CN113295000A - 一种基于料层厚度预测的布料控制系统及方法 - Google Patents

一种基于料层厚度预测的布料控制系统及方法 Download PDF

Info

Publication number
CN113295000A
CN113295000A CN202010844822.3A CN202010844822A CN113295000A CN 113295000 A CN113295000 A CN 113295000A CN 202010844822 A CN202010844822 A CN 202010844822A CN 113295000 A CN113295000 A CN 113295000A
Authority
CN
China
Prior art keywords
material layer
layer thickness
rotating speed
roller
speed
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
CN202010844822.3A
Other languages
English (en)
Other versions
CN113295000B (zh
Inventor
邱立运
朱佼佼
袁立新
周斌
廖华兵
莫旭红
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.)
Hunan Changtian Automation Engineering Co ltd
Zhongye Changtian International Engineering Co Ltd
Original Assignee
Hunan Changtian Automation Engineering Co ltd
Zhongye Changtian International Engineering 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 Hunan Changtian Automation Engineering Co ltd, Zhongye Changtian International Engineering Co Ltd filed Critical Hunan Changtian Automation Engineering Co ltd
Priority to CN202010844822.3A priority Critical patent/CN113295000B/zh
Priority to PCT/CN2021/112557 priority patent/WO2022037500A1/zh
Priority to BR112022023796A priority patent/BR112022023796A2/pt
Publication of CN113295000A publication Critical patent/CN113295000A/zh
Application granted granted Critical
Publication of CN113295000B publication Critical patent/CN113295000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
    • F27B21/00—Open or uncovered sintering apparatus; Other heat-treatment apparatus of like construction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • F27D2019/0028—Regulation
    • F27D2019/0075—Regulation of the charge quantity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27M—INDEXING SCHEME RELATING TO ASPECTS OF THE CHARGES OR FURNACES, KILNS, OVENS OR RETORTS
    • F27M2003/00—Type of treatment of the charge
    • F27M2003/04—Sintering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Manufacture And Refinement Of Metals (AREA)

Abstract

本申请涉及钢铁冶炼技术领域，提供了一种基于料层厚度预测的布料控制系统及方法，在实际应用过程中，首先获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度以及烧结台车速度；并利用预先建立的料层厚度动态预测模型，生成料层厚度的特征值，通过对料层厚度特征值进行数据还原，获得料层厚度的预测值；然后根据料层厚度预测值和料层厚度目标值，计算料层厚度的偏差值；最后将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度，从而实现基于料层厚度预测的烧结系统布料控制，以实现对烧结系统布料过程的精准控制。

Description

一种基于料层厚度预测的布料控制系统及方法
技术领域
本申请涉及钢铁冶炼技术领域，尤其涉及一种基于料层厚度预测的布料控制系统及方法。
背景技术
烧结是指将粉状物料转变为致密体的工艺，在钢铁生产工艺中，则是指将铁矿粉、煤粉和石灰按一定配比混匀，通过烧结得到具有高炉生产工艺要求的烧结矿，为高炉炼铁输送原料。针对烧结生产工艺流程中布料过程，料层厚度是否合适是影响烧结生产产量与质量的重要参数之一，目前，布料过程中通常是利用调节辅门开度大小调节与辅门对应区域物料层厚，或利用调节圆辊给料机转速，对台车宽度范围料层整体改变。若辅门开度调节大，则对应的布料装置向烧结台车布料的流量就大，相应的料层的厚度就厚，反之，料层厚度小。
为了获得厚度合适的料层，现有技术中，一般通过实时检测烧结台车的料层厚度，进行布料的调控。具体过程为，在烧结台车布料过程中，在烧结台车运动方向的下游，监测烧结台车的料层厚度，并根据检测的料层厚度，进行布料的反馈控制。
在实际运行中，这种料层厚度检测方法，检测的是布料已经完成的烧结台车料层厚度，从辅门调节点到层厚检测点约2到3分钟，采用反馈控制滞后性较大。如果此时发现料层厚度不合适，已经无法改变，不利于实现对烧结系统及时稳定控制布料。
发明内容
本申请提供了一种基于料层厚度预测的布料控制系统及方法，以解决现有技术中，通过检测烧结台车的料层厚度，对烧结系统的布料控制存在滞后性的问题。
本申请第一方面提供一种基于料层厚度预测的布料控制系统，所述布料控制系统包括圆辊给料机、辊式布料机和烧结台车，所述圆辊给料机用于向所述辊式布料机供给混合料，所述辊式布料机用于向烧结台车布料；所述布料控制系统还包括混合料检测机构、与圆辊给料机连接的给料辊控制器、与辊式布料机连接的布料辊控制器和辅门控制器，以及与烧结台车连接的烧结台车控制器；以及与混合料检测机构、给料辊控制器、布料辊控制器、辅门控制器和烧结台车控制器连接的中央处理器；其中，所述中央处理器被配置为执行以下步骤：
接收所述混合料检测机构发送的混合料堆密度，接收给料辊控制器发送的给料辊转速，接收布料辊控制器发送的布料辊转速，接收辅门控制器发送的辅门开度，接收烧结台车控制器发送的烧结台车速度；
根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值；
根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值；
将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度；
驱动所述给料辊控制器将给料辊转速调整为待调整的给料辊转速；驱动所述布料辊控制器将布料辊转速调整为待调整的布料辊转速；驱动所述辅门控制器将辅门开度调整为待调整的辅门开度；驱动所述烧结台车控制器将烧结台车速度调整为待调整的烧结台车速度；
其中，所述滚动优化模型用于在所述混合料的堆密度不变的条件下，计算出料层厚度偏差值的方差最小时，对应的给料辊转速、布料辊转速、辅门开度和烧结台车速度。
可选的，所述料层厚度偏差值的方差通过以下方式得到：
Figure BDA0002642695720000021
其中，σ是料层厚度偏差值的方差，E(k)是指料层厚度偏差值，R(k)预设的料层厚度的目标值，Y(k)料层厚度的预测值。
可选的，根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值，具体执行以下步骤：
将同一时刻的混合料的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值之间的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
可选的，所述布料控制系统系统还包括设置在烧结台车上方的料层厚度检测装置，所述料层厚度检测装置连接中央处理器，所述料层厚度检测装置用于按照预先设定的时间间隔，检测烧结台车的料层厚度，并获得料层厚度的测量值；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，还包括：
获取与所述预测料层厚度的特征向量邻近时序上的数据并作为学习样本，其中，所述样本包括输入样本，以及所述输入样本对应的料层厚度的特征值；
利用所述学习样本在线更新所述料层厚度动态预测模型，获取更新后的料层厚度动态预测模型。
可选的，采用以下方法对料层厚度的特征值进行数据还原：
hi＝ki×H
其中，hi为获得的i时刻料层厚度的预测值，ki为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大允许厚度。
可选的，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，具体执行以下步骤：
计算堆密度与各原料中密度最大的原料的密度的比值；
计算给料辊转速与给料辊的最大转速的比值；
计算布料辊转速与布料辊的最大转速的比值；
烧结台车速度与烧结台车的最大转速的比值。
可选的，所述料层厚度动态预测模型是基于神经网络模型训练生成，并按照以下步骤建立：
按照预先设定的时间间隔，获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
将N组独立的混合料的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，作为N组训练样本的输入；
按照预先设定的时间间隔，检测烧结台车上与N组训练样本输入对应的实际料层厚度，并计算实际料层厚度的实际特征值，将实际特征值作为N组输出训练样本；
利用输入训练样本以及输出训练样本，采用时间反向传播法训练神经网络模型；
通过迭代训练不断更新神经网络模型的权重参数、偏置参数以及学习因子；
若神经网络模型的预测值与测量值达到设定的允差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
可选的，所述料层厚度动态预测模型还可以是料层厚度预测表，并按照以下步骤建立：
按照预先设定的时间间隔，获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
按照预先设定的时间间隔，检测烧结台车上与N组输入训练样本对应的实际料层厚度，并计算实际料层厚度的实际特征值；
对N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度以及对应的实际特征值，进行统计分析，建立料层厚度预测表。
本申请第二方面提供一种基于料层厚度预测的布料控制方法，所述布料控制方法包括：
获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值；
根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值；
将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度；
将给料辊转速调整为待调整的给料辊转速；将布料辊转速调整为待调整的布料辊转速；将辅门开度调整为待调整的辅门开度；将烧结台车速度调整为待调整的烧结台车速度；
其中，所述滚动优化模型用于在所述混合料的堆密度不变的条件下，计算出料层厚度偏差值的方差最小时，对应的给料辊转速、布料辊转速、辅门开度和烧结台车速度。
可选的，所述根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值的步骤，包括：
将同一时刻的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值之间的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
由上述技术方案可知，本申请提供的一种基于料层厚度预测的布料控制系统及方法，布料控制系统包括圆辊给料机、辊式布料机和烧结台车，圆辊给料机用于向辊式布料机供给混合料，辊式布料机用于向烧结台车布料；布料控制系统还包括混合料检测机构、与圆辊给料机连接的给料辊控制器、与辊式布料机连接的布料辊控制器和辅门控制器，以及与烧结台车连接的烧结台车控制器；以及与混合料检测机构、给料辊控制器、布料辊控制器、辅门控制器和烧结台车控制器连接的中央处理器。
在实际应用过程中，首先获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度以及烧结台车速度；然后将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；再然后将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值；并对料层厚度的特征值进行数据还原，获得料层厚度的预测值，之后根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值，最后将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度，从而基于料层厚度预测实现烧结系统的布料控制。本申请实施例提供的基于料层厚度预测的布料控制系统，可以通过采集的混合料参数以及烧结系统状态参数，提前预测出烧结台车上的料层厚度，以便通过预测的料层厚度及实时调节相关影响布料的关键参数，实现对烧结系统的布料过程及时、稳定的控制。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的一种基于料层厚度预测的布料控制系统的结构示意图；
图2为本申请实施例提供的基于料层厚度预测的布料控制系统的工作流程图；
图3为本申请实施例提供的布料控制系统预测料层厚度的流程图；
图4为本申请实施例提供的在线更新料层厚度动态预测模型的流程图；
图5为本申请实施例提供的一种生成料层厚度动态预测模型的流程图；
图6为本申请实施例提供的LSTM神经网络模型的结构示意图；
图7为本申请实施例提供的另一种生成料层厚度动态预测模型的流程图。
图示说明：
其中，1-配料室，2-混合机，3-圆辊给料机，4-辊式布料机，5-烧结台车，6-点火风机，7-引火风机，8-单辊破碎机，9-环冷机，10-料层厚度检测装置，101-混合料检测机构，102-给料辊控制器，103-布料辊控制器，104-辅门控制器，105-烧结台车控制器，106-中央处理器。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
烧结系统主要包括烧结台车、混合机、主轴风机、环冷机等多个设备，其总的工艺流程图参见图1所示：各种原料经配料室1配比，形成混合料，混合料进入混合机2混匀和造球后，在通过圆辊给料机3和辊式布料机4将其均匀的散布在烧结台车5上形成混合料层，点火风机6和引火风机7启动混合料点火开始烧结过程。烧结完成后，得到的烧结矿经单辊破碎机8破碎后进入环冷机9冷却，最后经筛分整粒后送至高炉或成品矿仓。
为了能够及时根据当前布料状态下，获得烧结台车5料层厚度，从而根据烧结台车5料层厚度，及时实施对烧结台车布料的控制。参见图1，为本申请实施例提供的一种基于料层厚度预测的布料控制系统的结构示意图。所述布料控制系统包括圆辊给料机3、辊式布料机4和烧结台车5，所述圆辊给料机3用于向所述辊式布料机4供给混合料，所述辊式布料机4用于向烧结台车5布料。
所述料层厚度预测系统还包括混合料检测机构101，所述混合料检测机构101包括取样装置和离线检测装置；所述取样装置用于从烧结系统中获取经过造球的混合料，并将获取的混合料输入所述离线检测装置，所述离线检测装置用于测量检测样本的各组分密度以及混合料的堆密度，以及所述混合料检测机构101执行步骤S201，将获取的混合料堆密度发送给中央处理器106。
给料辊控制器102，所述给料辊控制器102与圆辊给料机3连接，用于控制所述圆辊给料机3的给料辊转速，且能够获取所述圆辊给料机3的给料辊转速，例如采用转速传感器测量给料辊转速，转速传感器是将旋转物体的转速转换为电量输出的传感器，例如采用磁敏式转速传感器或者激光式转速传感器，或者在旋转端安装编码器，或者采用接近开关结合高速记数器进行数模转换测速。所述给料辊控制器102还被配置为执行步骤S202，将获取的给料辊转速发送给中央处理器106。
参见图2，为本申请实施例提供的基于料层厚度预测的布料控制系统的工作流程图。
布料辊控制器103，所述布料辊控制器103与辊式布料机4连接，用于控制辊式布料机4的布料辊转速，且能够获取所述辊式布料机4的布料辊转速，所述布料辊控制器103还被配置为执行步骤S203，将获取的布料辊转速发送给中央处理器106。
辅门控制器104，所述辅门控制器104设置在所述圆辊给料机3的上方，用于控制辊式布料机4的辅门开度，且能够获取辊式布料机4的辅门开度，并被配置为执行步骤S204，将获取的辅门开度发送给所述中央处理器106。
需要说明的是，每个料仓下有至少四个辅门，本申请实施例中采用的辅门控制器104的数量与辅门数量一致，一个辅门控制器104控制一个辅门开度。
烧结台车控制器105，烧结台车控制器105设置在所述烧结台车5上，用于控制烧结台车5的运行速度，且能够获取烧结台车5的运行速度，并被配置执行步骤205，将获取的烧结台车速度发送给所述中央处理器106。
中央处理器106，所述中央处理器连接混合料检测机构101、给料辊控制器102、布料辊控制器103、辅门控制器104和烧结台车控制器105。
需要说明的是，步骤S201至步骤S205并没有先后之分，可以按照任意顺序执行，或者同时执行。
所述中央处理器106被配置执行以下步骤S206至S213。
步骤S206，接收混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
步骤S207，根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值。
其中，参见图3，为本申请实施例提供的布料控制系统预测料层厚度的流程图，预测过程包括以下步骤：
步骤S301，将同一时刻的混合料的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量。
由于同一时刻的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度的数据量及数据类型不同，无法直接对这些数据量进行运算。在本申请实施例中，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，量化后的同一区间为区间(0,1)。
即，计算堆密度与各组份中密度最大的原料的密度的比值；计算给料辊转速与给料辊额定转速的比值；计算布料辊转速与布料辊额定转速的比值；计算烧结台车速度与烧结台车最大速度的比值。
其中，堆密度的量化模型为：
Figure BDA0002642695720000071
给料辊转速的量化模型为：
Figure BDA0002642695720000072
布料辊转速的量化模型为：
Figure BDA0002642695720000073
烧结台车速度的量化模型为：
Figure BDA0002642695720000074
其中，Norm(ρ)表示量化后堆密度，ρ表示堆密度，
Figure BDA0002642695720000075
表示各组份中密度最大的组份的密度；Norm(n1)表示量化后的给料辊转速，n1表示给料辊转速，
Figure BDA0002642695720000081
表示给料辊的额定转速；Norm(n2)表示量化后的布料辊转速，n2表示布料辊转速，
Figure BDA0002642695720000082
表示布料辊的额定转速；Norm(s)表示量化后的烧结台车速度，v表示烧结台车速度，
Figure BDA0002642695720000083
表示烧结台车最大速度。
所述预测料层厚度的特征向量是将料层厚度的影响因素按照一定规律整合，例如：
X(k)＝(x1(k),x2(k),x3(k),x4(k),x5(k))
其中,X(k)表示预测料层厚度的特征向量,x1(k)，x2(k)，x3(k)，x4(k)，x5(k),分别表示堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
步骤S302，将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值之间的映射关系。
所述映射关系中包含了预测料层厚度的特征向量和对应的料层厚度的特征值，即：
y(k)＝fk(X(k))
其中，y(k)为影响料层厚度的特征值，fk为预测料层厚度的特征向量与料层厚度的特征值的映射关系。
步骤S303，对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
对于所述料层厚度动态预测模型输出的料层厚度的特征值，需要进行一定的数据处理，才能够得到最终的料层厚度的预测值，具体操作是，计算料层厚度的特征值与烧结台车的料层最大允许厚度的乘积，获得料层厚度的预测值。
具体采用以下方法对料层厚度的特征值进行数据还原：
hi＝ki×H
其中，hi为获得的i时刻料层厚度的预测值，ki为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大允许厚度。
步骤S208，根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值。
E(k)＝R(k)-Y(k)
其中，Y(k)是指k时刻获得的料层厚度的预测值序列，R(k)设定的k时刻料层厚度的目标值序列，E(k)为k时刻的料层厚度偏差值序列。
步骤S209，将料层厚度偏差值输入滚动优化模型，得到待调整的给圆辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度。
其中，所述滚动优化模型用于在所述混合料的堆密度不变的条件下，计算出料层厚度偏差值的方差最小时，对应的给料辊转速、布料辊转速、辅门开度和烧结台车速度。
所述料层厚度偏差值的方差通过以下方式得到：
Figure BDA0002642695720000091
其中，σ是料层厚度偏差值的方差，E(k)是k时刻料层厚度偏差值，R(k)k时刻预设的料层厚度的目标值序列，Y(k)k时刻料层厚度的预测值序列。
举个例子，以第k时刻为例，中央处理器106在第k时刻，获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，并预测出第k时刻的料层厚度的预测值序列：
Y(k)＝fk(x1(k),x2(k),x3(k),x4(k),x5(k))
fk表示第k时刻的预测料层厚度的特征向量与料层厚度的特征值之间的映射关系；在第k时刻，预测偏差值序列表示如下：
E(k)＝R(k)-Y(k)
在第k时刻，料层厚度偏差值的方差表示如下：
Figure BDA0002642695720000092
将Y(k)＝fk(x1(k),x2(k),x3(k),x4(k),x5(k))代入上述方差公式中，在所述混合料的堆密度不变的条件下，可以通过滚动优化模型，计算出σ最小时，对应的待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度。
以上是对第k时刻内，给料辊转速、布料辊转速、辅门开度和烧结台车速度进行控制的过程，对于第k+1时刻、……、第k+j时刻的控制过程也是类似的，此处不再赘述。
在所述中央处理器106得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度后，将执行以下步骤S210至步骤S213。
步骤S210，发送待调整的烧结台车速度。通过发送待调整的烧结台车速度给所述烧结台车控制器105，以驱动所述烧结台车控制器105将烧结台车的速度调整为待调整的烧结台车速度。
步骤S211，发送待调整的辅门开度。通过发送待调整的辅门开度给辅门控制器104，以驱动所述辅门控制器104将辅门开度调整为待调整的辅门开度。
步骤S212，发送待调整的布料辊转速。通过发送待调整的布料辊转速给布料辊控制器103，以驱动所述布料辊控制器103。
步骤S213，发送待调整的给料辊转速。通过发送待调整的给料辊转速至给料辊控制器102，以驱动所述给料辊控制器102。
需要说明的是，步骤S210至步骤S213并没有先后之分，可以按照任意顺序执行，或者同时执行。但是，将烧结台车的速度调整为待调整的烧结台车速度，将辅门开度调整为待调整的辅门开度，将布料辊转速调整为待调整的布料辊转速，以及将给料辊转速调整为待调整的给料辊转速，必须在同一时刻进行。
中央处理器106，所述中央处理器连接混合料检测机构101、给料辊控制器102、布料辊控制器103、辅门控制器104和烧结台车控制器105。
由以上技术方案可知，本申请实施例提供了一种基于料层厚度预测的布料控制系统，在实际应用过程中，首先获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度以及烧结台车速度；然后将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；再然后将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值；并对料层厚度的特征值进行数据还原，获得料层厚度的预测值，之后根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值，最后将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度，从而基于料层厚度预测实现烧结系统的布料控制。本申请实施例提供的基于料层厚度预测的布料控制系统，可以通过采集的混合料参数以及烧结系统状态参数，提前预测出烧结台车上的料层厚度，以便通过预测的料层厚度，实现对烧结系统的精准布料控制。
需要说明的是，混合料参数是指混合料的堆密度，烧结系统状态参数是指给料辊转速、布料辊转速、辅门开度和烧结台车速度。影响烧结台车的料层厚度的因素很多，例如主门开度、给料辊倾角、烧结台车宽度和辅门数量等，但是这些因素一般属于定值，例如烧结台车宽度和辅门数量；或者有变化，但是不会出现频繁变化，属于比较长时间的稳定值，例如主门开度和给料辊倾角，所以本申请实施例的基于料层厚度预测的布料控制系统，没有将这些影响因素纳入考虑的范围，即这些影响因素在实际应用过程中和在建立料层厚度动态预测模型中，没有发生变化。
由于料层厚度动态预测模型是依据部分烧结系统的实际生产数据预先建立，而在应用阶段，料层厚度动态预测模型会使用在所有烧结系统中，而不同烧结系统的实际工况存在一定的差异性，以及同一烧结系统在长期使用过程中，随着时间推移，工况也会发生一定的变化，在此情况下，若料层厚度动态预测模型没有适应性的调整，可能会出现料层厚度的预测值与实际结果偏差较大的情况，为了避免这一技术问题，在本申请的部分实施例中，所述料层厚度预测系统还包括料层厚度检测装置10，所述层厚检测装置可以实时检测烧结台车上的料层厚度，所述料层厚度检测装置10设置在烧结台车上位，以检测烧结台车的料层厚度，例如采用料位计检测料层厚度。
如图4所示，在本申请的部分实施例中提供了一种在线更新料层厚度动态预测模型的方法。
在步骤S302将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值的步骤之前，还包括：
步骤S401，获取与预测料层厚度的特征向量邻近时序上的学习样本，其中，学习样本包括输入样本，以及输入样本对应的料层厚度的特征值。
其中，所述学习样本不仅包含了烧结系统的混合料参数及烧结系统状态参数，还包含了对应的料层厚度测量值，所述学习样本的具体获取方法是：获取与预测料层厚度的特征向量邻近时序上的学习样本，其中，学习样本包括输入样本，以及输入样本对应的料层厚度的特征值；需要说明的是，料层厚度的测量值需要经过量化处理后，才能用作料层厚度动态预测模型的更新或者训练，归一化化处理采用以下模型：
Figure BDA0002642695720000111
其中，hi为获得的i时刻料层厚度的预测值，ki为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大允许厚度。
这里采集的历史预测样本是用作学习样本使用，由于烧结系统的烧结过程是一个长时间连续的过程，在进行预测料层厚度的特征向量采集之前，烧结系统一直在进行混合作业，采集与所述预测料层厚度的特征向量最近的预设时间间隔内的历史预测样本，可以保证得到的学习样本所对应的烧结系统工况，与预测料层厚度的特征向量采集时间点的烧结系统工况一致。
步骤S402，利用所述学习样本在线更新所述料层厚度动态预测模型，获取更新后的料层厚度动态预测模型。
通过步骤S401中获取的学习样本，可以对料层厚度动态预测模型进行在线更新，进一步保证所述料层厚度动态预测模型输出的料层厚度的特征值更精准。在具体更新过程中，根据学习样本预测的料层厚度的特征值，与测量值对应的料层厚度的特征值之间的预测偏差值，所述动态预测模型具备两种更新方式，若预测偏差值较小且相对稳定，处于模型质量指标允许误差范围内，则将预测偏差值直接加到所述动态预测模型的料层厚度的特征值上，并将结果作为更新后的料层厚度的特征值。若预测偏差值较大，且根据模型质量指标判断为映射关系发生变化，则根据所述学习样本以及测量值对应的料层厚度的特征值，更新所述料层厚度动态预测模型中包含的映射关系。
需要说明的是，通常可采用预测偏差值的均方差作为质量指标，然后根据质量指标的统计分布规律，预设统计置信限，判断是否需要触发更新以及需要的更新方法。测量值对应的料层厚度的特征值，虽然因为滞后问题不适合用于混合工艺闭环控制问题，但可用于稳定状态的参考，即烧结系统在稳定状态下达到稳态时，料层厚度会维持在一定的水平，在正常的情况下，测量值虽有波动，但其分布通常不会偏离置信区间，当超出这个置信区间，触发模型更新机制。如果根据指标分析结果判断过程特征属于渐变，则选择模型递推法，利用移动窗递推法来更新料层厚度动态预测模型，步骤如下：
设原动态预测模型的样本集为S＝{[X1,Y1],...,[Xt,Yt]}，t为总的样本数。当获取新测量值[Xm,Ym]，则将其加入样本集，并淘汰最陈旧的样本，则新的样本集(学习样本)为：
S＝{[X2,Y2],...,[Xt,Yt],[Xm,Ym]}
然后利用学习样本在线更新所述料层厚度动态预测模型，获得新的料层厚度动态预测模型。如果根据指标分析结果判断过程特征属于突变，则选择即时学习法，重构料层厚度动态预测模型。
所述料层厚度动态预测模型，是利用多组已知混合料参数、烧结系统状态参数以及对应的料层厚度测量值建立。在本申请实施例提供一种利用神经网络模型训练的方式，生成所述料层厚度动态预测模型。具体操作是将多组已知混合料参数、烧结系统状态参数作为神经网络模型的输入，而将对应的料层厚度测量值，作为神经网络模型的输出，对神经网络模型进行训练，即调整神经网络模型中间层对应的权重矩阵和偏置项，从而建立混合料参数以及对应的混合机状态参数，与混匀度之间的映射关系。参见图5，为本申请实施例提供的一种生成料层厚度动态预测模型的流程图，具体生成步骤包括：
步骤S501，获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
其中，N组独立的混合料参数以及对应的烧结系统状态参数，可以是同一烧结系统的数据，也可以是多个烧结系统的数据，并按照对应关系分为一组，即，同一混合机且同一时刻的数据作为统一组数据。
步骤S502，将N组独立的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成N组训练样本的输入。其中，混合料参数中的堆密度，以及烧结系统状态参数中的给料辊转速、布料辊转速和烧结台车速度，需要量化到区间(0,1)，其中，辅门开度的数值为百分比数据。
步骤S503，获取料层厚度检测装置10发送的N组独立的料层厚度的测量值，并将料层厚度的测量值按照一定收缩比例量化，生成N组训练样本的输出。
其中，将料层厚度的测量值按照一定收缩比例量化，具体操作是计算料层厚度的测量值与烧结台车的料层最大允许厚度的比值。
步骤S504，利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练神经网络模型。
所述动态预测训练模块利用训练样本的输入以及训练样本的输出，采用时间反向传播法训练神经网络模型；其中，时间反向传播法是一种适用于多层神经元网络的学习算法，通过激励传播和权重更新反复循环迭代，指导多层神经元网络对输入的响应(输出)达到预定的目标范围为止。
步骤S505，通过迭代训练不断更新神经网络模型的权重参数、偏置参数以及学习因子。
步骤S506，若神经网络模型的预测料层厚度的特征值与测量的料层厚度的特征值，达到设定的容差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
通过不断更新神经网络模型的权重参数、偏置参数以及学习因子，在神经网络模型建立预测料层厚度的特征向量与料层厚度的特征值的映射关系，直到根据所述映射关系预测的料层厚度的特征值满足生产需求。具体的判断方法是，判断神经网络模型的预测的料层厚度的特征值与检测的料层厚度的特征值是否达到设定的容差范围，以及判断神经网络模型是否达到设定的最大迭代次数，若神经网络模型的预测的料层厚度的特征值与检测的料层厚度的特征值达到设定的容差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
本申请实施例提供的利用神经网络模型训练生成所述料层厚度动态预测模型。具体可以采用RNN(Recurrent Neural Network)神经网络或者LSTM(Long Short-TermMemory)神经网络，如图6所示，为基于LSTM神经网络模型的结构示意图，其中，中间层的结构主要有遗忘门、输入门和输出门组成，每个门都有对应的权重矩阵和偏置项，通过训练样本对多层神经元网络进行训练，不断更新权重参数、偏置参数以及学习因子，从而获得所述料层厚度动态预测模型。
在本申请实施例的神经网络模型具体训练过程中，所述神经网络模型将多组训练样本分为两个部分，包括2/3组的训练数据和1/3组的测试数据，将2/3组训练样本的输入以及训练样本的输出，作为神经网络模型的训练数据，不断更新权重参数、偏置参数以及学习因子；并利用1/3组训练样本的输入以及训练样本的输出，作为神经网络模型的容差测试数据。
参见图7，为本申请实施例提供的另一种生成料层厚度动态预测模型的流程图，所述料层厚度动态预测模型还可以是混匀度预测表，并按照以下步骤建立：
步骤S701，获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
步骤S702，获取料层厚度检测装置发送的N组独立的料层厚度的测量值。
步骤S703，对N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度以及对应的料层厚度的测量值，进行统计分析，建立层厚预测表。
其中，统计分析包括数据预处理，数据预处理先将堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，然后将将混合料参数、烧结系统状态参数相同的多组数据提取出，并比较不同组对应的料层厚度的测量值，若对应的料层厚度的测量值也相同，则只保留一组数据，去除其他组相同的数据。若对应的混匀度不同，但是偏差处于允许范围内，则将多组数据对应的混匀度平均值作为对应的料层厚度，且只保留一组数据，一般根据生产精度要求，偏差的允许范围设置为0.5％-2％。对于混合料参数、烧结系统状态参数相同的多组数据，对应的混匀度测量值不同，且偏差超过允许范围，且标记多组数据的来源，保留在隔离区，这里的数据来源是指数据采集对应的烧结系统及采集时间，隔离区是指在层厚预测表单独的一块区域，用于记录异常数据，以作为设备检修的参考数据。
需要说明的是，这里的料层厚度的测量值同样需要进行预处理，具体操作是，计算料层厚度的测量值与烧结台车的料层最大允许厚度的比值。
对于经过数据预处理的多组独立的混合料参数、烧结系统状态参数以及对应的料层厚度测量值，按照设定的多个索引项进行排序，每一个索引项的排序为从小到大排列。其中，至少包括5个索引项，例如本申请实施例中，设置的5个索引项，以及索引顺序，第一级索引项为混合料的堆密度，第二级索引项为给料辊转速，第三级索引项为布料辊转速，第四级索引项为辅门开度，第五级索引项为烧结台车速度。按照以上规则完成混匀度预测表的建立，所述混匀度预测表中包含预测料层厚度的特征向量与料层厚度的特征值的映射关系，例如表1所示，为混匀度预测表的部分数据。
表1层厚预测表部分示例数据
Figure BDA0002642695720000141
下述为本申请方法实施例，用于实施本申请方法实施例。对于本申请方法实施例中未披露的细节，请参照本申请系统实施例。
本申请实施例提供一种基于料层厚度预测的布料控制方法，所述布料控制方法包括：
获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度。
根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值。
其中，所述根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值的步骤，包括：
将同一时刻的混合料的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值之间的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值。
将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度。
将给料辊转速调整为待调整的给料辊转速；将布料辊转速调整为待调整的布料辊转速；将辅门开度调整为待调整的辅门开度；将烧结台车速度调整为待调整的烧结台车速度。
其中，所述滚动优化模型用于在所述混合料的堆密度不变的条件下，计算出料层厚度偏差值的方差最小时，对应的给料辊转速、布料辊转速、辅门开度和烧结台车速度。
由上述技术方案可知，本申请实施例提供的一种基于料层厚度预测的布料控制系统及方法，所述布料控制系统包括圆辊给料机3、辊式布料机4和烧结台车5，所述圆辊给料机3用于向所述辊式布料机4供给混合料，所述辊式布料机4用于向烧结台车5布料；所述布料控制系统还包括混合料检测机构101、与圆辊给料机3连接的给料辊控制器102、与辊式布料机4连接的布料辊控制器103和辅门控制器104，以及与烧结台车5连接的烧结台车控制器105；以及与混合料检测机构101、给料辊控制器102、布料辊控制器103、辅门控制器104和烧结台车控制器105连接的中央处理器106。
在实际应用过程中，首先获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度以及烧结台车速度；然后将同一时刻的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，按照一定收缩比例量化到同一区间，并生成预测料层厚度的特征向量；再然后将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值；并对料层厚度的特征值进行数据还原，获得料层厚度的预测值，之后根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值，最后将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度，从而基于料层厚度预测实现烧结系统的布料控制。本申请实施例提供的基于料层厚度预测的布料控制系统，可以通过采集的混合料参数以及烧结系统状态参数，提前预测出烧结台车上的料层厚度，以便通过预测的料层厚度，实现对烧结系统及时、稳定的反馈布料控制。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种基于料层厚度预测的布料控制系统，所述布料控制系统包括圆辊给料机、辊式布料机和烧结台车，所述圆辊给料机用于向所述辊式布料机供给混合料，所述辊式布料机用于向烧结台车布料；其特征在于，所述布料控制系统还包括混合料检测机构、与圆辊给料机连接的给料辊控制器、与辊式布料机连接的布料辊控制器和辅门控制器，以及与烧结台车连接的烧结台车控制器；以及与混合料检测机构、给料辊控制器、布料辊控制器、辅门控制器和烧结台车控制器连接的中央处理器；其中，所述中央处理器被配置为执行以下步骤：
接收所述混合料检测机构发送的混合料堆密度，接收给料辊控制器发送的给料辊转速，接收布料辊控制器发送的布料辊转速，接收辅门控制器发送的辅门开度，接收烧结台车控制器发送的烧结台车速度；
根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值；
根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值；
将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度；
驱动所述给料辊控制器将给料辊转速调整为待调整的给料辊转速；驱动所述布料辊控制器将布料辊转速调整为待调整的布料辊转速；驱动所述辅门控制器将辅门开度调整为待调整的辅门开度；驱动所述烧结台车控制器将烧结台车速度调整为待调整的烧结台车速度；
其中，所述滚动优化模型用于在所述混合料的堆密度不变的条件下，计算出料层厚度偏差值的方差最小时，对应的给料辊转速、布料辊转速、辅门开度和烧结台车速度。
2.根据权利要求1所述的基于料层厚度预测的布料控制系统，其特征在于，所述料层厚度偏差值的方差通过以下方式得到：
Figure FDA0002642695710000011
其中，σ是料层厚度偏差值的方差，E(k)是指料层厚度偏差值，R(k)预设的料层厚度的目标值，Y(k)料层厚度的预测值。
3.根据权利要求1所述的基于料层厚度预测的布料控制系统，其特征在于，根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值，具体执行以下步骤：
将同一时刻的混合料的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值之间的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
4.根据权利要求3所述的基于料层厚度预测的布料控制系统，其特征在于，所述布料控制系统系统还包括设置在烧结台车上方的料层厚度检测装置，所述料层厚度检测装置连接中央处理器，所述料层厚度检测装置用于按照预先设定的时间间隔，检测烧结台车的料层厚度，并获得料层厚度的测量值；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，还包括：
获取与所述预测料层厚度的特征向量邻近时序上的数据并作为学习样本，其中，所述样本包括输入样本，以及所述输入样本对应的料层厚度的特征值；
利用所述学习样本在线更新所述料层厚度动态预测模型，获取更新后的料层厚度动态预测模型。
5.根据权利要求3所述的基于料层厚度预测的布料控制系统，其特征在于，采用以下方法对料层厚度的特征值进行数据还原：
hi＝ki×H
其中，hi为获得的i时刻料层厚度的预测值，ki为生成的i时刻料层厚度的特征值，H为烧结台车上的料层最大允许厚度。
6.根据权利要求3所述的基于料层厚度预测的布料控制系统，其特征在于，将同一时刻的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，具体执行以下步骤：
计算堆密度与各原料中密度最大的原料的密度的比值；
计算给料辊转速与给料辊的最大转速的比值；
计算布料辊转速与布料辊的最大转速的比值；
烧结台车速度与烧结台车的最大转速的比值。
7.根据权利要求3所述的基于料层厚度预测的布料控制系统，其特征在于，所述料层厚度动态预测模型是基于神经网络模型训练生成，并按照以下步骤建立：
按照预先设定的时间间隔，获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
将N组独立的混合料的堆密度、给料辊转速、布料辊转速和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，作为N组训练样本的输入；
按照预先设定的时间间隔，检测烧结台车上与N组训练样本输入对应的实际料层厚度，并计算实际料层厚度的实际特征值，将实际特征值作为N组输出训练样本；
利用输入训练样本以及输出训练样本，采用时间反向传播法训练神经网络模型；
通过迭代训练不断更新神经网络模型的权重参数、偏置参数以及学习因子；
若神经网络模型的预测值与测量值达到设定的允差范围，或神经网络模型达到设定的最大迭代次数，则训练结束，并保存最后更新的权重参数、偏置参数以及学习因子，获得料层厚度动态预测模型。
8.根据权利要求3所述的基于料层厚度预测的布料控制系统，其特征在于，所述料层厚度动态预测模型还可以是料层厚度预测表，并按照以下步骤建立：
按照预先设定的时间间隔，获取N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
按照预先设定的时间间隔，检测烧结台车上与N组输入训练样本对应的实际料层厚度，并计算实际料层厚度的实际特征值；
对N组独立的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度以及对应的实际特征值，进行统计分析，建立料层厚度预测表。
9.一种基于料层厚度预测的布料控制方法，其特征在于，所述布料控制方法包括：
获取混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度；
根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值；
根据料层厚度的预测值和料层厚度的目标值，计算料层厚度偏差值；
将料层厚度偏差值输入滚动优化模型，得到待调整的给料辊转速、待调整的布料辊转速、待调整的辅门开度和待调整的烧结台车速度；
将给料辊转速调整为待调整的给料辊转速；将布料辊转速调整为待调整的布料辊转速；将辅门开度调整为待调整的辅门开度；将烧结台车速度调整为待调整的烧结台车速度；
其中，所述滚动优化模型用于在所述混合料的堆密度不变的条件下，计算出料层厚度偏差值的方差最小时，对应的给料辊转速、布料辊转速、辅门开度和烧结台车速度。
10.根据权利要求9所述的基于料层厚度预测的布料控制方法，其特征在于，所述根据混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，对料层厚度进行预测，获得料层厚度的预测值的步骤，包括：
将同一时刻的混合料的堆密度、给料辊转速、布料辊转速、辅门开度和烧结台车速度，按照一定收缩比例量化到同一区间，并结合辅门开度，生成预测料层厚度的特征向量；
将预测料层厚度的特征向量输入到预先建立的料层厚度动态预测模型中，生成料层厚度的特征值，所述料层厚度动态预测模型中包含预测料层厚度的特征向量与料层厚度的特征值之间的映射关系；
对料层厚度的特征值进行数据还原，获得料层厚度的预测值。
CN202010844822.3A 2020-08-20 2020-08-20 一种基于料层厚度预测的布料控制系统及方法 Active CN113295000B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010844822.3A CN113295000B (zh) 2020-08-20 2020-08-20 一种基于料层厚度预测的布料控制系统及方法
PCT/CN2021/112557 WO2022037500A1 (zh) 2020-08-20 2021-08-13 一种基于料层厚度预测的布料控制系统及方法
BR112022023796A BR112022023796A2 (pt) 2020-08-20 2021-08-13 Sistema de controle de distribuição de material e método com base na previsão de espessura de camada de material

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010844822.3A CN113295000B (zh) 2020-08-20 2020-08-20 一种基于料层厚度预测的布料控制系统及方法

Publications (2)

Publication Number Publication Date
CN113295000A true CN113295000A (zh) 2021-08-24
CN113295000B CN113295000B (zh) 2022-04-12

Family

ID=77318321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010844822.3A Active CN113295000B (zh) 2020-08-20 2020-08-20 一种基于料层厚度预测的布料控制系统及方法

Country Status (3)

Country Link
CN (1) CN113295000B (zh)
BR (1) BR112022023796A2 (zh)
WO (1) WO2022037500A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114147851A (zh) * 2021-12-15 2022-03-08 筑友智造建设科技集团有限公司 一种混凝土布料控制方法及系统
CN114290507A (zh) * 2021-12-28 2022-04-08 筑友智造科技投资有限公司 一种多模具并行布料控制方法、系统、设备和存储介质
CN114739182A (zh) * 2022-03-17 2022-07-12 北京首钢自动化信息技术有限公司 烧结台车布料闸门的卡料判定方法、装置、设备及介质
CN117420807A (zh) * 2023-12-14 2024-01-19 深圳市德镒盟电子有限公司 一种智能控制去粘层厚度的方法、系统及生产设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114807596B (zh) * 2022-05-07 2023-11-07 北京首钢自动化信息技术有限公司 一种矿堆的配料控制方法和装置
CN115061427B (zh) * 2022-06-28 2023-04-14 浙江同发塑机有限公司 吹塑机的料层均匀性控制系统及其控制方法
CN115478159B (zh) * 2022-09-01 2023-11-21 马鞍山钢铁股份有限公司 一种适用于超厚料层烧结的梯形布料装置
CN117213260B (zh) * 2023-10-13 2024-05-24 湖南科技大学 一种节能降耗的环冷机分布式智能协调控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000144267A (ja) * 1998-11-13 2000-05-26 Nippon Steel Corp 焼結原料の装入制御方法
CN101339115A (zh) * 2008-08-20 2009-01-07 中冶长天国际工程有限责任公司 一种混合料密度的检测方法及检测系统
JP2010255092A (ja) * 2009-03-31 2010-11-11 Kobe Steel Ltd 高炉の操業条件導出方法、及びこの方法を用いた高炉の操業条件導出装置
TW201437585A (zh) * 2013-03-29 2014-10-01 China Steel Corp 燒結機佈料控制系統與方法
JP2014201827A (ja) * 2013-04-10 2014-10-27 Ｊｆｅスチール株式会社 焼結鉱の冷却制御方法
CN104180659A (zh) * 2013-05-22 2014-12-03 宝山钢铁股份有限公司 烧结机头部组合偏析布料装置及布料方法
KR101719516B1 (ko) * 2015-11-05 2017-03-24 주식회사 포스코 소결광 제조 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE434958B (sv) * 1980-12-08 1984-08-27 Bostroem Olle Forfarande och anordning for att pa en rorlig sugsintringsrost eller i en stationer eller rorlig sugsintringspanna astadkomma en charge med hog permeabilitet och stabil struktur
KR100530081B1 (ko) * 2002-12-12 2005-11-22 주식회사 포스코 고로용 소결광 장입 제어방법
CN100441996C (zh) * 2005-11-24 2008-12-10 广东韶钢松山股份有限公司 一种烧结自动布料方法
CN101560599B (zh) * 2009-04-17 2011-07-20 中冶长天国际工程有限责任公司 一种混合料层厚的控制方法及控制系统
CN102072657B (zh) * 2010-12-30 2014-09-17 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
CN102072658B (zh) * 2010-12-30 2014-11-05 中南大学 一种稳定料层厚度的烧结偏析布料控制方法
CN204665915U (zh) * 2015-03-23 2015-09-23 宝钢不锈钢有限公司 一种烧结机料层厚度控制系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000144267A (ja) * 1998-11-13 2000-05-26 Nippon Steel Corp 焼結原料の装入制御方法
CN101339115A (zh) * 2008-08-20 2009-01-07 中冶长天国际工程有限责任公司 一种混合料密度的检测方法及检测系统
JP2010255092A (ja) * 2009-03-31 2010-11-11 Kobe Steel Ltd 高炉の操業条件導出方法、及びこの方法を用いた高炉の操業条件導出装置
TW201437585A (zh) * 2013-03-29 2014-10-01 China Steel Corp 燒結機佈料控制系統與方法
JP2014201827A (ja) * 2013-04-10 2014-10-27 Ｊｆｅスチール株式会社 焼結鉱の冷却制御方法
CN104180659A (zh) * 2013-05-22 2014-12-03 宝山钢铁股份有限公司 烧结机头部组合偏析布料装置及布料方法
KR101719516B1 (ko) * 2015-11-05 2017-03-24 주식회사 포스코 소결광 제조 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114147851A (zh) * 2021-12-15 2022-03-08 筑友智造建设科技集团有限公司 一种混凝土布料控制方法及系统
CN114290507A (zh) * 2021-12-28 2022-04-08 筑友智造科技投资有限公司 一种多模具并行布料控制方法、系统、设备和存储介质
CN114739182A (zh) * 2022-03-17 2022-07-12 北京首钢自动化信息技术有限公司 烧结台车布料闸门的卡料判定方法、装置、设备及介质
CN117420807A (zh) * 2023-12-14 2024-01-19 深圳市德镒盟电子有限公司 一种智能控制去粘层厚度的方法、系统及生产设备
CN117420807B (zh) * 2023-12-14 2024-03-12 深圳市德镒盟电子有限公司 一种智能控制去粘层厚度的方法、系统及生产设备

Also Published As

Publication number Publication date
BR112022023796A2 (pt) 2023-03-28
CN113295000B (zh) 2022-04-12
WO2022037500A1 (zh) 2022-02-24

Similar Documents

Publication Publication Date Title
CN113295000B (zh) 一种基于料层厚度预测的布料控制系统及方法
CN113296561B (zh) 一种用于造球机的控制系统及控制方法
CN102165382B (zh) 用于控制工业过程的方法和系统
CN113299352B (zh) 一种烧结台车的料层厚度动态预测系统及方法
Zhou et al. Intelligence-based supervisory control for optimal operation of a DCS-controlled grinding system
CN110090728B (zh) 用于控制水泥生料立磨中喂料量的方法、装置及设备
CN113289541B (zh) 一种基于混匀度预测的混合机控制系统及方法
CN113299353B (zh) 一种混合机的混匀度预测方法及系统
CN106886150B (zh) 一种基于c#的开路水泥联合半终粉磨自动控制方法及系统
CN114326630A (zh) 沥青混合料智能称重配料控制方法
CN114265885A (zh) 一种烧结返粉料的水分自动控制方法及系统
Itävuo et al. Feed-hopper level estimation and control in cone crushers
US5959870A (en) Real-time optimization for mix beds
CN113289542B (zh) 一种基于混合能效比最优的混合机控制系统及方法
CN112070408A (zh) 基于大数据和深度学习的烧结矿成分预报模型
RU2812444C1 (ru) Система и способ управления распределением материала на основе прогнозирования толщины слоя материала
JP2023162128A (ja) 電池用の懸濁液の工業規模での製造方法および装置
An et al. Two-level data-based adjustment of controller parameters for weighing process of ladle furnace
CN113297542A (zh) 一种造球机的生球占比预测方法及装置
CN114169640A (zh) 一种烧结流程冷却圆筒返粉料水分预测方法及预测系统
Sun et al. Development of an Online Updating Stochastic Configuration Network for the Soft-Sensing of the Semi-Autogenous Ball Mill Crusher System
KR20000014370U (ko) 원료 불출량 검출장치
SU1411030A1 (ru) Способ автоматического управлени работой измельчительного агрегата замкнутого цикла и система дл его осуществлени
US20230158510A1 (en) Method of monitoring high-pressure roller press
Ma et al. Cement fineness prediction model based on fuzzy cognitive map

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