh) * | 2018-11-02 | 2020-08-11 | 浙江大学 | 一种超低排放多污染物协同脱除系统的全局优化方法 |
-
2021
- 2021-05-27 CN CN202110582132.XA patent/CN113239565B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109188903A (zh) * | 2018-08-20 | 2019-01-11 | 北京化工大学 | 基于记忆增强优化的cnn加热炉操作变量的软测量方法 |
CN109342279A (zh) * | 2018-10-10 | 2019-02-15 | 华东理工大学 | 基于粉磨机理和神经网络的混合软测量方法 |
CN110282645A (zh) * | 2019-06-21 | 2019-09-27 | 广西大学 | 一种氧化铝焙烧过程操作参数优化方法 |
CN110673482A (zh) * | 2019-10-09 | 2020-01-10 | 北京华电天仁电力控制技术有限公司 | 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统 |
CN110739031A (zh) * | 2019-11-18 | 2020-01-31 | 中南大学 | 一种冶金烧结过程的有监督预测方法、装置及存储介质 |
CN112668196A (zh) * | 2021-01-04 | 2021-04-16 | 西安理工大学 | 机理与数据混合驱动的生成式对抗网络软测量建模方法 |
Non-Patent Citations (6)
Title |
---|
Zhenxiang Feng ; Yonggang Li ; et al..A trend-based event-triggering fuzzy controller for the stabilizing control of a large-scale zinc roaster.《Journal of Process Control》.2021,第97卷 * |
刘强 ; 卓洁 ; 郎自强 ; 秦泗钊.数据驱动的工业过程运行监控与自优化研究展望.《自动化学报》.2018, * |
基于LSTM 的焙烧时序数据的质量预测模型;苏志同; 王春雷;《软件》;20200515;第41卷(第5期);第105-107、197页 * |
桂卫华 ; 阳春华 ; 陈晓方 ; 王雅琳.有色冶金过程建模与优化的若干问题及挑战.《自动化学报》.2013, * |
氧化铝烧结法生产的生料浆质量预测模型及应用;李劼; 孔玲爽; 阳春华;《中国有色金属学报》;20060330;第16卷(第3期);第536-541页 * |
邱波 ; 李国威 ; 李鸿儒 ; 李抒.基于神经网络的FeO氧化系数软测量方法.《控制工程》.2012, * |
Also Published As
Publication number | Publication date |
---|---|
CN113239565A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Deep learning-based feature representation and its application for soft sensor modeling with variable-wise weighted SAE | |
Sun et al. | A comprehensive hybrid first principles/machine learning modeling framework for complex industrial processes | |
Yuan et al. | Stacked enhanced auto-encoder for data-driven soft sensing of quality variable | |
Hu et al. | A multilevel prediction model of carbon efficiency based on the differential evolution algorithm for the iron ore sintering process | |
Yuan et al. | Stacked isomorphic autoencoder based soft analyzer and its application to sulfur recovery unit | |
Chen et al. | An approach for predicting the compressive strength of cement-based materials exposed to sulfate attack | |
CN107526927B (zh) | 一种高炉铁水质量在线鲁棒软测量方法 | |
Nkulikiyinka et al. | Prediction of sorption enhanced steam methane reforming products from machine learning based soft-sensor models | |
CN114015825B (zh) | 基于注意力机制的高炉热负荷异常状态监测方法 | |
Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
Chang et al. | Multi-mode plant-wide process operating performance assessment based on a novel two-level multi-block hybrid model | |
Sun et al. | A causal model-inspired automatic feature-selection method for developing data-driven soft sensors in complex industrial processes | |
CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
CN103439889A (zh) | 基于排放烟气分析的烧结终点预测方法 | |
CN102542126A (zh) | 基于半监督学习的软测量方法 | |
Kalinowski et al. | Efficiency of linear and non-linear classifiers for gas identification from electrocatalytic gas sensor | |
Cardoso et al. | Modeling of artificial neural networks for silicon prediction in the cast iron production process | |
CN115034129A (zh) | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 | |
CN110390132B (zh) | 基于过程状态空间的有色冶金单元工序数字化和建模方法 | |
Li et al. | Development of a Novel Soft Sensor with Long Short‐Term Memory Network and Normalized Mutual Information Feature Selection | |
CN113239565B (zh) | 一种沸腾焙烧炉产品质量软测量方法及装置 | |
CN113517037B (zh) | 一种数据与知识融合的烧结矿FeO预测方法及系统 | |
Yuan et al. | FeO content prediction for an industrial sintering process based on supervised deep belief network | |
CN117521912A (zh) | 一种碳排放测算模型及对比评价方法及其应用 | |
Liu et al. | Temporal hypergraph attention network for silicon content prediction in blast furnace |
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 |