CN113253618B - 全方位烧结工序智能化管控系统 - Google Patents

Abstract

本发明公开了全方位烧结工序智能化管控系统，其中，数据处理单元获取配料布料工序中的数据分析处理，得到烧结点偏移系数，并将其传输至烧结终点预测单元，烧结终点预测单元通过曲线拟合，并将对应参数导入人工神经网络学习模型进行结果输出得到最终预测终点；废气处理单元通过实时脱硫率和实时脱硝率以及氨气逃逸系数，计算得出目标喷氨量，通过设置工序监控单元获取数据并运用到烧结终点预测单元，烧结终点预测单元利用获取的数据进行烧结终点的精准预测，将配料布料工序和点火烧结工序中影响烧结终点的因素进行算法分析，并最终通过人工神经网络学习模型进行结果输出，解决了现有技术中烧结终点难以精准确定的问题。

Description

全方位烧结工序智能化管控系统

技术领域

本发明涉及智能管控系统，具体为全方位烧结工序智能化管控系统。

背景技术

随着基础建设以及各类产业的发展，钢铁的需求日益增加，在钢铁生产的过程中，铁矿的烧结对于整个钢铁的产量和质量都有着重要的影响，在倡导资源节约的情况下，钢铁生产企业对烧结工艺的改进都很重视。

现有技术中铁矿烧结工序存在着铁矿烧结终点难以精准预测，一般是根据经验或者某一个风箱的固定位置来确定，这种方式太过于固化，不能根据烧结工序出现的一些影响因素进行及时调整，导致烧结产品的产量和质量得不到保证，同时在废气处理段也没有实现精准释放，导致资源的浪费。为此，我们提供了全方位烧结工序智能化管控系统。

发明内容

本发明的目的在于提供了全方位烧结工序智能化管控系统。

本发明所解决的技术问题为：

（1）如何通过设置工序监控单元获取数据并运用到烧结终点预测单元，烧结终点预测单元利用获取的数据进行烧结终点的精准预测，将配料布料工序和点火烧结工序中影响烧结终点的因素进行算法分析，并最终通过人工神经网络学习模型进行结果输出，解决了现有技术中烧结终点难以精准确定的问题；

（2）如何通过设置废气处理单元，对脱硝塔内硫化物和硝化物进行处理，处理过程中需要使用氨水，废气处理单元通过对烟气流量以及硫化物、硝化物流量进行计算，最终得到目标喷氨量，解决了现有技术中喷氨量缺乏数据支撑，不能精准调节的问题。

本发明可以通过以下技术方案实现：全方位烧结工序智能化管控系统，包括：数据处理单元获取配料布料工序中的数据分析处理，得到烧结点偏移系数，并将其传输至烧结终点预测单元；

烧结终点预测单元通过曲线拟合，并将对应参数导入人工神经网络学习模型进行结果输出得到最终预测终点；

废气处理单元通过实时脱硫率和实时脱硝率以及氨气逃逸系数，计算得出目标喷氨量，从而实现对氨水释放量的精准控制。

本发明的进一步技术改进在于：数据来源于工序监控单元，工序监控单元对应烧结的三大主要工序分别设置配料监控模块、烧结监控模块和废气监控模块与之对应，实时采集数据并将其发送至数据存储单元中进行存储。

本发明的进一步技术改进在于：烧结终点受到配料布料工序中料粒尺寸、料层厚度以及原料本身的透气性影响，通过算法综合分析得到烧结终点偏移系数，在进行烧结终点预测时用其进行纠偏。

本发明的进一步技术改进在于：烧结终点预测单元还通过对煤气流量和空气流量进行分析得到燃烧比，将燃烧比与阈值比较，根据比较结果对煤气与空气的进气阀进行调节。

本发明的进一步技术改进在于：烧结终点预测单元对烧结终点进行预测时，分为两步进行：第一步确定第一预测烧结终点的位置数据；第二步是基于第一预测烧结终点的位置数据确定最终预测终点。

本发明的进一步技术改进在于：确定第一预测烧结终点的位置数据是利用风箱废气温度数据在平面直角坐标系中绘制废气温度曲线，分别取中间部位的三个风箱，得到三条废气温度曲线，标记三条废气温度曲线的拐点并取中间一点作为第一预测烧结终点。

本发明的进一步技术改进在于：确定最终预测终点是利用人工神经网络学习模型，烧结终点偏移系数、漏风率偏差与第一预测终点的对应温度和位置数据作为参数导入进行模拟运算，得到倒数第二个风箱的运行时间序列，进而得出最终预测终点。

本发明的进一步技术改进在于：人工神经网络学习模型的训练基于大量数据样本，逐一进行变量控制进行状态模拟，且每一次实际使用后的数据继续作为样本进行自适应学习，优化算法结构。

本发明的进一步技术改进在于：所述废气处理单元通过脱硝塔入口和出口的硫化物、硝化物流量计算得到实时脱硫率和实时脱硝率，通过氨水释放量和脱硝塔出口的氨气流量得出氨气逃逸系数。

本发明的进一步技术改进在于：目标喷氨量与脱硝塔的当前喷氨量在允许偏移值之内时，保持当前氨水释放量。

与现有技术相比，本发明具备以下有益效果：

1、通过设置工序监控单元获取数据并运用到烧结终点预测单元，烧结终点预测单元利用获取的数据进行烧结终点的精准预测，将配料布料工序和点火烧结工序中影响烧结终点的因素进行算法分析，并最终通过人工神经网络学习模型进行结果输出，解决了现有技术中烧结终点难以精准确定的问题，人工神经网络用于烧结终点的预报，可以避开复杂的数学建模过程，实现预报系统输入参数与终点预报值的非线性映射，神经网络的自适应、自学习能力还可以跟踪系统的动态变化。

2、通过设置废气处理单元，对脱硝塔内硫化物和硝化物进行处理，处理过程中需要使用氨水，废气处理单元通过对烟气流量以及硫化物、硝化物流量进行计算，最终得到目标喷氨量，为实现精准确定氨水释放量提供了数据支撑，便于生产人员进行调节控制，同时提高了脱销脱硫效率，节省了氨水的使用成本。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的系统框图。

具体实施方式

为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。

请参阅图1所示，全方位烧结工序智能化管控系统，包括工序监控单元、数据存储单元、数据处理单元、烧结终点预测单元和废气处理单元；

工序监控单元用于对烧结工序的全过程进行监控，烧结工序总分为三部分，分别为配料布料工序、点火烧结工序和废气处理工序，工序监控单元由配料监控模块、烧结监控模块和废气监控模块组成，配料监控模块用于获取混料比例数据、料粒尺寸数据和布料数据，其中，料粒尺寸数据表示每一布料层中选取的若干个料粒的尺寸数据，布料数据包括布料层数和单次布料厚度，烧结监控模块用于监控点火烧结工序中的煤气流量、空气流量、风箱废气温度数据和烧结机漏风率，其中，风箱对应不同的编号，所采集温度的风箱为废气温度开始上升的风箱，风箱废气温度数据包括采集温度时，对应风箱的位置数据，烧结机漏风率的数据采集采用在线氧化锆测氧分析仪测量氧含量的方法测试烧结过程漏风率的技术方案，废气监控模块用于实时获取脱硫塔内的入口烟气流量、入口硝化物含量数据和入口硫化物含量数据，同时获取出口烟气流量、出口硝化物含量数据、出口硫化物含量数据和氨气含量数据；

配料监控模块、烧结监控模块和废气监控模块将获取的数据传输至数据存储单元中进行存储，数据存储单元中还存储有人工神经网络学习模型和不同原料的透气效率，该人工神经网络学习模型是根据输入和目标输出不断调整神经元间的连接权值，当有足够多的连接节点时，通过训练的神经网络可以实现任意复杂的非线性映射关系，人工神经网络用于烧结终点的预报，可以避开复杂的数学建模过程，实现预报系统输入参数与终点预报值的非线性映射，神经网络的自适应、自学习能力还可以跟踪系统的动态变化。

数据处理单元对配料布料过程的数据进行分析处理，具体为：

步骤S11：从数据存储单元中提取混料比例数据、料粒尺寸数据和布料数据，并将混料比例数据标记为BL，将料粒尺寸数据标记为LCi，将布料数据中的布料层数标记为BC，布料厚度标记为BH，同时从数据存储单元中提取对应原料的透气效率并将其标记为q，其中，i表示选取测量料粒尺寸的料粒编号，i=1,2,3……n1；

步骤S12：对料粒尺寸数据进行平均值计算，得到料粒尺寸均值数据，由于料粒尺寸较小时，更便于对料粒进行烧结，但是料粒小的同时料粒之间的间隙也会变小，导致透气性变差，因此料粒尺寸应设置在一个标准阈值之内，数据处理单元中预设有料粒尺寸标准阈值，将料粒尺寸均值数据与料粒尺寸标准阈值进行比较，当料粒尺寸均值数据处于料粒尺寸标准阈值内时，判定料粒尺寸正常，不进行任何处理；当料粒尺寸均值数据不处于料粒尺寸标准阈值内时，判定料粒尺寸异常，生成料粒尺寸异常信号；

步骤S13：当识别到料粒尺寸异常信号时，计算料粒尺寸均值数据与料粒尺寸标准阈值的中间值之间的差值，并进行去符号化处理，将经过处理后的差值标记为尺寸偏差数据PC，当料粒尺寸正常时，将尺寸偏差数据赋值为0；

步骤S14：将混料比例数据、尺寸偏差数据、布料层数、布料厚度以及对应原料的透气效率代入到计算式

，得到烧结终点偏移系数SZ，其中，

表示尺寸偏差影响系数，

表示料层厚度影响系数，e为数学中的一个自然常数；

步骤S15：将得到的烧结终点偏移系数传输至烧结终点预测单元。

烧结终点预测单元用于对烧结矿烧结完成的节点进行预测，所谓烧结终点指的是烧结结束时的位置，用料层烧透时所对应的风箱位置来表示，烧结终点的位置控制准确，不仅能保证烧结过程稳定，而且能保证有效利用烧结面积，烧结终点状态对烧结矿的产量、质量有很大的影响；

烧结终点预测单元进行预测分析的具体步骤为：

步骤S21：从数据存储单元中获取煤气流量和空气流量，由于煤气中主要成分为一氧化碳，根据一氧化碳与氧气的燃烧化学式得知一重量份的氧气与二重量份的一氧化碳完全燃烧，获取煤气中一氧化碳的含量和单位时间内的煤气流量，并计算得到单位时间内的一氧化碳流量，同理得出单位时间内的氧气流量，将一氧化碳流量与氧气流量进行比值运算，得到燃烧比，当2.2≤燃烧比≤2.5时，判定燃烧充分，火焰稳定，不进行任何处理，当燃烧比＜2.2时，判定燃烧不充分，从而对煤气与空气的进气阀进行调节；

步骤S22：从数据存储单元中获取烧结机漏风率，烧结机漏风率通过氧量分析仪进行采集，烧结终点预测单元中预设有漏风率限值，将烧结机漏风率与漏风率限值进行比较，当烧结机漏风率小于等于漏风率限值时，判定漏风率正常，当烧结机漏风率大于漏风率限值时，判定漏风率异常，生成警报信号，并将当前烧结机漏风率与漏风率限值进行差值运算，得到漏风率偏差；

步骤S23：从数据存储单元中获取风箱废气温度数据，提取烧结机中部位置三个风箱的风箱废气温度数据，建立虚拟的平面直角坐标系，将采集时间数据作为平面直角坐标系的横坐标，将风箱废气温度数据作为平面直角坐标系的纵坐标，绘制出三条平滑的废气温度曲线，并标记出三条平滑的废气温度曲线的拐点，取三条废气温度曲线拐点中的中间一点作为拐点位置，从而得到第一预测烧结终点的位置数据；

步骤S24：从数据存储单元中提取人工神经网络学习模型，将烧结终点偏移系数、漏风率偏差与第一预测终点的对应温度和位置数据作为参数导入到人工神经网络学习模型中，输出倒数第二个风箱从温度开始上升为时间起点的运行时间序列，因为风箱的运行速度保持不变，所以容易求出此时的烧结预测终点，将此烧结预测终点标记为最终预测终点进行输出。

人工神经网络学习模型的训练基于大量数据样本，逐一进行变量控制进行状态模拟，且每一次实际使用后的数据继续作为样本进行自适应学习，优化算法结构。

烧结过程中会产生大量废气，废气处理单元用于对产生的废气进行脱硫脱硝处理，具体步骤为：

步骤S31：从数据存储单元中获取入口烟气流量、入口硝化物含量数据、入口硫化物含量数据、出口烟气流量、出口硝化物含量数据和出口硫化物含量数据并分别将其标记为RYj、RXj、RLj、CYj、CXj、CLj;

步骤S32：根据入口烟气流量、入口硝化物含量数据、入口硫化物含量数据分别计算得出单位时间内的入口硝化物流量和入口硫化物流量，同理计算得出口硝化物流量和出口硫化物流量；

步骤S33：通过计算式：

，得出实时脱硫率，同理可得实时脱硝率；

步骤S34：同时获取氨气含量数据，将其与出口烟气流量作积得到氨气流量，将氨气流量与当前脱硫塔内单位时间内的氨水释放量代入到计算式：

，得到氨气逃逸系数；

步骤S35：当实时脱硫率、实时脱硝率和氨气逃逸系数均在设定阈值内时，判定当前喷氨量适宜，不进行任何处理；

步骤S36：当实时脱硫率、实时脱硝率或氨气逃逸系数中超出设定阈值时，判定当前喷氨量不合适，需要进行调整，

，得到目标喷氨量。

生产人员根据输出的最终预测终点和目标喷氨量来决定生产过程中的烧结终点和脱硫塔内的氨水释放量即可，且目标喷氨量与当前喷氨量之间设有允许偏移值，在允许偏移值之内的生产人员可以保持当前状态。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.全方位烧结工序智能化管控系统，其特征在于，包括：

工序监控单元，用于对烧结工序的全过程进行监控，烧结工序总分为三部分，分别为配料布料工序、点火烧结工序和废气处理工序，工序监控单元由配料监控模块、烧结监控模块和废气监控模块组成；

数据处理单元，获取配料布料工序中的数据分析处理，得到烧结点偏移系数，并将其传输至烧结终点预测单元；

烧结终点预测单元，通过曲线拟合，并将对应参数导入人工神经网络学习模型进行结果输出得到最终预测终点；

废气处理单元，通过实时脱硫率和实时脱硝率以及氨气逃逸系数，计算得出目标喷氨量，从而实现对氨水释放量的精准控制；

烧结终点预测单元进行预测分析的具体步骤为：

步骤S21：从数据存储单元中获取煤气流量和空气流量，由于煤气中主要成分为一氧化碳，根据一氧化碳与氧气的燃烧化学式得知一重量份的氧气与二重量份的一氧化碳完全燃烧，获取煤气中一氧化碳的含量和单位时间内的煤气流量，并计算得到单位时间内的一氧化碳流量，同理得出单位时间内的氧气流量，将一氧化碳流量与氧气流量进行比值运算，得到燃烧比，当2.2≤燃烧比≤2.5时，判定燃烧充分，火焰稳定，不进行任何处理，当燃烧比＜2.2时，判定燃烧不充分，从而对煤气与空气的进气阀进行调节；

步骤S22：从数据存储单元中获取烧结机漏风率，烧结机漏风率通过氧量分析仪进行采集，烧结终点预测单元中预设有漏风率限值，将烧结机漏风率与漏风率限值进行比较，当烧结机漏风率小于等于漏风率限值时，判定漏风率正常，当烧结机漏风率大于漏风率限值时，判定漏风率异常，生成警报信号，并将当前烧结机漏风率与漏风率限值进行差值运算，得到漏风率偏差；

步骤S23：从数据存储单元中获取风箱废气温度数据，提取烧结机中部位置三个风箱的风箱废气温度数据，建立虚拟的平面直角坐标系，将采集时间数据作为平面直角坐标系的横坐标，将风箱废气温度数据作为平面直角坐标系的纵坐标，绘制出三条平滑的废气温度曲线，并标记出三条平滑的废气温度曲线的拐点，取三条废气温度曲线拐点中的中间一点作为拐点位置，从而得到第一预测烧结终点的位置数据；

步骤S24：从数据存储单元中提取人工神经网络学习模型，将烧结终点偏移系数、漏风率偏差与第一预测终点的对应温度和位置数据作为参数导入到人工神经网络学习模型中，输出倒数第二个风箱从温度开始上升为时间起点的运行时间序列，因为风箱的运行速度保持不变，所以容易求出此时的烧结预测终点，将此烧结预测终点标记为最终预测终点进行输出。

2.根据权利要求1所述的全方位烧结工序智能化管控系统，其特征在于，配料监控模块，用于获取混料比例数据、料粒尺寸数据和布料数据；

烧结监控模块，用于监控点火烧结工序中的煤气流量、空气流量、风箱废气温度数据和烧结机漏风率；

废气监控模块，用于实时获取脱硫塔内的入口烟气流量、入口硝化物含量数据和入口硫化物含量数据，同时获取出口烟气流量、出口硝化物含量数据、出口硫化物含量数据和氨气含量数据。

3.根据权利要求2所述的全方位烧结工序智能化管控系统，其特征在于，烧结终点受到配料布料工序中料粒尺寸、料层厚度以及原料本身的透气性影响，通过算法综合分析得到烧结终点偏移系数，在进行烧结终点预测时用其进行纠偏。

4.根据权利要求1所述的全方位烧结工序智能化管控系统，其特征在于，确定最终预测终点是利用人工神经网络学习模型，烧结终点偏移系数、漏风率偏差与第一预测终点的对应温度和位置数据作为参数导入进行模拟运算，得到倒数第二个风箱的运行时间序列，进而得出最终预测终点，所述人工神经网络学习模型的训练基于大量数据样本，逐一进行变量控制进行状态模拟，且每一次实际使用后的数据继续作为样本进行自适应学习，优化算法结构。

5.根据权利要求4所述的全方位烧结工序智能化管控系统，其特征在于，烧结过程中会产生大量废气，废气处理单元用于对产生的废气进行脱硫脱硝处理，具体步骤为：

步骤S31：从数据存储单元中获取入口烟气流量、入口硝化物含量数据、入口硫化物含量数据、出口烟气流量、出口硝化物含量数据和出口硫化物含量数据并分别将其标记为RYj、RXj、RLj、CYj、CXj、CLj;

步骤S32：根据入口烟气流量、入口硝化物含量数据、入口硫化物含量数据分别计算得出单位时间内的入口硝化物流量和入口硫化物流量，同理计算得出口硝化物流量和出口硫化物流量；

步骤S33：通过计算式：

，得出实时脱硫率，同理可得实时脱硝率；

步骤S34：同时获取氨气含量数据，将其与出口烟气流量作积得到氨气流量，将氨气流量与当前脱硫塔内单位时间内的氨水释放量代入到计算式：

，得到氨气逃逸系数；

步骤S35：当实时脱硫率、实时脱硝率和氨气逃逸系数均在设定阈值内时，判定当前喷氨量适宜，不进行任何处理；

步骤S36：当实时脱硫率、实时脱硝率或氨气逃逸系数中超出设定阈值时，判定当前喷氨量不合适，需要进行调整，根据公式

，得到目标喷氨量。

6.根据权利要求5所述的全方位烧结工序智能化管控系统，其特征在于，目标喷氨量与脱硝塔的当前喷氨量在允许偏移值之内时，保持当前氨水释放量。

Images